CN113129272A - 一种基于去噪卷积自编码器的缺陷检测方法及装置 - Google Patents

一种基于去噪卷积自编码器的缺陷检测方法及装置 Download PDF

Info

Publication number
CN113129272A
CN113129272A CN202110337849.8A CN202110337849A CN113129272A CN 113129272 A CN113129272 A CN 113129272A CN 202110337849 A CN202110337849 A CN 202110337849A CN 113129272 A CN113129272 A CN 113129272A
Authority
CN
China
Prior art keywords
image data
encoder
training
defect
denoising
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110337849.8A
Other languages
English (en)
Inventor
胡战虎
黄天仑
陈再励
李新旺
吴亮生
卢杏坚
何峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Original Assignee
Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Intelligent Manufacturing of Guangdong Academy of Sciences filed Critical Institute of Intelligent Manufacturing of Guangdong Academy of Sciences
Priority to CN202110337849.8A priority Critical patent/CN113129272A/zh
Publication of CN113129272A publication Critical patent/CN113129272A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods
    • G01N2201/1296—Using chemometrical methods using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于去噪卷积自编码器的缺陷检测方法及装置，其中，所述方法包括：基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。在本发明实施例中，可以实现自动识别图像数据是否存在缺陷，从而判断产品是否存在缺陷，并且识别准确性高。

Description

一种基于去噪卷积自编码器的缺陷检测方法及装置
技术领域
本发明涉及人工智能的缺陷检测技术，尤其涉及一种基于去噪卷积自编码器的缺陷检测方法及装置。
背景技术
表面缺陷不仅破坏产品的美感和舒适度，还可能对产品的性能造成严重损害。表面缺陷检测能够有效杜绝或减少残次品流入市场，并且可以帮助企业及时发现问题并改进相应生产工艺，预判性地维护生产机器。传统的人工检查的方法应用广泛，但人工方法有劳动强度大、检测稳定性及一致性差，自动化程度低、生产效率低等缺点。由于工人的质检效率上限较低，同时人工成本又越来越高，企业为保障生产效率，一般采取抽样检测的策略。一批产品中随机抽取少量产品来评估整批产品的质量，其严格程度远远低于全面检测。随着人工智能及机器视觉等先进检测技术的发展，基于机器视觉的表面缺陷检测逐渐在各工业领域替代人工肉眼检测.传统的基于机器学习的表面缺陷检测方法，往往采用监督学习或人工设计特征加分类器的方法，但监督学习的方法依赖于大量标注的有缺陷样本数据，首先在正常的工厂环境中缺陷样本难以大量获取且缺陷种类多样，极易出现未知的缺陷类型；其次因缺陷样本类间差异大、类内模糊性大和背景复杂等特点导致标注难度大。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于去噪卷积自编码器的缺陷检测方法及装置，可以实现自动识别图像数据是否存在缺陷，从而判断产品是否存在缺陷，并且识别准确性高。
为了解决上述技术问题，本发明实施例提供了一种基于去噪卷积自编码器的缺陷检测方法，所述方法包括：
基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；
将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；
基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；
基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。
可选的，所述基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据，包括：
将用于传输所述待缺陷识别目标传输带分为3段，其中左侧段和右侧段为工业传输带，中间段传输带为透明传输带；
在所述透明传输带的正上方、左侧、右侧及正下方分别设置一个图像采集设备，形成多视点实时图像采集装置；
基于所述多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据。
可选的，所述去噪卷积自编码器为将输入还原输出的神经网络模型；所述去噪卷积自编码器由编码器和解码器组成。
可选的，所述去噪卷积自编码器的训练过程包括：
获得训练样本图像，所述训练样本图像中包括正常样本图像和缺陷样本图像；
基于所述训练样本图像划分训练集和测试集，其中，所述训练集中为正常样本图像，所述测试集中包含正常样本图像和缺陷样本图像，所述训练集和测试集中的样本图像数量比例为9:1；
对所述训练集中的训练样本图像进行添加椒盐噪声处理，获得预处理后的训练集；
将预处理后的训练集内的训练样本图像输入去噪卷积自编码器中进行训练，获得训练后的去噪卷积自编码器；
利用所述测试集对训练后的去噪卷积自编码器进行测试，获得测试结果；
基于测试结果判断训练后的去噪卷积自编码器是否收敛，若否，则基于反向传播算法更新训练后的去噪卷积自编码器的参数，并利用预处理后的训练集进行重新训练，直至收敛为止。
可选的，所述将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据，包括：
训练收敛的去噪卷积自编码器中的编码器将输入的待识别图像数据经过三层网络编码形成M*M个特征的向量，其中每层网络由4层子层组成，依次包括卷积层、批量归一化层、激活函数层和最大池化层；
将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据。
可选的，所述解码器依次包括卷积层、批量归一化层、激活函数层和上采样层；
所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据，包括：
所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器依次经过卷积层、批量归一化层、激活函数层得到k个特征图进行特征重构处理，获得重构特征；
所述解码器的上采样层将所述重构特征还原成输入图像大小的图像，形成重建修复图像数据并输出。
可选的，所述基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值，包括：
构建亮度对比函数、对比度对比函数和结构对比函数；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数；
基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值。
可选的，所述亮度对比函数如下：
Figure BDA0002998255030000031
Figure BDA0002998255030000032
C1＝(K1L)2；
所述对比度对比函数如下：
Figure BDA0002998255030000041
Figure BDA0002998255030000042
所述结构对比函数如下：
Figure BDA0002998255030000043
Figure BDA0002998255030000044
C3＝(K3L)2；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数如下：
SSIM(x，y)＝[l(x，y)]α[c(x，y)]β[s(x，y)]γ；
在α，β，λ＞0时，为了简化SSIM(x，y)，假设α＝β＝γ＝1，
Figure BDA0002998255030000045
即有：
Figure BDA0002998255030000046
其中，x，y分别为输入的待识别图像数据和输出的重建修复图像数据；μx为输入的待识别图像数据的平均灰度；μy为输出的重建修复图像数据的平均灰度；L为图像数据的灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；σx表示x的标准差；σy表示y的标准差；K2＜＜1；σxy为x，y的协方差，K3＜＜1，N表示输入的待识别图像数据和输出的重建修复图像数据的像素大小，N＝1，2，3，...,i。
可选的，所述基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷，包括：
将所述重建误差值与预设阈值进行比较，并根据比较结果判断所述带缺陷识别图像数据是否存在缺陷；
所述预设阈值确定步骤如下：
确定初始阈值，将验证集输入训练收敛的去噪卷积自编码器中进行测试，若测试结果中所述验证集中存在缺陷样本，则按照预设比例对初始阈值进行增加，所述验证集内的样本图像均为正常样本图像；
利用验证集重新对训练收敛的去噪卷积自编码器中进行测试，直至输出的测试结果的所述验证集中不存在缺陷样本，则确定增加后的初始阈值为预设阈值。
另外，本发明实施例还提供了一种基于去噪卷积自编码器的缺陷检测装置，所述装置包括：
图像采集模块：用于基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；
重建修复模块：用于将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；
重建误差值获得模块：用于基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；
判断模块：用于基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。
在本发明实施例中，克服了缺陷检测过程中单一种类缺陷难以搜集到足以用于训练的样本数量且数据采集过程无法采集所有缺陷种类和缺陷样本标注困难的难题。相比于有监督学习模型,本方法能够检测到偏离预期的缺陷或没有出现过的缺陷。采用少量正常样本训练去噪卷积自编码器即可使其具备良好的对正常样本分布的重建和判别能力，当输入图像为缺陷样本图像时，通过对输入图像重建为正常样本图像，计算输入图像减去输出图像的重建误差，即可确定输入图像是否为缺陷样本并对缺陷部分进行定位。可以实现自动识别图像数据是否存在缺陷，从而判断产品是否存在缺陷，并且识别准确性高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于去噪卷积自编码器的缺陷检测方法的流程示意图；
图2是本发明实施例中的基于去噪卷积自编码器的缺陷检测装置的结构组成示意图；
图3是本发明实施例中的多视点实时图像采集装置的结构组成示意图；
图4是本发明实施中的去噪卷积自编码器的编码器和解码器组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于去噪卷积自编码器的缺陷检测方法的流程示意图。
如图1所示，一种基于去噪卷积自编码器的缺陷检测方法，所述方法包括：
S11：基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；
在本发明具体实施过程中，所述基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据，包括：将用于传输所述待缺陷识别目标传输带分为3段，其中左侧段和右侧段为工业传输带，中间段传输带为透明传输带；在所述透明传输带的正上方、左侧、右侧及正下方分别设置一个图像采集设备，形成多视点实时图像采集装置；基于所述多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据。
具体的，如图3所示，将传输带分为3段，左侧段和右侧段为正常的工业传输带，中间段传输带为达到可以从传输带下方获取样本底部截面图的目的，设置为透明传输带，该段传输带传输段长为1至2米；(2)在透明段传输带的正上方，左侧和右侧还有正下方分别安装一个摄像头，4个摄像头呈环形布置，保证可以采集到玩具样本各个方向的截面图；通过上述方式部署图像采集设备，形成多视点实时图像采集装置；然后根据多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据。
S12：将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；
在本发明具体实施过程中，所述去噪卷积自编码器为将输入还原输出的神经网络模型；所述去噪卷积自编码器由编码器和解码器组成。
进一步的，所述去噪卷积自编码器的训练过程包括：获得训练样本图像，所述训练样本图像中包括正常样本图像和缺陷样本图像；基于所述训练样本图像划分训练集和测试集，其中，所述训练集中为正常样本图像，所述测试集中包含正常样本图像和缺陷样本图像，所述训练集和测试集中的样本图像数量比例为9:1；对所述训练集中的训练样本图像进行添加椒盐噪声处理，获得预处理后的训练集；将预处理后的训练集内的训练样本图像输入去噪卷积自编码器中进行训练，获得训练后的去噪卷积自编码器；利用所述测试集对训练后的去噪卷积自编码器进行测试，获得测试结果；基于测试结果判断训练后的去噪卷积自编码器是否收敛，若否，则基于反向传播算法更新训练后的去噪卷积自编码器的参数，并利用预处理后的训练集进行重新训练，直至收敛为止。
进一步的，所述将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据，包括：训练收敛的去噪卷积自编码器中的编码器将输入的待识别图像数据经过三层网络编码形成M*M个特征的向量，其中每层网络由4层子层组成，依次包括卷积层、批量归一化层、激活函数层和最大池化层；将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据。
进一步的，所述解码器依次包括卷积层、批量归一化层、激活函数层和上采样层；
所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据，包括：所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器依次经过卷积层、批量归一化层、激活函数层得到k个特征图进行特征重构处理，获得重构特征；所述解码器的上采样层将所述重构特征还原成输入图像大小的图像，形成重建修复图像数据并输出。
首先，去噪卷积自编码器为将输入还原输出的神经网络模型；去噪卷积自编码器由编码器和解码器组成，如图4所示；在对去噪卷积自编码器进行训练的时候，需要训练样本，训练样本的获取，有在实际工厂环境中获取，(3)在实际的工厂环境中，正常样本大量存在且易于获取，缺陷样本较为稀少且缺陷种类多样，单一种类的缺陷难以搜集到足以用于训练的样本数量且极易出现未知的缺陷种类，因此采集大量正常样本图片和少量缺陷样本图片，生成只包含正常样本图片的训练集和验证集，和同时包含正常样本图片和缺陷样本图片的测试集。在利用训练集对卷积自编码器训练之前，有必要对训练集进行一定的预处理，为了迫使网络学习更多有用的特性，对训练集中的玩具样本图像添加椒盐噪声，将其作为去噪卷积自编码器的输入。网络被迫从添加噪声的图像中进行修复，学习了样本完整的主要特征，增强了网络的泛化能力和鲁棒性。
即在获得训练样本图像之后，该训练样本图像中包括正常样本图像和缺陷样本图像；将训练样本图像划分训练集和测试集，其中，训练集中为正常样本图像，测试集中包含正常样本图像和缺陷样本图像，训练集和测试集中的样本图像数量比例为9:1；对训练集中的训练样本图像进行添加椒盐噪声处理，获得预处理后的训练集；将预处理后的训练集内的训练样本图像输入去噪卷积自编码器中进行训练，获得训练后的去噪卷积自编码器；利用测试集对训练后的去噪卷积自编码器进行测试，获得测试结果；根据测试结果判断训练后的去噪卷积自编码器是否收敛，若否，则利用反向传播算法更新训练后的去噪卷积自编码器的参数，并利用预处理后的训练集进行重新训练，直至收敛为止。
在重建修复处理中，通过将待识别图像数据输入训练收敛的去噪卷积自编码器中，在训练收敛的去噪卷积自编码器中的编码器经过3层网络编码成包含M*M个特征的向量，其中每层网络由4个子层组成，分别为卷积层、批量归一化层、激活函数层和最大池化层。经过前三个子层将输入压缩为潜在空间表示，可用编码函数h＝f(x)表示，公式如下：
hk＝σ(x*wk+bk)；
其中，k表示卷积核个数；wk和bk分别表示卷积核的权重和偏置；σ表示Relu激活函数。
对上面生成的特征图进行池化操作，保留池化时的位置关系的矩阵；解码器部分将编码器输出的包含M*M个特征的向量作为输入，其中每层网络由4个子层组成，分别为卷积层、批量归一化层、激活函数层和上采样层。经过前三子层对得到的k个特征图h进行特征重构，可得：
Figure BDA0002998255030000091
利用上采样层将输出特征y还原成输入图像大小，从而得到N*N大小的修复重建后的正常样本图像，即可输出重建修复图像数据。
S13：基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；
在本发明具体实施过程中，所述基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值，包括：构建亮度对比函数、对比度对比函数和结构对比函数；基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数；基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值。
进一步的，所述亮度对比函数如下：
Figure BDA0002998255030000092
Figure BDA0002998255030000093
C1＝(K1L)2；
所述对比度对比函数如下：
Figure BDA0002998255030000094
Figure BDA0002998255030000095
C2＝(K2L)2；
所述结构对比函数如下：
Figure BDA0002998255030000101
Figure BDA0002998255030000102
C3＝(K3L)2；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数如下：
SSIM(x，y)＝[l(x，y)]α[c(x,y)]β[s(x，y)]γ；
在α，β，λ＞0时，为了简化SSIM(x，y)，假设α＝β＝γ＝1，
Figure BDA0002998255030000103
即有：
Figure BDA0002998255030000104
其中，x，y分别为输入的待识别图像数据和输出的重建修复图像数据；μx为输入的待识别图像数据的平均灰度；μy为输出的重建修复图像数据的平均灰度；L为图像数据的灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；σx表示x的标准差；σy表示y的标准差；K2＜＜1；σxy为x，y的协方差，K3＜＜1，N表示输入的待识别图像数据和输出的重建修复图像数据的像素大小，N＝1，2，3，...，i。
具体的，结构相似性(SSIM)是一种衡量两幅图像相似度的指标，结构相似性的范围为[-1，1]，当两张图像一模一样时，SSIM的值等于1。SSIM测量系统可由三种对比模块组成，分别为：亮度，对比度，结构，设具体计算步骤如下所示：
对于离散信号，首先以平均灰度来作为亮度测量的估计，亮度对比函数，公式如下所示：
Figure BDA0002998255030000105
Figure BDA0002998255030000106
C1(K1L)2；
所述对比度对比函数如下：
Figure BDA0002998255030000107
Figure BDA0002998255030000108
C2＝(K2L)2；
所述结构对比函数如下：
Figure BDA0002998255030000109
Figure BDA0002998255030000111
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数如下：
SSIM(x,y)＝[l(x，y)]α[c(x，y)]β[s(x，y)]γ；
在α，β，λ＞0时，为了简化SSIM(x，y)，假设α＝β＝γ＝1，
Figure BDA0002998255030000112
即有：
Figure BDA0002998255030000113
其中，x，y分别为输入的待识别图像数据和输出的重建修复图像数据；μx为输入的待识别图像数据的平均灰度；μy为输出的重建修复图像数据的平均灰度；L为图像数据的灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；σx表示x的标准差；σy表示y的标准差；K2＜＜1；σxy为x，y的协方差，K3＜＜1，N表示输入的待识别图像数据和输出的重建修复图像数据的像素大小，N＝1，2，3，...，i。
然后通过结构相似性指数函数计算待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值。
S14：基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。
在本发明具体实施过程中，所述基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷，包括：将所述重建误差值与预设阈值进行比较，并根据比较结果判断所述带缺陷识别图像数据是否存在缺陷；所述预设阈值确定步骤如下：确定初始阈值，将验证集输入训练收敛的去噪卷积自编码器中进行测试，若测试结果中所述验证集中存在缺陷样本，则按照预设比例对初始阈值进行增加，所述验证集内的样本图像均为正常样本图像；利用验证集重新对训练收敛的去噪卷积自编码器中进行测试，直至输出的测试结果的所述验证集中不存在缺陷样本，则确定增加后的初始阈值为预设阈值。
具体的，逐像素绘制输入图像与输出的修复为正常样本的图像对比过程中显现的差异，绘制误差的轮廓，每个轮廓定位一个缺陷，通过计算这些轮廓面积的总和，计算最终的重建误差。输入图像和修复后输出图像的重建误差决定了输入是否存在缺陷，若重建误差高于阈值，则认为输入有缺陷，否则视为正常样本，确定最佳阈值的步骤如下：(1)确定一个较小的初始阈值T；(2)使用由正常样本组成的验证集对去噪卷积自编码器进行测试，若检测出验证集中存在缺陷样本，则增大阈值的值；(3)重复上述步骤，直到验证集中全部样本都被检测为正常样本为止，确定此时阈值为最佳阈值，其中，最佳阈值即为预设阈值。
在本发明实施例中，克服了缺陷检测过程中单一种类缺陷难以搜集到足以用于训练的样本数量且数据采集过程无法采集所有缺陷种类和缺陷样本标注困难的难题。相比于有监督学习模型,本方法能够检测到偏离预期的缺陷或没有出现过的缺陷。采用少量正常样本训练去噪卷积自编码器即可使其具备良好的对正常样本分布的重建和判别能力，当输入图像为缺陷样本图像时，通过对输入图像重建为正常样本图像，计算输入图像减去输出图像的重建误差，即可确定输入图像是否为缺陷样本并对缺陷部分进行定位。可以实现自动识别图像数据是否存在缺陷，从而判断产品是否存在缺陷，并且识别准确性高。
实施例二
请参阅图2，图2是本发明实施例中的基于去噪卷积自编码器的缺陷检测装置的结构组成示意图。
如图2所示，一种基于去噪卷积自编码器的缺陷检测装置，所述装置包括：
图像采集模块21：用于基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；
在本发明具体实施过程中，所述基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据，包括：将用于传输所述待缺陷识别目标传输带分为3段，其中左侧段和右侧段为工业传输带，中间段传输带为透明传输带；在所述透明传输带的正上方、左侧、右侧及正下方分别设置一个图像采集设备，形成多视点实时图像采集装置；基于所述多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据。
具体的，如图3所示，将传输带分为3段，左侧段和右侧段为正常的工业传输带，中间段传输带为达到可以从传输带下方获取样本底部截面图的目的，设置为透明传输带，该段传输带传输段长为1至2米；(2)在透明段传输带的正上方，左侧和右侧还有正下方分别安装一个摄像头，4个摄像头呈环形布置，保证可以采集到玩具样本各个方向的截面图；通过上述方式部署图像采集设备，形成多视点实时图像采集装置；然后根据多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据。
重建修复模块22：用于将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；
在本发明具体实施过程中，所述去噪卷积自编码器为将输入还原输出的神经网络模型；所述去噪卷积自编码器由编码器和解码器组成。
进一步的，所述去噪卷积自编码器的训练过程包括：获得训练样本图像，所述训练样本图像中包括正常样本图像和缺陷样本图像；基于所述训练样本图像划分训练集和测试集，其中，所述训练集中为正常样本图像，所述测试集中包含正常样本图像和缺陷样本图像，所述训练集和测试集中的样本图像数量比例为9:1；对所述训练集中的训练样本图像进行添加椒盐噪声处理，获得预处理后的训练集；将预处理后的训练集内的训练样本图像输入去噪卷积自编码器中进行训练，获得训练后的去噪卷积自编码器；利用所述测试集对训练后的去噪卷积自编码器进行测试，获得测试结果；基于测试结果判断训练后的去噪卷积自编码器是否收敛，若否，则基于反向传播算法更新训练后的去噪卷积自编码器的参数，并利用预处理后的训练集进行重新训练，直至收敛为止。
进一步的，所述将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据，包括：训练收敛的去噪卷积自编码器中的编码器将输入的待识别图像数据经过三层网络编码形成M*M个特征的向量，其中每层网络由4层子层组成，依次包括卷积层、批量归一化层、激活函数层和最大池化层；将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据。
进一步的，所述解码器依次包括卷积层、批量归一化层、激活函数层和上采样层；
所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据，包括：所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器依次经过卷积层、批量归一化层、激活函数层得到k个特征图进行特征重构处理，获得重构特征；所述解码器的上采样层将所述重构特征还原成输入图像大小的图像，形成重建修复图像数据并输出。
首先，去噪卷积自编码器为将输入还原输出的神经网络模型；去噪卷积自编码器由编码器和解码器组成，如图4所示；在对去噪卷积自编码器进行训练的时候，需要训练样本，训练样本的获取，有在实际工厂环境中获取，(3)在实际的工厂环境中，正常样本大量存在且易于获取，缺陷样本较为稀少且缺陷种类多样，单一种类的缺陷难以搜集到足以用于训练的样本数量且极易出现未知的缺陷种类，因此采集大量正常样本图片和少量缺陷样本图片，生成只包含正常样本图片的训练集和验证集，和同时包含正常样本图片和缺陷样本图片的测试集。在利用训练集对卷积自编码器训练之前，有必要对训练集进行一定的预处理，为了迫使网络学习更多有用的特性，对训练集中的玩具样本图像添加椒盐噪声，将其作为去噪卷积自编码器的输入。网络被迫从添加噪声的图像中进行修复，学习了样本完整的主要特征，增强了网络的泛化能力和鲁棒性。
即在获得训练样本图像之后，该训练样本图像中包括正常样本图像和缺陷样本图像；将训练样本图像划分训练集和测试集，其中，训练集中为正常样本图像，测试集中包含正常样本图像和缺陷样本图像，训练集和测试集中的样本图像数量比例为9:1；对训练集中的训练样本图像进行添加椒盐噪声处理，获得预处理后的训练集；将预处理后的训练集内的训练样本图像输入去噪卷积自编码器中进行训练，获得训练后的去噪卷积自编码器；利用测试集对训练后的去噪卷积自编码器进行测试，获得测试结果；根据测试结果判断训练后的去噪卷积自编码器是否收敛，若否，则利用反向传播算法更新训练后的去噪卷积自编码器的参数，并利用预处理后的训练集进行重新训练，直至收敛为止。
在重建修复处理中，通过将待识别图像数据输入训练收敛的去噪卷积自编码器中，在训练收敛的去噪卷积自编码器中的编码器经过3层网络编码成包含M*M个特征的向量，其中每层网络由4个子层组成，分别为卷积层、批量归一化层、激活函数层和最大池化层。经过前三个子层将输入压缩为潜在空间表示，可用编码函数h＝f(x)表示，公式如下：
hk＝σ(x*wk+bk)；
其中，k表示卷积核个数；wk和bk分别表示卷积核的权重和偏置；σ表示Relu激活函数。
对上面生成的特征图进行池化操作，保留池化时的位置关系的矩阵；解码器部分将编码器输出的包含M*M个特征的向量作为输入，其中每层网络由4个子层组成，分别为卷积层、批量归一化层、激活函数层和上采样层。经过前三子层对得到的k个特征图h进行特征重构，可得：
Figure BDA0002998255030000151
利用上采样层将输出特征y还原成输入图像大小，从而得到N*N大小的修复重建后的正常样本图像，即可输出重建修复图像数据。
重建误差值获得模块23：用于基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；
在本发明具体实施过程中，所述基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值，包括：构建亮度对比函数、对比度对比函数和结构对比函数；基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数；基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值。
进一步的，所述亮度对比函数如下：
Figure BDA0002998255030000152
Figure BDA0002998255030000153
C1(K1L)2；
所述对比度对比函数如下：
Figure BDA0002998255030000161
Figure BDA0002998255030000162
C2＝(K2L)2；
所述结构对比函数如下：
Figure BDA0002998255030000163
Figure BDA0002998255030000164
C3＝(K3L)2；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数如下：
SSIM(x，y)＝[l(x，y)]α[c(x，y)]β[s(x，y)]γ；
在α，β，λ＞0时，为了简化SSIM(x，y)，假设α＝β＝γ＝1，
Figure BDA0002998255030000165
即有：
Figure BDA0002998255030000166
其中，x，y分别为输入的待识别图像数据和输出的重建修复图像数据；μx为输入的待识别图像数据的平均灰度；μy为输出的重建修复图像数据的平均灰度；L为图像数据的灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；σx表示x的标准差；σy表示y的标准差；K2＜＜1；σxy为x，y的协方差，K3＜＜1，N表示输入的待识别图像数据和输出的重建修复图像数据的像素大小，N＝1，2，3，...，i。
具体的，结构相似性(SSIM)是一种衡量两幅图像相似度的指标，结构相似性的范围为[-1，1]，当两张图像一模一样时，SSIM的值等于1。SSIM测量系统可由三种对比模块组成，分别为：亮度，对比度，结构，设具体计算步骤如下所示：
对于离散信号，首先以平均灰度来作为亮度测量的估计，亮度对比函数，公式如下所示：
Figure BDA0002998255030000169
Figure BDA0002998255030000167
C1(K1L)2；
所述对比度对比函数如下：
Figure BDA0002998255030000168
Figure BDA0002998255030000171
C2＝(K2L)2；
所述结构对比函数如下：
Figure BDA0002998255030000172
Figure BDA0002998255030000173
C3(K3L)2；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数如下：
SSIM(x，y)＝[l(x，y)]α[c(x，y)]β[s(x，y)]γ；
在α，β，λ＞0时，为了简化SSIM(x，y)，假设α＝β＝γ＝1，
Figure BDA0002998255030000174
即有：
Figure BDA0002998255030000175
其中，x，y分别为输入的待识别图像数据和输出的重建修复图像数据；μx为输入的待识别图像数据的平均灰度；μy为输出的重建修复图像数据的平均灰度；L为图像数据的灰度级数，对于8-bit灰度图像，L＝255，K1＜＜1；σx表示x的标准差；σy表示y的标准差；K2＜＜1；σxy为x，y的协方差，K3＜＜1，N表示输入的待识别图像数据和输出的重建修复图像数据的像素大小，N＝1，2，3，...，i。
然后通过结构相似性指数函数计算待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值。
判断模块24：用于基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。
在本发明具体实施过程中，所述基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷，包括：将所述重建误差值与预设阈值进行比较，并根据比较结果判断所述带缺陷识别图像数据是否存在缺陷；所述预设阈值确定步骤如下：确定初始阈值，将验证集输入训练收敛的去噪卷积自编码器中进行测试，若测试结果中所述验证集中存在缺陷样本，则按照预设比例对初始阈值进行增加，所述验证集内的样本图像均为正常样本图像；利用验证集重新对训练收敛的去噪卷积自编码器中进行测试，直至输出的测试结果的所述验证集中不存在缺陷样本，则确定增加后的初始阈值为预设阈值。
具体的，逐像素绘制输入图像与输出的修复为正常样本的图像对比过程中显现的差异，绘制误差的轮廓，每个轮廓定位一个缺陷，通过计算这些轮廓面积的总和，计算最终的重建误差。输入图像和修复后输出图像的重建误差决定了输入是否存在缺陷，若重建误差高于阈值，则认为输入有缺陷，否则视为正常样本，确定最佳阈值的步骤如下：(1)确定一个较小的初始阈值T；(2)使用由正常样本组成的验证集对去噪卷积自编码器进行测试，若检测出验证集中存在缺陷样本，则增大阈值的值；(3)重复上述步骤，直到验证集中全部样本都被检测为正常样本为止，确定此时阈值为最佳阈值，其中，最佳阈值即为预设阈值。
在本发明实施例中，克服了缺陷检测过程中单一种类缺陷难以搜集到足以用于训练的样本数量且数据采集过程无法采集所有缺陷种类和缺陷样本标注困难的难题。相比于有监督学习模型,本方法能够检测到偏离预期的缺陷或没有出现过的缺陷。采用少量正常样本训练去噪卷积自编码器即可使其具备良好的对正常样本分布的重建和判别能力，当输入图像为缺陷样本图像时，通过对输入图像重建为正常样本图像，计算输入图像减去输出图像的重建误差，即可确定输入图像是否为缺陷样本并对缺陷部分进行定位。可以实现自动识别图像数据是否存在缺陷，从而判断产品是否存在缺陷，并且识别准确性高。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于去噪卷积自编码器的缺陷检测方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于去噪卷积自编码器的缺陷检测方法，其特征在于，所述方法包括：
基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；
将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；
基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；
基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。
2.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据，包括：
将用于传输所述待缺陷识别目标传输带分为3段，其中左侧段和右侧段为工业传输带，中间段传输带为透明传输带；
在所述透明传输带的正上方、左侧、右侧及正下方分别设置一个图像采集设备，形成多视点实时图像采集装置；
基于所述多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据。
3.根据权利要求1所述的缺陷检测方法，其特征在于，所述去噪卷积自编码器为将输入还原输出的神经网络模型；所述去噪卷积自编码器由编码器和解码器组成。
4.根据权利要求1或3所述的缺陷检测方法，其特征在于，所述去噪卷积自编码器的训练过程包括：
获得训练样本图像，所述训练样本图像中包括正常样本图像和缺陷样本图像；
基于所述训练样本图像划分训练集和测试集，其中，所述训练集中为正常样本图像，所述测试集中包含正常样本图像和缺陷样本图像，所述训练集和测试集中的样本图像数量比例为9:1；
对所述训练集中的训练样本图像进行添加椒盐噪声处理，获得预处理后的训练集；
将预处理后的训练集内的训练样本图像输入去噪卷积自编码器中进行训练，获得训练后的去噪卷积自编码器；
利用所述测试集对训练后的去噪卷积自编码器进行测试，获得测试结果；
基于测试结果判断训练后的去噪卷积自编码器是否收敛，若否，则基于反向传播算法更新训练后的去噪卷积自编码器的参数，并利用预处理后的训练集进行重新训练，直至收敛为止。
5.根据权利要求1所述的缺陷检测方法，其特征在于，所述将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据，包括：
训练收敛的去噪卷积自编码器中的编码器将输入的待识别图像数据经过三层网络编码形成M*M个特征的向量，其中每层网络由4层子层组成，依次包括卷积层、批量归一化层、激活函数层和最大池化层；
将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据。
6.根据权利要求5所述的缺陷检测方法，其特征在于，所述解码器依次包括卷积层、批量归一化层、激活函数层和上采样层；
所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器进行解码处理，输出重建修复图像数据，包括：
所述将所述M*M个特征的向量输入训练收敛的去噪卷积自编码器中的解码器依次经过卷积层、批量归一化层、激活函数层得到k个特征图进行特征重构处理，获得重构特征；
所述解码器的上采样层将所述重构特征还原成输入图像大小的图像，形成重建修复图像数据并输出。
7.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值，包括：
构建亮度对比函数、对比度对比函数和结构对比函数；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数；
基于结构相似性指数函数计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值。
8.根据权利要求7所述的缺陷检测方法，其特征在于，所述亮度对比函数如下：
Figure FDA0002998255020000031
Figure FDA0002998255020000032
C1＝(K1L)2；
所述对比度对比函数如下：
Figure FDA0002998255020000033
Figure FDA0002998255020000034
C2＝(K2L)2；
所述结构对比函数如下：
Figure FDA0002998255020000035
Figure FDA0002998255020000036
C3＝(K3L)2；
基于所述亮度对比函数、所述对比度对比函数和所示结构对比函数形成结构相似性指数函数如下：
SSIM(x，y)＝[l(x，y)]α[c(x，y)]β[s(x，y)]γ；
在α，β，λ＞0时，为了简化SSIM(x，y)，假设α＝β＝γ＝1，
Figure FDA0002998255020000041
即有：
Figure FDA0002998255020000042
其中，x，y分别为输入的待识别图像数据和输出的重建修复图像数据；μx为输入的待识别图像数据的平均灰度；μy为输出的重建修复图像数据的平均灰度；L为图像数据的灰度级数对于8-bit灰度图像，L＝255，K1＜＜1；σx表示x的标准差；σy表示y的标准差；K2＜＜1；σxy为x，y的协方差，K3＜＜1，N表示输入的待识别图像数据和输出的重建修复图像数据的像素大小，N＝1,2,3，...，i。
9.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷，包括：
将所述重建误差值与预设阈值进行比较，并根据比较结果判断所述带缺陷识别图像数据是否存在缺陷；
所述预设阈值确定步骤如下：
确定初始阈值，将验证集输入训练收敛的去噪卷积自编码器中进行测试，若测试结果中所述验证集中存在缺陷样本，则按照预设比例对初始阈值进行增加，所述验证集内的样本图像均为正常样本图像；
利用验证集重新对训练收敛的去噪卷积自编码器中进行测试，直至输出的测试结果的所述验证集中不存在缺陷样本，则确定增加后的初始阈值为预设阈值。
10.一种基于去噪卷积自编码器的缺陷检测装置，其特征在于，所述装置包括：
图像采集模块：用于基于构建的多视点实时图像采集装置实时采集待缺陷识别目标的待缺陷识别图像数据；
重建修复模块：用于将所述待识别图像数据输入训练收敛的去噪卷积自编码器中进行重建修复处理，输出重建修复图像数据；
重建误差值获得模块：用于基于结构相似性计算所述待缺陷识别图像数据和重建修复图像数据之间的重建误差，获得重建误差值；
判断模块：用于基于所述重建误差值判断所述带缺陷识别图像数据是否存在缺陷。
CN202110337849.8A 2021-03-30 2021-03-30 一种基于去噪卷积自编码器的缺陷检测方法及装置 Pending CN113129272A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110337849.8A CN113129272A (zh) 2021-03-30 2021-03-30 一种基于去噪卷积自编码器的缺陷检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110337849.8A CN113129272A (zh) 2021-03-30 2021-03-30 一种基于去噪卷积自编码器的缺陷检测方法及装置

Publications (1)

Publication Number Publication Date
CN113129272A true CN113129272A (zh) 2021-07-16

Family

ID=76775070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110337849.8A Pending CN113129272A (zh) 2021-03-30 2021-03-30 一种基于去噪卷积自编码器的缺陷检测方法及装置

Country Status (1)

Country Link
CN (1) CN113129272A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114005514A (zh) * 2021-11-26 2022-02-01 杭州涿溪脑与智能研究所 医学影像诊断方法、系统及装置
CN114022442A (zh) * 2021-11-03 2022-02-08 武汉智目智能技术合伙企业(有限合伙) 一种基于无监督学习的织物疵点检测算法
CN114066811A (zh) * 2021-10-13 2022-02-18 华南理工大学 一种工业产品异常检测方法、系统、装置及存储介质
CN114612434A (zh) * 2022-03-14 2022-06-10 北京理工大学 一种波纹管表面缺陷检测方法及系统
CN114677342A (zh) * 2022-03-14 2022-06-28 西南交通大学 一种无监督缺陷检测方法
CN115115921A (zh) * 2022-07-05 2022-09-27 广东利扬芯片测试股份有限公司 基于残差网路的晶圆缺陷模式识别方法
CN115239893A (zh) * 2022-09-23 2022-10-25 运易通科技有限公司 一种用于仓库顶棚太阳能板缺陷检测的图像重建方法
CN117314909A (zh) * 2023-11-29 2023-12-29 无棣源通电子科技有限公司 基于人工智能的电路板缺陷检测方法、装置、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316295A (zh) * 2017-07-02 2017-11-03 苏州大学 一种基于深度神经网络的织物瑕疵检测方法
US20180131815A1 (en) * 2015-07-15 2018-05-10 Hp Indigo B.V. Image defect detection
CN109872313A (zh) * 2019-02-15 2019-06-11 苏州晓创光电科技有限公司 一种基于深度卷积自编码器的产品表面缺陷检测方法
CN111179235A (zh) * 2019-12-23 2020-05-19 沈阳先进医疗设备技术孵化中心有限公司 图像检测模型的生成方法及装置、应用方法及装置
CN111239142A (zh) * 2020-03-17 2020-06-05 中科创达软件股份有限公司 膏体外观缺陷检测设备及方法
CN111311598A (zh) * 2020-05-09 2020-06-19 创新奇智(南京)科技有限公司 基于多视角的紧固件表面缺陷检测方法及装置
CN111383209A (zh) * 2019-12-20 2020-07-07 华南理工大学 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN211553797U (zh) * 2019-12-24 2020-09-22 无锡赛默斐视科技有限公司 一种地板表面缺陷检测系统
CN111967571A (zh) * 2020-07-07 2020-11-20 华东交通大学 一种基于mhma的异常检测方法和设备
CN112446869A (zh) * 2020-11-27 2021-03-05 鹏城实验室 基于深度学习的无监督工业品缺陷检测方法及装置

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180131815A1 (en) * 2015-07-15 2018-05-10 Hp Indigo B.V. Image defect detection
CN107316295A (zh) * 2017-07-02 2017-11-03 苏州大学 一种基于深度神经网络的织物瑕疵检测方法
CN109872313A (zh) * 2019-02-15 2019-06-11 苏州晓创光电科技有限公司 一种基于深度卷积自编码器的产品表面缺陷检测方法
CN111383209A (zh) * 2019-12-20 2020-07-07 华南理工大学 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN111179235A (zh) * 2019-12-23 2020-05-19 沈阳先进医疗设备技术孵化中心有限公司 图像检测模型的生成方法及装置、应用方法及装置
CN211553797U (zh) * 2019-12-24 2020-09-22 无锡赛默斐视科技有限公司 一种地板表面缺陷检测系统
CN111239142A (zh) * 2020-03-17 2020-06-05 中科创达软件股份有限公司 膏体外观缺陷检测设备及方法
CN111311598A (zh) * 2020-05-09 2020-06-19 创新奇智(南京)科技有限公司 基于多视角的紧固件表面缺陷检测方法及装置
CN111967571A (zh) * 2020-07-07 2020-11-20 华东交通大学 一种基于mhma的异常检测方法和设备
CN112446869A (zh) * 2020-11-27 2021-03-05 鹏城实验室 基于深度学习的无监督工业品缺陷检测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
余文勇等: "基于轻量化重构网络的表面缺陷视觉检测", 《自动化学报》, pages 1 - 16 *
方忠祥: "基于自动编码器的塑料制品表面缺陷检测", 《塑料科技》, pages 80 - 82 *
祝严刚: "一种改进的非局部均值图像去噪算法", 《计算机工程与应用》, 15 September 2017 (2017-09-15), pages 192 - 198 *
邓凯文: "一种基于结构相似度的多视点码率分配方法", 《深圳信息职业技术学院学报》, 30 September 2014 (2014-09-30), pages 31 - 34 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114066811A (zh) * 2021-10-13 2022-02-18 华南理工大学 一种工业产品异常检测方法、系统、装置及存储介质
CN114066811B (zh) * 2021-10-13 2024-03-19 华南理工大学 一种工业产品异常检测方法、系统、装置及存储介质
CN114022442A (zh) * 2021-11-03 2022-02-08 武汉智目智能技术合伙企业(有限合伙) 一种基于无监督学习的织物疵点检测算法
CN114005514A (zh) * 2021-11-26 2022-02-01 杭州涿溪脑与智能研究所 医学影像诊断方法、系统及装置
CN114005514B (zh) * 2021-11-26 2022-07-29 杭州涿溪脑与智能研究所 医学影像诊断方法、系统及装置
CN114612434A (zh) * 2022-03-14 2022-06-10 北京理工大学 一种波纹管表面缺陷检测方法及系统
CN114677342A (zh) * 2022-03-14 2022-06-28 西南交通大学 一种无监督缺陷检测方法
CN115115921A (zh) * 2022-07-05 2022-09-27 广东利扬芯片测试股份有限公司 基于残差网路的晶圆缺陷模式识别方法
CN115239893A (zh) * 2022-09-23 2022-10-25 运易通科技有限公司 一种用于仓库顶棚太阳能板缺陷检测的图像重建方法
CN117314909A (zh) * 2023-11-29 2023-12-29 无棣源通电子科技有限公司 基于人工智能的电路板缺陷检测方法、装置、设备及介质
CN117314909B (zh) * 2023-11-29 2024-02-09 无棣源通电子科技有限公司 基于人工智能的电路板缺陷检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN113129272A (zh) 一种基于去噪卷积自编码器的缺陷检测方法及装置
CN110599409B (zh) 基于多尺度卷积组与并行的卷积神经网络图像去噪方法
CN111182292B (zh) 无参考视频质量评估方法、系统、视频接收器、智能终端
CN110796637A (zh) 图像缺陷检测模型的训练、测试方法、装置及存储介质
CN112116601B (zh) 基于生成对抗残差网络的压缩感知采样重建方法及系统
CN111383209A (zh) 一种基于全卷积自编码器网络的无监督瑕疵检测方法
CN112465718B (zh) 一种基于生成对抗网络的两阶段图像修复方法
CN110619618A (zh) 一种表面缺陷检测方法、装置及电子设备
CN112837295A (zh) 一种基于生成对抗网络的橡胶手套缺陷检测方法
CN112001960A (zh) 基于多尺度残差金字塔注意力网络模型的单目图像深度估计方法
CN107633272B (zh) 一种基于小样本下压缩感知的dcnn纹理疵点识别方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN112967327A (zh) 基于联合自注意力机制的单目深度方法
CN112446869A (zh) 基于深度学习的无监督工业品缺陷检测方法及装置
CN114565594A (zh) 基于软掩膜对比损失的图像异常检测方法
CN115830004A (zh) 表面缺陷检测方法、装置、计算机设备和存储介质
CN116757955A (zh) 一种基于全维动态卷积多融合对比网络
CN110930378A (zh) 基于低数据需求的肺气肿影像处理方法及系统
CN112258470A (zh) 基于缺陷检测的工业图像临界压缩率智能分析系统及方法
CN117422619A (zh) 图像重建模型的训练方法、图像重建方法、装置及设备
CN117036243A (zh) 刨花板表面缺陷检测的方法、装置、设备和存储介质
CN116363075A (zh) 一种光伏组件热斑检测方法、系统和电子设备
CN115147418A (zh) 缺陷检测模型的压缩训练方法和装置
CN118172283A (zh) 基于改进gUNet模型的海上目标图像去雾方法
CN117557487A (zh) 基于pix2pixHD的光滑物体高光去除方法、系统及缺陷检测装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination