CN113592830B - 一种图像缺陷检测方法、装置及存储介质 - Google Patents
一种图像缺陷检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113592830B CN113592830B CN202110892391.2A CN202110892391A CN113592830B CN 113592830 B CN113592830 B CN 113592830B CN 202110892391 A CN202110892391 A CN 202110892391A CN 113592830 B CN113592830 B CN 113592830B
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- reconstruction
- sample data
- detected
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 133
- 238000001514 detection method Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000002950 deficient Effects 0.000 claims abstract description 26
- 230000008439 repair process Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001737 promoting effect Effects 0.000 claims 4
- 230000008569 process Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 238000010023 transfer printing Methods 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种图像缺陷检测方法、装置及存储介质,所述图像缺陷检测方法,包括:获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据,结合样本数据,确定图像重构模型,将待检测图像输入图像重构模型,获取待检测图像的修复图像,计算修复图像与待检测图像的残差图像,根据残差图像确定对待检测图像的缺陷检测结果。本申请提供的图像缺陷检测方法,不需要获取大量的缺陷图像作为样本数据对图像检测模型进行训练,从而避免了人工对缺陷图像中问题进行标记的过程,在保证图像缺陷检测精准度的同时,降低了成本,检测效率高。
Description
技术领域
本申请图像处理技术领域,尤其涉及一种图像缺陷检测方法、装置及存储介质。
背景技术
在日常生活中,对于证件的制证过程中,容易出现证件表面出现打印缺陷问题,如黑边、重影、文字或图像等转印不全等缺陷,此时就需要对制作的证件的表面图像出现的缺陷问题进行检测,以避免影像证件的正常使用。目前行业内传统证件表面图像缺陷检测方法多是通过人工智能,基于深度学习的监督学习方法进行图像缺陷检测,但这种基于深度学习的图像缺陷检测方法,需要耗费大量人工对获取的海量的样本数据中的缺陷进行标注,成本较高、检测效率较低、且检测结果的准确率难以保证。
发明内容
有鉴于此,本申请实施例解决的技术问题之一在于提供一种图像缺陷检测方法、装置及存储介质,用于对制作的证件表面图像存在的缺陷进行检测,以保证缺陷检测的准确率,提高检测效率,降低缺陷检测成本。
第一方面,本申请实施例提供一种图像缺陷检测方法,包括:
获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据;
根据所述样本数据,确定图像重构模型;
将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像;
计算所述修复图像与所述待检测图像的残差图像;
根据所述残差图像确定对所述待检测图像的缺陷检测结果。
可选的,在本申请的一种实施例中,根据所述残差图像确定对所述待检测图像的缺陷检测结果,包括:
根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,根据所述定位的结果,确定所述缺陷检测结果。
可选的,在本申请的一种实施例中,对所述残差图像上缺陷位置进行定位之前还包括:对所述残差图像进行降噪处理,获得所述残差图像的平滑图像;
所述根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,包括:根据预设的像素差异阈值,对所述平滑图像上的缺陷位置进行定位。
可选的,在本申请的一种实施例中,根据所述样本数据,确定图像重构模型,包括:
将所述样本数据中的至少一张无缺陷样本图像划分为包括至少两个不同区域的像素块;基于全卷积编码器,设计包含不同尺寸的卷积核的重构网络模型,其中,所述不同尺寸的卷积核与所述不同区域的像素块相对应;
根据包含至少一张无缺陷图像被划分为包括至少两个不同区域的像素块的样本数据,对所述重构网络模型进行训练,根据所述训练的结果确定所述图像重构模型。
可选的,在本申请的一种实施例中,所述图像缺陷检测方法还包括:
获得对所述重构网络模型进行训练时产生的输出图像;
计算所述输出图像与所述样本数据之间的重构误差;
根据所述重构误差对所述图像重构模型进行参数调整,以优化所述图像重构模型。
基于第一方面所述图像缺陷检测方法,本申请第二方面实施例还提供一种图像缺陷检测装置,包括:
获取模块,用于获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据;
确定模块,根据所述样本数据,确定图像重构模型;
处理模块,用于将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像;
计算模块,用于计算所述修复图像与所述待检测图像的残差图像;
检测模块,用于根据所述残差图像确定对所述待检测图像的缺陷检测结果。
可选地,在本申请的一种实施例中,所述检测模块还用于根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,根据所述定位的结果,确定所述缺陷检测结果。
可选地,在本申请的一种实施例中,所述图像缺陷检测装置还包括降噪模块,所述降噪模块用于所述检测模块根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位之前,对所述残差图像进行降噪处理,获得所述残差图像的平滑图像;
所述根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,包括:根据预设的像素差异阈值,对所述平滑图像上的缺陷位置进行定位。
可选地,在本申请的一种实施例中,所述确定模块还用于将所述样本数据中的至少一张无缺陷样本图像划分为包括至少两个不同区域的像素块;基于全卷积编码器,设计包含不同尺寸的卷积核的重构网络模型,其中,所述不同尺寸的卷积核与所述不同区域的像素块相对应;
根据包含至少一张无缺陷样本图像被划分为包括至少两个不同区域的像素块的样本数据,对包含不同尺寸的卷积核的重构网络模型进行训练;
根据所述训练的结果确定所述图像重构模型。
第三方面,本申请还提供一种存储介质,所述存储介质上存储有计算机程序,所述处理器执行所述存储介质上存储的计算机程序时,实现本申请第一方面所述的任意一种图像缺陷检测方法。
本申请实施例提供一种图像缺陷检测方法、装置及存储介质,所述图像缺陷检测方法包括:获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据,根据所述样本数据,确定图像重构模型,将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像,获取所述修复图像与所述待检测图像的残差图像,根据所述残差图像确定对所述待检测图像的缺陷检测结果。本申请提供的图像缺陷检测方法,不需要获取大量的缺陷图像作为样本数据对图像检测模型进行训练,从而避免了人工对缺陷图像中问题进行标记的过程,在保证图像缺陷检测精准度的同时,成本低、效率高。
附图说明
后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解,这些附图未必是按比值绘制的。附图中:
图1为本申请实施例提供的一种图像缺陷检测方法的流程图;
图2为本申请实施例提供的一种图像缺陷检测装置的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例的保护范围。
实施例一、
本申请实施例一提供一种图像缺陷检测方法,如图1所示,图1为本申请实施例提供的一种图像缺陷检测方法的流程图,所述图像缺陷检测方法,包括:
S101、获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据。
在本实施例的一种实现方式中,获取一定数量的被确定为没有缺陷的证件表面图像即可满足本实施例场景的需要,从而避免了传统的基于卷积神经网络实现图像缺陷检测的方法中需要尽量多的获取大量的缺陷证件图像作为样本数据,以保证图像检测的精度,同时另一方便还需耗费大量人力对该样本数据中缺陷信息进行标记,耗时长,成本高。本实施例中通过获取一定数量的无缺陷证件并将其直接作为样本数据,能够有效的避免耗费人力标记的过程,在保证图像缺陷检测精度的同时,提高图像缺陷检测效率。
S102、根据所述样本数据,确定图像重构模型。
在本实施例中,根据样本数据,确定用于将图像修复为该图像的无缺陷图像的图像重构模型,只需一定的量的无缺陷图像作为样本数据即可,此方式较之传统的通过神经网络模型进行图像缺陷检测过程前需要的样本数据大大减少,也无需人工进行缺陷标定,从而提高了模型的生成效率。
可选地,在实施例的一种实现场景中,根据所述样本数据,确定图像重构模型,包括:
将所述样本数据中的至少一张无缺陷证件图像划分为包括至少两个不同区域的像素块;基于全卷积编码器,设计包含对应至少两个不同区域的像素块的不同尺寸的卷积核的重构网络模型,其中,所述不同尺寸的卷积核与所述不同区域的像素块相对应;
根据包含至少一张无缺陷样本图像划分为包括至少两个不同区域的像素块的样本数据,对所述重构网络模型进行训练;
根据所述训练的结果确定所述图像重构模型。
在本实施例的上述实现场景中,为了进一步提高确定的图像重构模型的准确度,此时,可以将获取的样本数据的至少一张无缺陷证件图像的表面划分为包括至少两个不同区域的像素块,将确定的这些像素块作为重构网络模型的训练样本,对重构网络模型进行训练,以保证重构网络模型能够更加精确的对样本数据的不同区域进行识别和重构。
在上述实施例中,在构建图像重构模型时,由于对至少一张证件图像的表面进行了区域划分,形成了不同区域尺寸大小的像素块,此时为了进一步提高效率和准确性,还可以全卷积编码器,设计包含不同尺寸的卷积核的重构网络模型,有针对性将不同区域尺寸的像素块作为输入该重构网络模型中对应不同尺寸像素块的内核,以提高训练过程的效率和最终确定的图像重构模型的准确性。
在本实施例的上述实现场景中,在本实施例中,全卷积编码器是自编码器方法的一种延伸,其包括编码单元和解码单元,其通过将输入的图像进行编码,特征映射到隐层空间,然后解码单元对隐层空间的特征进行解码获得输入图像的重建样本,通过全卷积编码器确定图像重构模型,能够有效的提高图像重构模型的确定效率。
重构网络模型利用多个尺寸的卷积核获取输入图像的多尺度特征,并将划分的样本数据的多尺度特征输入其编码单元和解码单元,从而使得获取的输出图像包含多尺度特征信息,能够有效的提高获取的输出图像的准确性。
可选地,在本实施例的一种实现方式中,所述图像缺陷检测方法还包括:获得对所述重构网络模型进行训练时产生的输出图像;计算所述输出图像与所述样本数据之间的重构误差;根据所述重构误差对所述图像重构模型进行参数调整,以优化所述图像重构模型。
在本实施例的一种实现场景中,为了进一步提高确定的所述图像重构模型的准确度,此时,可以根据使用样本数据对重构网络模型进行训练时的输出图像和输入的样本数据之间的关系,确定样本数据与其预测无缺陷数据之间的重构误差,根据该重构误差对构建的图像重构模型进行参数优化,以更好的保证通过图像重构模型对图像重构的准确性。
在本实施例上述实现场景中,具体的,可以通过确定的重构误差计算样本数据的损失函数,通过确定的损失函数,促进网络收敛损失函数,例如基于L1损失(最小绝对偏差)和结构损失的组合损失函数,以适应如证件照图像上容易出现的个人信息图像缺陷和其他个性化非规则图像缺陷确定等较为复杂的图像缺陷进行重构需求,更好的保证构建的图像重构模型的适应性和准确性。
S103、将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像。
在本实施例的一种实现场景中,在待检测图像作为输入图像,通过确定的图像重构模型对待检测图像的无缺陷图像进行图像重构,将重构的无缺陷图像确定所述待检测图像的修复图像。
S104、计算所述修复图像与所述待检测图像的残差图像。
在本实施例中,根据所述模型重构模型输出的修复图像与输入图像之间的残差图像,可以清晰的两张图像之间的区别,从而能够方便的对待检测图像的缺陷问题进行定位。
S105、根据所述残差图像确定对所述待检测图像的缺陷检测结果。
可选地,在本实施例的一种实现方式中,根据所述残差图像确定对所述待检测图像的缺陷检测结果,包括:根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,根据所述定位的结果,确定所述缺陷检测结果。
在本实施例上述实现场景中,待检测图像与其修复图像之间必然存在不同或误差,不同区域的像素差也大不相同,有时候两者的像素差异非常小,并不会影响该证件图像的正常使用,此时,可以遍历残差图像的像素值,并根据设定的像素差异阈值,对待检测图像上的缺陷位置进行定位,将大于或等于该预设的像素差异阈值的定位位置确定的图像缺陷,从而通过确定缺陷定位检测结果,检测出真正影响证件使用的缺陷问题,从而提高证件缺陷检测的效率,同时也能够提高本实施例所述的图像缺陷检测方法的适用性,满足不同场景的图像缺陷检测需求。
在本实施例的一种实现场景中,获取修复图像与待检测图像残差图像,即可确定待检测图像的无缺陷图像与待检测图像之间的差别,从而方便快捷的根据残差图像对待检测图像的缺陷问题进行定位,完成对待检测图像的缺陷检测,检测效率快,准确性高。
可选地,在本实施例的一种实现场景中,该图像缺陷检测方法还包括:在对所述残差图像上缺陷位置进行定位之前还包括:对所述残差图像进行降噪处理,获得所述残差图像的平滑图像;
所述根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,包括:根据预设的像素差异阈值,对所述平滑图像上的缺陷位置进行定位。
在本实施例上述的实现场景中,为了进一步的提高对输入图像的缺陷检测,此时可以对得到的残差图像进行降噪处理,去除残差图像中的噪点,以获得该残差图像的平滑图像。在对图像缺陷进行定位时,将根据预设的像素差异阈值,对该平滑图像上缺陷位置进行定位的定位结果,确定为对待检测图像的缺陷检测结果。
本申请实施例提供一种图像缺陷检测方法,包括:获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据,根据所述样本数据,确定图像重构模型,将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像,获取所述修复图像与所述待检测图像的残差图像,根据所述残差图像确定对所述待检测图像的缺陷检测结果。本申请提供的图像缺陷检测方法,不需要获取大量的缺陷图像作为样本数据对图像检测模型进行训练,从而避免了人工对缺陷图像中问题进行标记的过程,在保证图像缺陷检测精准度的同时,成本低、效率高。
实施列二、
基于本申请第一方面所述的图像缺陷检测方法,本申请还提供一种图像缺陷检测装置20,如图2所示,图2为本申请实施例提供的一种图像缺陷检测20的结构示意图,该图像缺陷检测20包括:
获取模块201,用于获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据;
确定模块202,根据所述样本数据,确定图像重构模型;
处理模块203,用于将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像;
计算模块204,用于计算所述修复图像与所述待检测图像的残差图像;
检测模块205,用于根据所述残差图像确定对所述待检测图像的缺陷检测结果。
可选地,在本申请的一种实施例中,所述检测模块203还用于根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,根据所述定位的结果,确定所述缺陷检测结果。
可选地,在本申请的一种实施例中,所述图像缺陷检测装置20还包括降噪模块(附图中未示出),所述降噪模块用于所述检测模块根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位之前,对所述残差图像进行降噪处理,获得所述残差图像的平滑图像,所述检测模块203还用于根据预设的像素差异阈值,对所述平滑图像进上的缺陷位置进行定位。
可选地,在本申请的一种实施例中,所述确定模块202还用将所述样本数据中的至少一张无缺陷证件图像划分为包括至少两个不同区域的像素块;基于的全卷积编码器,设计包含对应至少两个不同区域的像素块的不同尺寸的卷积核的重构网络模型;根据包含至少一张无缺陷样本图像被划分为包括至少两个不同区域的像素块的样本数据,对包含不同尺寸的卷积核的重构网络模型进行训练;根据所述训练的结果确定所述图像重构模型。
可选地,在本申请的一种实施例中,所述图像缺陷检测装置20还包括优化模块(附图中未示出),所述优化模块用于获得对所述重构网络模型进行训练时产生的输出图像;计算所述输出图像与所述样本数据之间的重构误差;根据所述重构误差对所述图像重构模型进行参数调整,以优化所述图像重构模型。
本申请实施例提供一种图像缺陷检测装置,通过设置获取模块,获取无缺陷图像作为样本数据,设置确定模块基于全卷积自编码器,结合样本数据,确定图像重构模型;设置处理模块将所述待检测图像输入所述图像重构模型,获取所述待检测图像的修复图像;设置计算模块,计算修复图像与待检测图像之间的残差图像,设置检测模块根据所述残差图像确定对所述待检测图像的缺陷检测结果。这种图像检测装置的使用过程中,不需要获取大量的缺陷图像作为样本数据对图像检测模型进行训练,同时能够避免花费大量人工对缺陷图像中问题进行标记的过程,在保证图像缺陷检测精准度的同时,降低了成本,提高了图像检测效率,且结构简单,易于实现。
实施例三、
基于以上实施例提供的图像缺陷检测方法,本申请实施例三提供一种存储介质,该存储介质存储有计算机程序,处理器执行所述计算机程序时,实现如本申请实施例一所述的任意一种图像缺陷检测方法,所述方法包括但不限于:
获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据;
根据所述样本数据,确定图像重构模型;
将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像;
计算所述修复图像与所述待检测图像的残差图像;
根据所述残差图像确定对所述待检测图像的缺陷检测结果。
至此,本申请已经对本主题的特定实施例进行了描述说明。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种图像缺陷检测方法,其特征在于,包括:
获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据;
根据所述样本数据,确定图像重构模型;
将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像;
计算所述修复图像与所述待检测图像的残差图像;
根据所述残差图像确定对所述待检测图像的缺陷检测结果;
其中,所述根据所述样本数据,确定图像重构模型,包括:将所述样本数据中的至少一张无缺陷样本图像划分为包括至少两个不同区域的像素块;基于全卷积编码器,设计包含不同尺寸的卷积核的重构网络模型,其中,所述不同尺寸的卷积核与所述不同区域的像素块相对应;根据包含至少一张无缺陷样本图像被划分为包括至少两个不同区域的像素块的样本数据,对所述包含不同尺寸的卷积核的重构网络模型进行训练;根据所述训练的结果确定所述图像重构模型;
所述方法还包括:在所述将待检测图像输入到所述图像重构模型中之前:获得对所述重构网络模型进行训练时产生的输出图像,计算所述输出图像与所述样本数据的重构误差,通过所述重构误差计算样本数据的损失函数,促进网络收敛损失函数,对所述图像重构模型进行参数调整,以优化所述图像重构模型,其中,所述促进网络收敛损失函数为最小绝对偏差损失和结构损失的组合损失函数。
2.根据权利要求1所述的图像缺陷检测方法,其特征在于,根据所述残差图像确定对所述待检测图像的缺陷检测结果,包括:
根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位;
根据所述定位的结果,确定所述缺陷检测结果。
3.根据权利要求2所述的图像缺陷检测方法,其特征在于,对所述残差图像上缺陷位置进行定位之前还包括:对所述残差图像进行降噪处理,获得所述残差图像的平滑图像;
所述根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,包括:根据预设的像素差异阈值,对所述平滑图像上的缺陷位置进行定位。
4.根据权利要求1所述的图像缺陷检测方法,其特征在于,所述方法还包括:
获得对所述重构网络模型进行训练时产生的输出图像;
计算所述输出图像与所述样本数据之间的重构误差;
根据所述重构误差对所述图像重构模型进行参数调整,以优化所述图像重构模型。
5.一种图像缺陷检测装置,其特征在于,包括:
获取模块,用于获取无缺陷证件图像数据,将所述无缺陷证件图像数据作为样本数据;
确定模块,用于根据所述样本数据,确定图像重构模型;具体为:将所述样本数据中的至少一张无缺陷样本图像划分为包括至少两个不同区域的像素块;基于全卷积编码器,设计包含不同尺寸的卷积核的重构网络模型,其中,所述不同尺寸的卷积核与所述不同区域的像素块相对应;根据包含至少一张无缺陷样本图像被划分为包括至少两个不同区域的像素块的样本数据,对所述包含不同尺寸的卷积核的重构网络模型进行训练;根据所述训练的结果确定所述图像重构模型;
处理模块,用于将待检测图像输入到所述图像重构模型中,以确定所述待检测图像的修复图像;
计算模块,用于计算所述修复图像与所述待检测图像的残差图像;
检测模块,用于根据所述残差图像确定对所述待检测图像的缺陷检测结果;
所述确定模块还用于:在将待检测图像输入到所述图像重构模型中之前:获得对所述重构网络模型进行训练时产生的输出图像,计算所述输出图像与所述样本数据的重构误差,通过所述重构误差计算样本数据的损失函数,促进网络收敛损失函数,对所述图像重构模型进行参数调整,以优化所述图像重构模型,其中,所述促进网络收敛损失函数为最小绝对偏差损失和结构损失的组合损失函数。
6.根据权利要求5所述的图像缺陷检测装置,其特征在于,所述检测模块还用于根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位,根据所述定位的结果,确定所述缺陷检测结果。
7.根据权利要求6所述的图像缺陷检测装置,其特征在于,还包括降噪模块,所述降噪模块用于所述检测模块根据预设的像素差异阈值,对所述残差图像上的缺陷位置进行定位之前,对所述残差图像进行降噪处理,获得所述残差图像的平滑图像;
所述检测模块还用于根据预设的像素差异阈值,对所述平滑图像上的缺陷位置进行定位。
8.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,处理器执行所述存储介质上存储的计算机程序时,实现如权利要求1-4中任一项所述的图像缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892391.2A CN113592830B (zh) | 2021-08-04 | 2021-08-04 | 一种图像缺陷检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892391.2A CN113592830B (zh) | 2021-08-04 | 2021-08-04 | 一种图像缺陷检测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592830A CN113592830A (zh) | 2021-11-02 |
CN113592830B true CN113592830B (zh) | 2024-05-03 |
Family
ID=78255057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110892391.2A Active CN113592830B (zh) | 2021-08-04 | 2021-08-04 | 一种图像缺陷检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592830B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114612434B (zh) * | 2022-03-14 | 2023-02-03 | 北京理工大学 | 一种波纹管表面缺陷检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
CN108830319A (zh) * | 2018-06-12 | 2018-11-16 | 北京合众思壮科技股份有限公司 | 一种图像分类方法和装置 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN111402197A (zh) * | 2020-02-09 | 2020-07-10 | 西安工程大学 | 一种针对色织物裁片缺陷区域的检测方法 |
CN112734672A (zh) * | 2021-01-13 | 2021-04-30 | 大连理工大学 | 基于注意力形变卷积自动搜索的实时视频去雨方法 |
CN112818920A (zh) * | 2021-02-25 | 2021-05-18 | 哈尔滨工程大学 | 一种双时相高光谱图像空谱联合变化检测方法 |
CN113034563A (zh) * | 2021-02-22 | 2021-06-25 | 苏州易航远智智能科技有限公司 | 基于特征共享的自监督式单目深度估计方法 |
CN113066025A (zh) * | 2021-03-23 | 2021-07-02 | 河南理工大学 | 一种基于增量学习与特征、注意力传递的图像去雾方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3739513A1 (en) * | 2019-05-13 | 2020-11-18 | Fujitsu Limited | Surface defect identification method and apparatus |
-
2021
- 2021-08-04 CN CN202110892391.2A patent/CN113592830B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108062756A (zh) * | 2018-01-29 | 2018-05-22 | 重庆理工大学 | 基于深度全卷积网络和条件随机场的图像语义分割方法 |
WO2019233166A1 (zh) * | 2018-06-04 | 2019-12-12 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN108830319A (zh) * | 2018-06-12 | 2018-11-16 | 北京合众思壮科技股份有限公司 | 一种图像分类方法和装置 |
CN111402197A (zh) * | 2020-02-09 | 2020-07-10 | 西安工程大学 | 一种针对色织物裁片缺陷区域的检测方法 |
CN112734672A (zh) * | 2021-01-13 | 2021-04-30 | 大连理工大学 | 基于注意力形变卷积自动搜索的实时视频去雨方法 |
CN113034563A (zh) * | 2021-02-22 | 2021-06-25 | 苏州易航远智智能科技有限公司 | 基于特征共享的自监督式单目深度估计方法 |
CN112818920A (zh) * | 2021-02-25 | 2021-05-18 | 哈尔滨工程大学 | 一种双时相高光谱图像空谱联合变化检测方法 |
CN113066025A (zh) * | 2021-03-23 | 2021-07-02 | 河南理工大学 | 一种基于增量学习与特征、注意力传递的图像去雾方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113592830A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592830B (zh) | 一种图像缺陷检测方法、装置及存储介质 | |
CN111105425A (zh) | 一种基于颅脑影像数据的对称轴/对称面提取方法及系统 | |
CN114626437A (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN113888415B (zh) | 一种模型训练以及图像修复方法及装置 | |
CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
CN116342888B (zh) | 一种基于稀疏标注训练分割模型的方法及装置 | |
CN111563561A (zh) | 指纹图像的处理方法及装置 | |
CN111639684A (zh) | 一种数据处理模型的训练方法及装置 | |
CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
CN115018866A (zh) | 一种边界确定方法、装置、存储介质及电子设备 | |
CN112949642B (zh) | 一种文字生成方法、装置、存储介质及电子设备 | |
CN115600090A (zh) | 一种模型的所有权验证方法、装置、存储介质及电子设备 | |
CN110880182B (zh) | 图像分割模型训练方法、图像分割方法、装置及电子设备 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN113538463A (zh) | 一种动脉瘤分割方法、装置以及设备 | |
CN113160165A (zh) | 一种血管分割方法、装置以及设备 | |
CN110599527A (zh) | 一种mra影像数据的配准方法及装置 | |
CN111523539A (zh) | 一种文字检测方法及装置 | |
CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
CN117726907B (zh) | 一种建模模型的训练方法、三维人体建模的方法以及装置 | |
CN111881959B (zh) | 一种标识图像差异的方法及装置 | |
CN117523323B (zh) | 一种生成图像的检测方法及装置 | |
CN117788408A (zh) | 一种图像缺陷检测方法、装置及相关设备 | |
CN113011428A (zh) | 一种模型训练的方法以及装置 | |
CN114022674A (zh) | 一种图像分割方法、装置、存储介质及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |