CN114155244A - 缺陷检测方法、装置、设备及存储介质 - Google Patents
缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114155244A CN114155244A CN202210123306.0A CN202210123306A CN114155244A CN 114155244 A CN114155244 A CN 114155244A CN 202210123306 A CN202210123306 A CN 202210123306A CN 114155244 A CN114155244 A CN 114155244A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- training
- sample
- detection
- 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.)
- Granted
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
-
- 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
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明属于检测技术领域,公开了一种缺陷检测方法、装置、设备及存储介质。该方法包括:获取无缺陷图像和目标检测图像;根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。通过上述方式,根据预设缺陷样本生成模型和无缺陷图像进行缺陷生成得到仿真缺陷样本,通过大量仿真缺陷样本图像对缺陷样本图像集进行增广,增大了缺陷样本数量,利用数量增加后的缺陷样本对目标检测图像进行检测识别,提高了小样本缺陷检测时的精度。
Description
技术领域
本发明涉及检测技术领域,尤其涉及一种缺陷检测方法、装置、设备及存储介质。
背景技术
随着深度学习的不断发展,图像分类、目标检测、物体分割等任务取得了飞跃进步。深度学习技术在机器视觉领域的应用使得缺陷检测,相较于传统检测算法,取得了更高精度的检测效果。基于深度学习技术的神经网络模型的训练通常需要获取大量训练集样本。在许多实际工业生产场景中,尽管有大量无缺陷样本,缺陷样本数量往往有限,甚至于难以获取。极端小样本数量的缺陷样本严重制约了基于深度学习的缺陷检测方法的精度。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种缺陷检测方法、装置、设备及存储介质,旨在解决现有技术缺陷样本数量少导致缺陷检测时精度低的技术问题。
为实现上述目的,本发明提供了一种缺陷检测方法,所述方法包括以下步骤:
获取无缺陷图像和目标检测图像;
根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;
根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。
可选地,所述根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本,包括:
提取所述无缺陷图像中的缺陷位置和缺陷形状;
根据预设缺陷样本生成模型、缺陷位置以及缺陷型状进行缺陷生成,得到仿真缺陷样本。
可选地,所述根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本之前,还包括:
获取训练缺陷图像;
对所述训练缺陷图像进行图像预处理,得到标注缺陷图像;
根据所述标注缺陷图像和所述训练缺陷图像进行模型训练,得到预设缺陷样本生成模型。
可选地,所述对所述训练缺陷图像进行图像预处理,得到标注缺陷图像,包括:
提取所述训练缺陷图像中的初始缺陷位置和初始缺陷形状;
根据所述初始缺陷位置和所述初始缺陷形状对所述训练缺陷图像进行图像预处理,得到标注缺陷图像。
可选地,所述根据所述标注缺陷图像和所述训练缺陷图像进行模型训练得到预设缺陷样本生成模型,包括:
输入所述标注缺陷图像至缺陷生成器,得到初始生成图像;
输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数;
根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型。
可选地,所述输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数,包括:
输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到缺陷生成概率;
根据所述缺陷生成概率确定对抗损失和L1损失;
根据所述对抗损失和所述L1损失得到目标函数。
可选地,所述根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型,包括:
根据缺陷优化器对所述目标函数进行训练,得到所述目标函数的训练次数;
当所述训练次数达到预设轮次时,根据所述缺陷生成器得到预设缺陷样本生成模型。
此外,为实现上述目的,本发明还提出一种缺陷检测装置,所述缺陷检测装置包括:
获取模块,用于获取无缺陷图像和目标检测图像;
生成模块,用于根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;
检测模块,用于根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。
此外,为实现上述目的,本发明还提出一种缺陷检测设备,所述缺陷检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序,所述缺陷检测程序配置为实现如上文所述的缺陷检测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法。
本发明通过获取无缺陷图像和目标检测图像;根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。通过上述方式,根据预设缺陷样本生成模型和无缺陷图像进行缺陷生成得到仿真缺陷样本,通过大量仿真缺陷样本图像对缺陷样本图像集进行增广,增大了缺陷样本数量,利用数量增加后的缺陷样本对目标检测图像进行检测识别,提高了小样本缺陷检测时的精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的缺陷检测设备的结构示意图;
图2为本发明缺陷检测方法第一实施例的流程示意图;
图3为本发明缺陷检测方法第二实施例的流程示意图;
图4为本发明缺陷检测方法一实施例的预设缺陷样本生成模型训练流程示意图;
图5为本发明缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图。
如图1所示,该缺陷检测设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及缺陷检测程序。
在图1所示的缺陷检测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明缺陷检测设备中的处理器1001、存储器1005可以设置在缺陷检测设备中,所述缺陷检测设备通过处理器1001调用存储器1005中存储的缺陷检测程序,并执行本发明实施例提供的缺陷检测方法。
本发明实施例提供了一种缺陷检测方法,参照图2,图2为本发明一种缺陷检测方法第一实施例的流程示意图。
本实施例中,所述缺陷检测方法包括以下步骤:
步骤S10:获取无缺陷图像和目标检测图像。
需要说明的是,本实施例的执行主体为终端设备,终端设备的缺陷检测系统可获取无缺陷图像和目标检测图像,根据预设缺陷样本生成模型对无缺陷图像进行缺陷生成,得到仿真缺陷样本,根据仿真缺陷样本对无缺陷图像进行缺陷检测,从而得到缺陷检测结果。
可以理解的是,无缺陷图像指的是需要经过缺陷仿真的图像,目标检测图像指的是需要进行检测的缺陷图像集。
步骤S20:根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本。
需要说明的是,预设缺陷样本生成模型指的是通过卷积神经网络对训练缺陷图像进行学习训练得到的能够在无缺陷图像上生成缺陷的生成器网络模型。
可以理解的是,在得到无缺陷图像后,根据预设缺陷样本生成模型对无缺陷图像进行缺陷生成,得到仿真缺陷样本。仿真缺陷样本指的是无缺陷的无缺陷图像经过预设缺陷样本生成模型进行缺陷生成得到的。在本实施例中,无缺陷图像和仿真样本图像的尺寸均为256x256,也可为其他尺寸,但本实施例以256x256进行举例说明。
在具体实现中,为了得到与真实缺陷图相近的仿真缺陷样本,进一步地,所述根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本,包括:提取所述无缺陷图像中的缺陷位置和缺陷形状;根据预设缺陷样本生成模型、缺陷位置以及缺陷型状进行缺陷生成,得到仿真缺陷样本。
需要说明的是,由于无缺陷图像中需要添加缺陷区域按照仿真缺陷位置和仿真缺陷形状已添加掩膜,因此,预设缺陷样本生成模型提取添加掩膜处的缺陷位置和缺陷形状,按照缺陷位置和缺陷形状在无缺陷图像上进行缺陷生成,从而得到仿真缺陷样本。
步骤S30:根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。
需要说明的是,在得到仿真缺陷样本后,将仿真缺陷样本加入检测缺陷的训练数据集,从而根据训练数据集对目标检测图像进行缺陷目标检测,得到目标检测图像的缺陷检测结果。
本实施例通过获取无缺陷图像和目标检测图像;根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。通过上述方式,根据预设缺陷样本生成模型和无缺陷图像进行缺陷生成得到仿真缺陷样本,通过大量仿真缺陷样本图像对缺陷样本图像集进行增广,增大了缺陷样本数量,利用数量增加后的缺陷样本对目标检测图像进行检测识别,提高了小样本缺陷检测时的精度。
参考图3,图3为本发明一种缺陷检测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例缺陷检测方法在所述步骤S20之前,还包括:
步骤S21:获取训练缺陷图像。
需要说明的是,训练缺陷图像指的是存在真实缺陷的图像。
步骤S22:对所述训练缺陷图像进行图像预处理,得到标注缺陷图像。
需要说明的是,在得到训练缺陷图像后,对训练缺陷图像进行图像预处理指的是对训练缺陷图像进行缺陷标注,得到标注缺陷图像。
可以理解的是,为了得到准确的标注缺陷图像,从而得到能够生成仿真缺陷样本的预设缺陷样本生成模型,进一步地,所述对所述训练缺陷图像进行图像预处理,得到标注缺陷图像,包括:提取所述训练缺陷图像中的初始缺陷位置和初始缺陷形状;根据所述初始缺陷位置和所述初始缺陷形状对所述训练缺陷图像进行图像预处理,得到标注缺陷图像。
在具体实现中,提取训练缺陷图像中的初始缺陷位置和初始缺陷形状,根据初始缺陷位置和初始缺陷形状标注掩膜,形成缺陷数据和添加了掩膜的标注缺陷图像。
步骤S23:根据所述标注缺陷图像和所述训练缺陷图像进行模型训练,得到预设缺陷样本生成模型。
需要说明的是,在得到标注缺陷图像和训练缺陷图像后,基于标注缺陷图像和训练缺陷图像进行模型训练,得到预设缺陷样本生成模型。
可以理解的是,为了得到准确且真实的预设缺陷样本生成模型,进一步地,所述根据所述标注缺陷图像和所述训练缺陷图像进行模型训练得到预设缺陷样本生成模型,包括:输入所述标注缺陷图像至缺陷生成器,得到初始生成图像;输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数;根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型。
在具体实现中,将标注缺陷图像输入至缺陷生成器,得到训练仿真后的初始生成图像。缺陷生成器将输入标注缺陷图像的标注掩膜部分映射为缺陷的纹理与结构。缺陷生成器中包括编码器和解码器,编码器由一系列卷积模块构成,解码器由一系列反卷积模块构成。每个卷积模块包括卷积层、批量标准化和激活层 LeakyReLU,反卷积模块中包含反卷积层、批量标准化、激活层ReLU。缺陷生成器每个卷积模块和反卷积模块内的卷积层卷积核尺寸皆为4x4。在卷积层与反卷积层间有跳跃连接。缺陷生成器输出层的激活模块为Tanh。缺陷生成器的编码器网络结构为:Conv64-LeakyReLU-Conv128-BN-LeakyReLU-Conv256-BN-LeakyReLU-Conv512-LeakyReLU。解码器网络结构为:
Deconv512-BN-ReLU-Deconv256-BN-ReLU-Deconv128-BN-ReLU-Deconv64-Tanh。其中,Conv代表卷积层,Deconv代表反卷积层,Conv和Deconv之后的数字代表特征图的数量。BN代表批量标准化。LeakyReLU、ReLU、Tanh为不同的激活函数。
需要说明的是,将初始生成图像和训练缺陷图像输入至缺陷判别器,缺陷判别器输出目标函数。缺陷判别器用于区分真实分布与生成分布,从而促进缺陷生成器学习缺陷区域的真实分布。
可以理解的是,在得到目标函数后,根据目标函数和缺陷生成器得到预设缺陷样本生成模型。
在具体实现中,为了得到准确的目标函数,进一步地,所述输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数,包括:输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到缺陷生成概率;根据所述缺陷生成概率确定对抗损失和L1损失;根据所述对抗损失和所述L1损失得到目标函数。
需要说明的是,输入初始生成图像和训练缺陷图像至缺陷判别器,缺陷判别器会得到初始生成图像的生成缺陷图像真实性概率,生成缺陷图像真实性概率即为缺陷生成概率。
可以理解的是,在得到缺陷生成概率后,可确定对抗损失和L1损失,输入初始生成图像和训练缺陷图像至缺陷判别器,缺陷判别器由一系列卷积模块。每个卷积模块由一个卷积层、一个批量标准化层和一个激活层LeakyReLU构成。判别器由4个卷积模块构成,每个卷积模块内卷积层的卷积核大小为4x4。判别器的网络结构可以表示为:Conv64-BN-LeakyReLU-Conv128-BN-LeakyReLU-Conv256-BN-LeakyReLU-Conv512。其中,Conv代表卷积层,Conv之后的数字代表特征图的数量。BN代表批量标准化。LeakyReLU为激活函数。获取两个损失函数,两个损失函数分别为对抗损失和L1损失,对抗损失用于保证图的真实性,且对抗损失为,L1损失(即L1范数损失)用于保证初始生成图像和训练缺陷图像的内容相似度,且L1损失为,其中,G代表缺陷生成器,D代表缺陷判别器,E为总体训练缺陷图像的期望,x为输入的标注缺陷图像,y为训练缺陷图像。
在具体实现中,目标函数为对抗损失和L1范数损失两个损失函数相加得到的目标函数,为了得到准确的预设缺陷样本生成模型,进一步地,所述根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型,包括:根据缺陷优化器对所述目标函数进行训练,得到所述目标函数的训练次数;当所述训练次数达到预设轮次时,根据所述缺陷生成器得到预设缺陷样本生成模型。
需要说明的是,缺陷优化器指的是ADAM优化器,预设轮次指的是ADAM优化器对目标函数进行优化训练的目标次数,利用ADAM优化器对目标函数进行训练优化,当训练优化次数达到预设轮次时,则说明缺陷生成器输出的初始生成图像已和真实缺陷图像相似,且缺陷生成器和缺陷生成器二者达到稳定,此时根据缺陷生成器即为训练好的预设缺陷样本生成模型。
在具体实现中,如图4所示,对训练缺陷图像进行预处理,将处理后添加掩膜的标注缺陷图像输入至缺陷生成器,输出初始生成图像,将初始生成图像和训练缺陷图像输入至缺陷判别器,得到缺陷生成概率并反向传播优化,进行训练收敛,若缺陷生成器输出的初始生成图像达到预期即达到预设缺陷概率,则停止训练,若未达到预期,则返回执行将处理后添加掩膜的标注缺陷图像输入至缺陷生成器,输出初始生成图像的步骤和后续步骤,对缺陷生成器继续训练,直至缺陷生成器输出的初始生成图像达到预期。
本实施例通过获取训练缺陷图像;对所述训练缺陷图像进行图像预处理,得到标注缺陷图像;根据所述标注缺陷图像和所述训练缺陷图像进行模型训练,得到预设缺陷样本生成模型。通过训练缺陷图像进行预处理从而进行模型训练,提高了预设缺陷样本生成模型输出图像的真实性,保证了后续缺陷检测时的准确性。
此外,参照图5,本实施例还提出一种缺陷检测装置,所述缺陷检测装置包括:
获取模块10,用于获取无缺陷图像和目标检测图像。
生成模块20,用于根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本。
检测模块30,用于根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。
本实施例通过获取无缺陷图像和目标检测图像;根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。通过上述方式,根据预设缺陷样本生成模型和无缺陷图像进行缺陷生成得到仿真缺陷样本,通过大量仿真缺陷样本图像对缺陷样本图像集进行增广,增大了缺陷样本数量,利用数量增加后的缺陷样本对目标检测图像进行检测识别,提高了小样本缺陷检测时的精度。
在一实施例中,所述生成模块20,还用于提取所述无缺陷图像中的缺陷位置和缺陷形状;
根据预设缺陷样本生成模型、缺陷位置以及缺陷型状进行缺陷生成,得到仿真缺陷样本。
在一实施例中,所述生成模块20,还用于获取训练缺陷图像;
对所述训练缺陷图像进行图像预处理,得到标注缺陷图像;
根据所述标注缺陷图像和所述训练缺陷图像进行模型训练,得到预设缺陷样本生成模型。
在一实施例中,所述生成模块20,还用于提取所述训练缺陷图像中的初始缺陷位置和初始缺陷形状;
根据所述初始缺陷位置和所述初始缺陷形状对所述训练缺陷图像进行图像预处理,得到标注缺陷图像。
在一实施例中,所述生成模块20,还用于输入所述标注缺陷图像至缺陷生成器,得到初始生成图像;
输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数;
根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型。
在一实施例中,所述生成模块20,还用于输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到缺陷生成概率;
根据所述缺陷生成概率确定对抗损失和L1损失;
根据所述对抗损失和所述L1损失得到目标函数。
在一实施例中,所述生成模块20,还用于根据缺陷优化器对所述目标函数进行训练,得到所述目标函数的训练次数;
当所述训练次数达到预设轮次时,根据所述缺陷生成器得到预设缺陷样本生成模型。
由于本装置采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少具有上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的缺陷检测方法,此处不再赘述。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种缺陷检测方法,其特征在于,所述缺陷检测方法包括:
获取无缺陷图像和目标检测图像;
根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;
根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。
2.如权利要求1所述的缺陷检测方法,其特征在于,所述根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本,包括:
提取所述无缺陷图像中的缺陷位置和缺陷形状;
根据预设缺陷样本生成模型、缺陷位置以及缺陷型状进行缺陷生成,得到仿真缺陷样本。
3.如权利要求1所述的缺陷检测方法,其特征在于,所述根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本之前,还包括:
获取训练缺陷图像;
对所述训练缺陷图像进行图像预处理,得到标注缺陷图像;
根据所述标注缺陷图像和所述训练缺陷图像进行模型训练,得到预设缺陷样本生成模型。
4.如权利要求3所述的缺陷检测方法,其特征在于,所述对所述训练缺陷图像进行图像预处理,得到标注缺陷图像,包括:
提取所述训练缺陷图像中的初始缺陷位置和初始缺陷形状;
根据所述初始缺陷位置和所述初始缺陷形状对所述训练缺陷图像进行图像预处理,得到标注缺陷图像。
5.如权利要求3所述的缺陷检测方法,其特征在于,所述根据所述标注缺陷图像和所述训练缺陷图像进行模型训练得到预设缺陷样本生成模型,包括:
输入所述标注缺陷图像至缺陷生成器,得到初始生成图像;
输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数;
根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型。
6.如权利要求5所述的缺陷检测方法,其特征在于,所述输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到目标函数,包括:
输入所述初始生成图像和所述训练缺陷图像至缺陷判别器,得到缺陷生成概率;
根据所述缺陷生成概率确定对抗损失和L1损失;
根据所述对抗损失和所述L1损失得到目标函数。
7.如权利要求5所述的缺陷检测方法,其特征在于,所述根据所述目标函数和所述缺陷生成器得到预设缺陷样本生成模型,包括:
根据缺陷优化器对所述目标函数进行训练,得到所述目标函数的训练次数;
当所述训练次数达到预设轮次时,根据所述缺陷生成器得到预设缺陷样本生成模型。
8.一种缺陷检测装置,其特征在于,所述缺陷检测装置包括:
获取模块,用于获取无缺陷图像和目标检测图像;
生成模块,用于根据预设缺陷样本生成模型对所述无缺陷图像进行缺陷生成,得到仿真缺陷样本;
检测模块,用于根据所述仿真缺陷样本对所述目标检测图像进行缺陷检测,得到缺陷检测结果。
9.一种缺陷检测设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序,所述缺陷检测程序配置为实现如权利要求1至7中任一项所述的缺陷检测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现如权利要求1至7任一项所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123306.0A CN114155244B (zh) | 2022-02-10 | 2022-02-10 | 缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123306.0A CN114155244B (zh) | 2022-02-10 | 2022-02-10 | 缺陷检测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114155244A true CN114155244A (zh) | 2022-03-08 |
CN114155244B CN114155244B (zh) | 2022-05-31 |
Family
ID=80450213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210123306.0A Active CN114155244B (zh) | 2022-02-10 | 2022-02-10 | 缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114155244B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898177A (zh) * | 2022-05-09 | 2022-08-12 | 梅卡曼德(北京)机器人科技有限公司 | 缺陷图像生成方法、模型训练方法、设备、介质及产品 |
CN115239719A (zh) * | 2022-09-22 | 2022-10-25 | 南昌昂坤半导体设备有限公司 | 缺陷检测方法、系统、电子设备及存储介质 |
CN115409694A (zh) * | 2022-11-03 | 2022-11-29 | 季华实验室 | 语义引导的缺陷图像生成方法、装置、设备及存储介质 |
CN116580030A (zh) * | 2023-07-13 | 2023-08-11 | 厦门微图软件科技有限公司 | 一种基于异常仿真的焊接质量异常检测方法 |
CN117094986A (zh) * | 2023-10-13 | 2023-11-21 | 中山大学深圳研究院 | 基于小样本的自适应缺陷检测方法及终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019187372A1 (ja) * | 2018-03-30 | 2019-10-03 | Necソリューションイノベータ株式会社 | 予測システム、モデル生成システム、方法およびプログラム |
CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN111784663A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 零部件的检测方法、装置、电子设备及存储介质 |
CN112070712A (zh) * | 2020-06-05 | 2020-12-11 | 宁波大学 | 基于自编码器网络的印刷缺陷检测方法 |
US20210072162A1 (en) * | 2019-09-09 | 2021-03-11 | Hitachi, Ltd. | Optical condition determination system and optical condition determination method |
CN112651970A (zh) * | 2021-02-10 | 2021-04-13 | 北京平恒智能科技有限公司 | 基于样本集的单一背景下的目标仿真技术 |
-
2022
- 2022-02-10 CN CN202210123306.0A patent/CN114155244B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019187372A1 (ja) * | 2018-03-30 | 2019-10-03 | Necソリューションイノベータ株式会社 | 予測システム、モデル生成システム、方法およびプログラム |
US20210072162A1 (en) * | 2019-09-09 | 2021-03-11 | Hitachi, Ltd. | Optical condition determination system and optical condition determination method |
CN111524100A (zh) * | 2020-04-09 | 2020-08-11 | 武汉精立电子技术有限公司 | 一种缺陷图像样本生成方法、装置及面板缺陷检测方法 |
CN112070712A (zh) * | 2020-06-05 | 2020-12-11 | 宁波大学 | 基于自编码器网络的印刷缺陷检测方法 |
CN111784663A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 零部件的检测方法、装置、电子设备及存储介质 |
CN112651970A (zh) * | 2021-02-10 | 2021-04-13 | 北京平恒智能科技有限公司 | 基于样本集的单一背景下的目标仿真技术 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114898177A (zh) * | 2022-05-09 | 2022-08-12 | 梅卡曼德(北京)机器人科技有限公司 | 缺陷图像生成方法、模型训练方法、设备、介质及产品 |
CN115239719A (zh) * | 2022-09-22 | 2022-10-25 | 南昌昂坤半导体设备有限公司 | 缺陷检测方法、系统、电子设备及存储介质 |
CN115409694A (zh) * | 2022-11-03 | 2022-11-29 | 季华实验室 | 语义引导的缺陷图像生成方法、装置、设备及存储介质 |
CN115409694B (zh) * | 2022-11-03 | 2023-01-13 | 季华实验室 | 语义引导的缺陷图像生成方法、装置、设备及存储介质 |
CN116580030A (zh) * | 2023-07-13 | 2023-08-11 | 厦门微图软件科技有限公司 | 一种基于异常仿真的焊接质量异常检测方法 |
CN116580030B (zh) * | 2023-07-13 | 2023-10-20 | 厦门微图软件科技有限公司 | 一种基于异常仿真的焊接质量异常检测方法 |
CN117094986A (zh) * | 2023-10-13 | 2023-11-21 | 中山大学深圳研究院 | 基于小样本的自适应缺陷检测方法及终端设备 |
CN117094986B (zh) * | 2023-10-13 | 2024-04-05 | 中山大学深圳研究院 | 基于小样本的自适应缺陷检测方法及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114155244B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN114266773B (zh) | 显示面板缺陷定位方法、装置、设备及存储介质 | |
JP2022177232A (ja) | 画像処理方法、テキスト認識方法及び装置 | |
CN111291759A (zh) | 文字检测方法、装置、电子设备及存储介质 | |
CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
CN110674777A (zh) | 一种专利文本场景下的光学字符识别方法 | |
CN115984662B (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN114372968A (zh) | 结合注意力机制与自适应记忆性融合网络的瑕疵检测方法 | |
CN112861785B (zh) | 一种基于实例分割和图像修复的带遮挡行人重识别方法 | |
CN112308069A (zh) | 一种软件界面的点击测试方法、装置、设备及存储介质 | |
CN114647713A (zh) | 基于虚拟对抗的知识图谱问答方法、设备及存储介质 | |
CN111666937A (zh) | 一种图像中的文本识别方法及系统 | |
CN111651361A (zh) | 一种基于可视化页面的无脚本自动化测试方法 | |
CN116129224A (zh) | 检测模型的训练方法、分类方法、装置及电子设备 | |
CN115761366A (zh) | 补充缺失特征的零样本图片分类方法、系统、设备及介质 | |
CN112364974A (zh) | 一种基于激活函数改进的YOLOv3算法 | |
CN113762257B (zh) | 一种美妆品牌图像中标志的识别方法及装置 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN110889290B (zh) | 文本编码方法和设备、文本编码有效性检验方法和设备 | |
CN113836297B (zh) | 文本情感分析模型的训练方法及装置 | |
CN114708582A (zh) | 基于ai和rpa的电力数据智慧稽查方法及装置 | |
CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
CN113706503B (zh) | 整车点云图像分析方法、装置、设备及存储介质 | |
CN116740385B (zh) | 一种设备质检方法、装置和系统 | |
CN112990145B (zh) | 一种基于组稀疏年龄估计方法及电子设备 |
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 |