CN114663334A - 瑕疵检测方法、装置、电子设备及存储介质 - Google Patents
瑕疵检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114663334A CN114663334A CN202011524958.2A CN202011524958A CN114663334A CN 114663334 A CN114663334 A CN 114663334A CN 202011524958 A CN202011524958 A CN 202011524958A CN 114663334 A CN114663334 A CN 114663334A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- error
- target
- positive sample
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 107
- 230000007547 defect Effects 0.000 title claims description 39
- 239000013598 vector Substances 0.000 claims abstract description 111
- 238000012360 testing method Methods 0.000 claims abstract description 70
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000000203 mixture Substances 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 14
- 230000002950 deficient Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0007—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
-
- 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
- G06T2207/30148—Semiconductor; IC; Wafer
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像检测技术,提供一种瑕疵检测方法、装置、电子设备及存储介质。该方法能够获取待检测图像及多张正样本图像,并对待检测图像及多张正样本图像进行编码,得到目标向量及多个潜向量并进行解码,得到目标图像及多张重构图像,比较目标图像与待检测图像,得到目标误差,比较重构图像及正样本图像,得到重构误差,确定待检测图像的测试概率及测试误差,确定每张正样本图像的估测概率及样本误差并确定误差阈值,根据测试误差及误差阈值确定检测结果。本申请能够检测出待检测图像中是否具有细微瑕疵,提高瑕疵检测的准确度。
Description
技术领域
本申请涉及图像检测技术领域,尤其涉及一种瑕疵检测方法、装置、电子设备及存储介质。
背景技术
为了提高工业产品的品质,在对工业产品进行打包前,通常会对工业产品进行一定的瑕疵检测。由于目前的瑕疵检测方法在重构图像的过程中会产生一定的误差,导致无法检测到出有细微瑕疵的产品,从而降低瑕疵检测的准确度。
发明内容
鉴于以上内容,有必要提供一种瑕疵检测方法、装置、电子设备及存储介质,能够检测出待检测图像中是否具有细微瑕疵,从而提高瑕疵检测的准确度。
一种瑕疵检测方法,所述瑕疵检测方法包括:
当接收到瑕疵检测请求时,根据所述瑕疵检测请求获取待检测图像及多张正样本图像;
利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量;
利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像;
将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差;
将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率;
根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差;
从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
根据本申请可选实施例,所述利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量包括:
对所述待检测图像进行向量化处理,得到所述待检测图像的第一特征向量;
提取所述编码器中的隐层;
利用所述隐层对所述第一特征向量进行运算,得到所述目标向量。
根据本申请可选实施例,所述将所述目标图像与所述待检测图像进行比较,得到目标误差包括:
提取所述待检测图像的所有像素点,得到多个待检测像素点,并提取所述目标图像的所有像素点,得到多个目标像素点;
将每个目标像素点与每个待检测像素点进行比较,得到比较结果;
当比较结果表明目标像素点与待检测像素点不同时,计算目标像素点与待检测像素点不同的数量,并作为第一数量,以及计算所述多个目标像素点的数量作为第二数量;
将所述第一数量除以所述第二数量,得到所述目标误差。
根据本申请可选实施例,所述将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率包括:
将所述多个潜向量输入至所述高斯混合模型中,得到所述多张正样本图像的特征分布;
根据所述特征分布确定所述多个潜向量的平均值及协方差,并获取所述高斯混合模型的混合系数;
根据所述目标向量、所述平均值、所述协方差及所述混合系数确定所述待检测图像的测试概率,并根据每个潜向量、所述平均值、所述协方差及所述混合系数确定每张正样本图像的估测概率。
根据本申请可选实施例,所述根据每个重构误差及每个估测概率确定每张正样本图像的样本误差包括:
计算每个估测概率的对数,得到每个估测概率的对数值;
对每个对数值的相反数及每个重构误差进行加权和运算,得到所述样本误差。
根据本申请可选实施例,所述从所述样本误差中选取误差阈值包括:
将所述样本误差按照从小至大的顺序进行排序,得到误差列表及每个样本误差的样本序号;
计算所述样本误差的数量,并将所述数量乘以配置值,得到目标数值;
从所述误差列表中选取样本序号等于所述目标数值的样本误差,作为所述误差阈值。
根据本申请可选实施例,所述根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果包括:
当所述测试误差小于所述误差阈值时,将所述检测结果确定为所述待检测图像无瑕疵;或者
当所述测试误差大于或者等于所述误差阈值时,将所述检测结果确定为所述待检测图像有瑕疵。
一种瑕疵检测装置,所述瑕疵检测装置包括:
获取单元,用于当接收到瑕疵检测请求时,根据所述瑕疵检测请求获取待检测图像及多张正样本图像;
编码单元,用于利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量;
解码单元,用于利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像;
确定单元,用于将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差;
输入单元,用于将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率;
所述确定单元,还用于根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差;
所述确定单元,还用于从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
根据本申请可选实施例,所述编码单元具体用于:
对所述待检测图像进行向量化处理,得到所述待检测图像的第一特征向量;
提取所述编码器中的隐层;
利用所述隐层对所述第一特征向量进行运算,得到所述目标向量。
根据本申请可选实施例,所述确定单元将所述目标图像与所述待检测图像进行比较,得到目标误差包括:
提取所述待检测图像的所有像素点,得到多个待检测像素点,并提取所述目标图像的所有像素点,得到多个目标像素点;
将每个目标像素点与每个待检测像素点进行比较,得到比较结果;
当比较结果表明目标像素点与待检测像素点不同时,计算目标像素点与待检测像素点不同的数量,并作为第一数量,以及计算所述多个目标像素点的数量作为第二数量;
将所述第一数量除以所述第二数量,得到所述目标误差。
根据本申请可选实施例,所述输入单元具体用于:
将所述多个潜向量输入至所述高斯混合模型中,得到所述多张正样本图像的特征分布;
根据所述特征分布确定所述多个潜向量的平均值及协方差,并获取所述高斯混合模型的混合系数;
根据所述目标向量、所述平均值、所述协方差及所述混合系数确定所述待检测图像的测试概率,并根据每个潜向量、所述平均值、所述协方差及所述混合系数确定每张正样本图像的估测概率。
根据本申请可选实施例,所述确定单元根据每个重构误差及每个估测概率确定每张正样本图像的样本误差包括:
计算每个估测概率的对数,得到每个估测概率的对数值;
对每个对数值的相反数及每个重构误差进行加权和运算,得到所述样本误差。
根据本申请可选实施例,所述确定单元从所述样本误差中选取误差阈值包括:
将所述样本误差按照从小至大的顺序进行排序,得到误差列表及每个样本误差的样本序号;
计算所述样本误差的数量,并将所述数量乘以配置值,得到目标数值;
从所述误差列表中选取样本序号等于所述目标数值的样本误差,作为所述误差阈值。
根据本申请可选实施例,所述确定单元根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果包括:
当所述测试误差小于所述误差阈值时,将所述检测结果确定为所述待检测图像无瑕疵;或者
当所述测试误差大于或者等于所述误差阈值时,将所述检测结果确定为所述待检测图像有瑕疵。
一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现所述瑕疵检测方法。
一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现所述瑕疵检测方法。
由以上技术方案可以看出,本申请通过确定图像重构时产生的重构误差,以及通过确定高斯混合模型产生的估测概率,能够准确确定出误差阈值,进而通过比较测试误差与所述误差阈值,由于是从数值上对所述测试误差与所述误差阈值进行比较,因此能够检测出所述待检测图像中是否具有细微瑕疵,从而提高瑕疵检测的准确度。
附图说明
图1是本申请瑕疵检测方法的较佳实施例的流程图。
图2是本申请瑕疵检测装置的较佳实施例的功能模块图。
图3是本申请实现瑕疵检测方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本申请进行详细描述。
如图1所示,是本申请瑕疵检测方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述瑕疵检测方法应用于一个或者多个电子设备1中,所述电子设备1是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital SignalProcessor,DSP)、嵌入式设备等。
所述电子设备1可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能式穿戴式设备等。
所述电子设备1还可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到瑕疵检测请求时,根据所述瑕疵检测请求获取待检测图像及多张正样本图像。
在本申请的至少一个实施例中,所述瑕疵检测请求可以由用户触发(例如:通过预设功能按键进行触发),也可以在预设时间内自动触发,本申请不作限制。
其中,所述预设时间可以是时间点(例如:每天早上九点),也可以是时间段。
在本申请的至少一个实施例中,所述瑕疵检测请求中携带的信息包括,但不限于:检测对象等。
在本申请的至少一个实施例中,所述电子设备根据所述瑕疵检测请求获取待检测图像及多张正样本图像包括:
解析所述瑕疵检测请求的方法体,得到所述瑕疵检测请求携带的数据信息;
获取预设标签,并从所述数据信息中获取与所述预设标签对应的信息,作为所述检测对象;
根据所述检测对象从待检测库中获取所述待检测图像,并根据所述检测对象从样本库中获取所述多张正样本图像。
其中,所述预设标签是指预先定义好的标签,例如,所述预设标签可以是name。
进一步地,所述待检测库中存储未进行瑕疵检测的待检测图像,所述样本库中存储多张无瑕疵的正样本图像。
通过解析所述瑕疵检测请求的方法体,能够缩短所述瑕疵检测请求的解析时长,进而提高解析效率,进而通过预设标签与检测对象的映射关系,能够准确确定所述检测对象,进而能够准确获取所述待检测图像以及所述多张正样本图像。
S11,利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量。
在本申请的至少一个实施例中,所述编码器可以是自编码器(autoencoder,AE)中的编码器。进一步地,所述编码器中包含多个隐层,所述多个隐层的数量可以根据应用场景任意设置。
在本申请的至少一个实施例中,所述电子设备利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量包括:
对所述待检测图像进行向量化处理,得到所述待检测图像的第一特征向量;
提取所述编码器中的隐层;
利用所述隐层对所述第一特征向量进行运算,得到所述目标向量。
具体地,所述电子设备利用所述隐层对所述第一特征向量进行运算,得到所述目标向量包括:
获取所述隐层的权重矩阵及偏置值;
将所述第一特征向量与所述权重矩阵进行相乘运算,得到运算结果;
将所述运算结果与所述偏置值进行相加运算,得到所述目标向量。
在其他实施例中,所述电子设备利用所述隐层对每个第二特征向量进行运算的方式与所述电子设备利用所述隐层对所述第一特征向量进行运算的方式相同,本申请对此不再赘述。
S12,利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像。
在本申请的至少一个实施例中,所述解码器可以是所述自编码器中的解码器。进一步地,所述解码器中包含与所述编码器中的隐层对应的运算层。
在本申请的至少一个实施例中,所述电子设备利用所述运算层对所述目标向量进行运算,并对运算后得到的向量进行还原处理,得到所述目标向量。
在其他实施例中,所述电子设备得到所述多张重构图像的方式与得到所述目标向量的方式相同,本申请对此不再赘述。
S13,将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差。
在本申请的至少一个实施例中,所述目标误差是指所述待检测图像在重构时产生的误差。
在本申请的至少一个实施例中,所述电子设备将所述目标图像与所述待检测图像进行比较,得到目标误差包括:
提取所述待检测图像的所有像素点,得到多个待检测像素点,并提取所述目标图像的所有像素点,得到多个目标像素点;
将每个目标像素点与每个待检测像素点进行比较,得到比较结果;
当比较结果表明目标像素点与待检测像素点不同时,计算目标像素点与待检测像素点不同的数量,并作为第一数量,以及计算所述多个目标像素点的数量作为第二数量;
将所述第一数量除以所述第二数量,得到所述目标误差。
通过上述实施方式,能够准确确定所述目标误差。
在其他实施例中,所述电子设备确定每张正样本图像的重构误差的方式与确定所述目标误差的方式相同,本申请对此不再赘述。
S14,将所述目标向量输入至预先训练好的高斯混合模型(Gaussian MixtureModel,GMM)中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率。
在本申请的至少一个实施例中,所述高斯混合模型是指开源的混合模型,所述高斯混合模型中包括多个单高斯模型。
在本申请的至少一个实施例中,所述电子设备将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率包括:
将所述多个潜向量输入至所述高斯混合模型中,得到所述多张正样本图像的特征分布;
根据所述特征分布确定所述多个潜向量的平均值及协方差,并获取所述高斯混合模型的混合系数;
根据所述目标向量、所述平均值、所述协方差及所述混合系数确定所述待检测图像的测试概率,并根据每个潜向量、所述平均值、所述协方差及所述混合系数确定每张正样本图像的估测概率。
通过上述实施方式,能够准确确定所述测试概率及所述估测概率。
S15,根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差。
在本申请的至少一个实施例中,所述电子设备根据每个重构误差及每个估测概率确定每张正样本图像的样本误差包括:
计算每个估测概率的对数,得到每个估测概率的对数值;
对每个对数值的相反数及每个重构误差进行加权和运算,得到所述样本误差。
例如:估测概率为0.01,重构误差为0.03,计算估测概率的对数,得到对数值为:log(0.01)=-2,计算对数值的相反数,得到值为2,计算2及0.03的加权和,当估测概率占样本误差的比例为20%,重构误差占样本误差的比例为80%,计算得到所述样本误差为:2*20%+0.03*80%=0.424。
通过上述实施方式,能够确定图像重构过程及概率分布产生的误差区间。
S16,从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
在本申请的至少一个实施例中,所述检测结果包括所述待检测图像有瑕疵及所述待检测图像无瑕疵。
在本申请的至少一个实施例中,所述电子设备从所述样本误差中选取误差阈值包括:
将所述样本误差按照从小至大的顺序进行排序,得到误差列表及每个样本误差的样本序号;
计算所述样本误差的数量,并将所述数量乘以配置值,得到目标数值;
从所述误差列表中选取样本序号等于所述目标数值的样本误差,作为所述误差阈值。
通过上述实施方式,能够确定影响图像重构过程及概率分布时产生的误差。
在本申请的至少一个实施例中,所述电子设备根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果包括:
当所述测试误差小于所述误差阈值时,将所述检测结果确定为所述待检测图像无瑕疵;或者
当所述测试误差大于或者等于所述误差阈值时,将所述检测结果确定为所述待检测图像有瑕疵。
通过所述测试误差与所述误差阈值进行比较,由于是从数值上对所述测试误差与所述误差阈值进行比较,因此,能够检测出所述待检测图像中是否具有细微瑕疵,从而提高瑕疵检测的准确度。
在本申请的至少一个实施例中,当所述待检测图像有瑕疵时,所述电子设备根据所述待检测图像生成提醒信息,并将所述提醒信息发送至指定联系人的终端设备中。
其中,所述指定联系人可以是负责检测所述检测对象的品质人员。
通过上述实施方式,能够在所述待检测图像中有瑕疵时,及时通知所述指定联系人。
由以上技术方案可以看出,本申请通过确定图像重构时产生的重构误差,以及通过确定高斯混合模型产生的估测概率,能够准确确定出误差阈值,进而通过比较测试误差与所述误差阈值,由于是从数值上对所述测试误差与所述误差阈值进行比较,因此能够检测出所述待检测图像中是否具有细微瑕疵,从而提高瑕疵检测的准确度。
如图2所示,是本申请瑕疵检测装置的较佳实施例的功能模块图。所述瑕疵检测装置11包括获取单元110、编码单元111、解码单元112、确定单元113、输入单元114及生成单元115。本申请所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机程序段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到瑕疵检测请求时,获取单元110根据所述瑕疵检测请求获取待检测图像及多张正样本图像。
在本申请的至少一个实施例中,所述瑕疵检测请求可以由用户触发(例如:通过预设功能按键进行触发),也可以在预设时间内自动触发,本申请不作限制。
其中,所述预设时间可以是时间点(例如:每天早上九点),也可以是时间段。
在本申请的至少一个实施例中,所述瑕疵检测请求中携带的信息包括,但不限于:检测对象等。
在本申请的至少一个实施例中,所述获取单元110根据所述瑕疵检测请求获取待检测图像及多张正样本图像包括:
解析所述瑕疵检测请求的方法体,得到所述瑕疵检测请求携带的数据信息;
获取预设标签,并从所述数据信息中获取与所述预设标签对应的信息,作为所述检测对象;
根据所述检测对象从待检测库中获取所述待检测图像,并根据所述检测对象从样本库中获取所述多张正样本图像。
其中,所述预设标签是指预先定义好的标签,例如,所述预设标签可以是name。
进一步地,所述待检测库中存储未进行瑕疵检测的待检测图像,所述样本库中存储多张无瑕疵的正样本图像。
通过解析所述瑕疵检测请求的方法体,能够缩短所述瑕疵检测请求的解析时长,进而提高解析效率,进而通过预设标签与检测对象的映射关系,能够准确确定所述检测对象,进而能够准确获取所述待检测图像以及所述多张正样本图像。
编码单元111利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量。
在本申请的至少一个实施例中,所述编码器可以是自编码器(autoencoder,AE)中的编码器。进一步地,所述编码器中包含多个隐层,所述多个隐层的数量可以根据应用场景任意设置。
在本申请的至少一个实施例中,所述编码单元111利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量包括:
对所述待检测图像进行向量化处理,得到所述待检测图像的第一特征向量;
提取所述编码器中的隐层;
利用所述隐层对所述第一特征向量进行运算,得到所述目标向量。
具体地,所述编码单元111利用所述隐层对所述第一特征向量进行运算,得到所述目标向量包括:
获取所述隐层的权重矩阵及偏置值;
将所述第一特征向量与所述权重矩阵进行相乘运算,得到运算结果;
将所述运算结果与所述偏置值进行相加运算,得到所述目标向量。
在其他实施例中,所述编码单元111利用所述隐层对每个第二特征向量进行运算的方式与所述编码单元111利用所述隐层对所述第一特征向量进行运算的方式相同,本申请对此不再赘述。
解码单元112利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像。
在本申请的至少一个实施例中,所述解码器可以是所述自编码器中的解码器。进一步地,所述解码器中包含与所述编码器中的隐层对应的运算层。
在本申请的至少一个实施例中,所述解码单元112利用所述运算层对所述目标向量进行运算,并对运算后得到的向量进行还原处理,得到所述目标向量。
在其他实施例中,所述解码单元112得到所述多张重构图像的方式与得到所述目标向量的方式相同,本申请对此不再赘述。
确定单元113将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差。
在本申请的至少一个实施例中,所述目标误差是指所述待检测图像在重构时产生的误差。
在本申请的至少一个实施例中,所述确定单元113将所述目标图像与所述待检测图像进行比较,得到目标误差包括:
提取所述待检测图像的所有像素点,得到多个待检测像素点,并提取所述目标图像的所有像素点,得到多个目标像素点;
将每个目标像素点与每个待检测像素点进行比较,得到比较结果;
当比较结果表明目标像素点与待检测像素点不同时,计算目标像素点与待检测像素点不同的数量,并作为第一数量,以及计算所述多个目标像素点的数量作为第二数量;
将所述第一数量除以所述第二数量,得到所述目标误差。
通过上述实施方式,能够准确确定所述目标误差。
在其他实施例中,所述确定单元113确定每张正样本图像的重构误差的方式与确定所述目标误差的方式相同,本申请对此不再赘述。
输入单元114将所述目标向量输入至预先训练好的高斯混合模型(GaussianMixture Model,GMM)中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率。
在本申请的至少一个实施例中,所述高斯混合模型是指开源的混合模型,所述高斯混合模型中包括多个单高斯模型。
在本申请的至少一个实施例中,所述输入单元114将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率包括:
将所述多个潜向量输入至所述高斯混合模型中,得到所述多张正样本图像的特征分布;
根据所述特征分布确定所述多个潜向量的平均值及协方差,并获取所述高斯混合模型的混合系数;
根据所述目标向量、所述平均值、所述协方差及所述混合系数确定所述待检测图像的测试概率,并根据每个潜向量、所述平均值、所述协方差及所述混合系数确定每张正样本图像的估测概率。
通过上述实施方式,能够准确确定所述测试概率及所述估测概率。
所述确定单元113根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差。
在本申请的至少一个实施例中,所述确定单元113根据每个重构误差及每个估测概率确定每张正样本图像的样本误差包括:
计算每个估测概率的对数,得到每个估测概率的对数值;
对每个对数值的相反数及每个重构误差进行加权和运算,得到所述样本误差。
例如:估测概率为0.01,重构误差为0.03,计算估测概率的对数,得到对数值为:log(0.01)=-2,计算对数值的相反数,得到值为2,计算2及0.03的加权和,当估测概率占样本误差的比例为20%,重构误差占样本误差的比例为80%,计算得到所述样本误差为:2*20%+0.03*80%=0.424。
通过上述实施方式,能够确定图像重构过程及概率分布产生的误差区间。
所述确定单元113从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
在本申请的至少一个实施例中,所述检测结果包括所述待检测图像有瑕疵及所述待检测图像无瑕疵。
在本申请的至少一个实施例中,所述确定单元113从所述样本误差中选取误差阈值包括:
将所述样本误差按照从小至大的顺序进行排序,得到误差列表及每个样本误差的样本序号;
计算所述样本误差的数量,并将所述数量乘以配置值,得到目标数值;
从所述误差列表中选取样本序号等于所述目标数值的样本误差,作为所述误差阈值。
通过上述实施方式,能够确定影响图像重构过程及概率分布时产生的误差。
在本申请的至少一个实施例中,所述确定单元113根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果包括:
当所述测试误差小于所述误差阈值时,将所述检测结果确定为所述待检测图像无瑕疵;或者
当所述测试误差大于或者等于所述误差阈值时,将所述检测结果确定为所述待检测图像有瑕疵。
通过所述测试误差与所述误差阈值进行比较,由于是从数值上对所述测试误差与所述误差阈值进行比较,因此,能够检测出所述待检测图像中是否具有细微瑕疵,从而提高瑕疵检测的准确度。
在本申请的至少一个实施例中,当所述待检测图像有瑕疵时,生成单元115根据所述待检测图像生成提醒信息,并将所述提醒信息发送至指定联系人的终端设备中。
其中,所述指定联系人可以是负责检测所述检测对象的品质人员。
通过上述实施方式,能够在所述待检测图像中有瑕疵时,及时通知所述指定联系人。
由以上技术方案可以看出,本申请通过确定图像重构时产生的重构误差,以及通过确定高斯混合模型产生的估测概率,能够准确确定出误差阈值,进而通过比较测试误差与所述误差阈值,由于是从数值上对所述测试误差与所述误差阈值进行比较,因此能够检测出所述待检测图像中是否具有细微瑕疵,从而提高瑕疵检测的准确度。
如图3所示,是本申请实现瑕疵检测方法的较佳实施例的电子设备的结构示意图。
在本申请的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序,例如瑕疵检测程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1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,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及获取所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13获取所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13获取所述应用程序以实现上述各个瑕疵检测方法实施例中的步骤,例如图1所示的步骤。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13获取,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述电子设备1中的获取过程。例如,所述计算机程序可以被分割成获取单元110、编码单元111、解码单元112、确定单元113、输入单元114及生成单元115。
所述存储器12可用于存储所述计算机程序和/或模块,所述处理器13通过运行或获取存储在所述存储器12内的计算机程序和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器12可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器获取时,可实现上述各个方法实施例的步骤。
其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可获取文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
结合图1,所述电子设备1中的所述存储器12存储多个指令以实现一种瑕疵检测方法,所述处理器13可获取所述多个指令从而实现:
当接收到瑕疵检测请求时,根据所述瑕疵检测请求获取待检测图像及多张正样本图像;
利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量;
利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像;
将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差;
将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率;
根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差;
从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
具体地,所述处理器13对上述指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。本申请中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或等同替换,而不脱离本申请技术方案的精神和范围。
Claims (10)
1.一种瑕疵检测方法,其特征在于,所述瑕疵检测方法包括:
当接收到瑕疵检测请求时,根据所述瑕疵检测请求获取待检测图像及多张正样本图像;
利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量;
利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像;
将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差;
将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率;
根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差;
从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
2.如权利要求1所述的瑕疵检测方法,其特征在于,所述利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量包括:
对所述待检测图像进行向量化处理,得到所述待检测图像的第一特征向量;
提取所述编码器中的隐层;
利用所述隐层对所述第一特征向量进行运算,得到所述目标向量。
3.如权利要求1所述的瑕疵检测方法,其特征在于,所述将所述目标图像与所述待检测图像进行比较,得到目标误差包括:
提取所述待检测图像的所有像素点,得到多个待检测像素点,并提取所述目标图像的所有像素点,得到多个目标像素点;
将每个目标像素点与每个待检测像素点进行比较,得到比较结果;
当比较结果表明目标像素点与待检测像素点不同时,计算目标像素点与待检测像素点不同的数量,并作为第一数量,以及计算所述多个目标像素点的数量作为第二数量;
将所述第一数量除以所述第二数量,得到所述目标误差。
4.如权利要求1所述的瑕疵检测方法,其特征在于,所述将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率包括:
将所述多个潜向量输入至所述高斯混合模型中,得到所述多张正样本图像的特征分布;
根据所述特征分布确定所述多个潜向量的平均值及协方差,并获取所述高斯混合模型的混合系数;
根据所述目标向量、所述平均值、所述协方差及所述混合系数确定所述待检测图像的测试概率,并根据每个潜向量、所述平均值、所述协方差及所述混合系数确定每张正样本图像的估测概率。
5.如权利要求1所述的瑕疵检测方法,其特征在于,所述根据每个重构误差及每个估测概率确定每张正样本图像的样本误差包括:
计算每个估测概率的对数,得到每个估测概率的对数值;
对每个对数值的相反数及每个重构误差进行加权和运算,得到所述样本误差。
6.如权利要求1所述的瑕疵检测方法,其特征在于,所述从所述样本误差中选取误差阈值包括:
将所述样本误差按照从小至大的顺序进行排序,得到误差列表及每个样本误差的样本序号;
计算所述样本误差的数量,并将所述数量乘以配置值,得到目标数值;
从所述误差列表中选取样本序号等于所述目标数值的样本误差,作为所述误差阈值。
7.如权利要求1所述的瑕疵检测方法,其特征在于,所述根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果包括:
当所述测试误差小于所述误差阈值时,将所述检测结果确定为所述待检测图像无瑕疵;或者
当所述测试误差大于或者等于所述误差阈值时,将所述检测结果确定为所述待检测图像有瑕疵。
8.一种瑕疵检测装置,其特征在于,所述瑕疵检测装置包括:
获取单元,用于当接收到瑕疵检测请求时,根据所述瑕疵检测请求获取待检测图像及多张正样本图像;
编码单元,用于利用编码器对所述待检测图像进行编码处理,得到与所述待检测图像对应的目标向量,并利用所述编码器对所述多张正样本图像进行编码处理,得到与所述多张正样本图像对应的多个潜向量;
解码单元,用于利用与所述编码器对应的解码器对所述目标向量进行解码处理,得到与所述待检测图像对应的目标图像,并利用所述解码器对所述多个潜向量进行解码处理,得到与所述多张正样本图像对应的多张重构图像;
确定单元,用于将所述目标图像与所述待检测图像进行比较,得到目标误差,并根据所述多张重构图像及所述多张正样本图像确定每张正样本图像的重构误差;
输入单元,用于将所述目标向量输入至预先训练好的高斯混合模型中,得到所述待检测图像的测试概率,并将所述多个潜向量输入至所述高斯混合模型中,得到每张正样本图像的估测概率;
所述确定单元,还用于根据所述目标误差及所述测试概率确定所述待检测图像的测试误差,并根据每个重构误差及每个估测概率确定每张正样本图像的样本误差;
所述确定单元,还用于从所述样本误差中选取误差阈值,并根据所述测试误差及所述误差阈值确定所述待检测图像的检测结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的瑕疵检测方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的瑕疵检测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524958.2A CN114663334A (zh) | 2020-12-22 | 2020-12-22 | 瑕疵检测方法、装置、电子设备及存储介质 |
US17/526,314 US12002197B2 (en) | 2020-12-22 | 2021-11-15 | Error reduction in reconstructed images in defect detection method, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011524958.2A CN114663334A (zh) | 2020-12-22 | 2020-12-22 | 瑕疵检测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114663334A true CN114663334A (zh) | 2022-06-24 |
Family
ID=82021478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011524958.2A Pending CN114663334A (zh) | 2020-12-22 | 2020-12-22 | 瑕疵检测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US12002197B2 (zh) |
CN (1) | CN114663334A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115100174B (zh) * | 2022-07-14 | 2023-03-24 | 上海群乐船舶附件启东有限公司 | 一种船舶钣金件漆面缺陷检测方法 |
CN117609881B (zh) * | 2023-11-29 | 2024-04-30 | 阿童木(广州)智能科技有限公司 | 一种基于人工智能的金属重叠检测方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102706881A (zh) | 2012-03-19 | 2012-10-03 | 天津工业大学 | 基于机器视觉的布匹瑕疵检测方法 |
US10789703B2 (en) * | 2018-03-19 | 2020-09-29 | Kla-Tencor Corporation | Semi-supervised anomaly detection in scanning electron microscope images |
US11182929B2 (en) * | 2019-02-25 | 2021-11-23 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for compressing shape data for electronic designs |
-
2020
- 2020-12-22 CN CN202011524958.2A patent/CN114663334A/zh active Pending
-
2021
- 2021-11-15 US US17/526,314 patent/US12002197B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US12002197B2 (en) | 2024-06-04 |
US20220198633A1 (en) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073519B (zh) | 测试用例生成方法和装置 | |
CN114663335A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
CN110363220B (zh) | 行为类别检测方法、装置、电子设备和计算机可读介质 | |
KR20180130925A (ko) | 머신 러닝을 위한 학습 이미지를 자동 생성하는 인공 지능 장치 및 그의 제어 방법 | |
US20110271255A1 (en) | Automatic identification of subroutines from test scripts | |
CN114663334A (zh) | 瑕疵检测方法、装置、电子设备及存储介质 | |
US20220189008A1 (en) | Method for detecting data defects and computing device utilizing method | |
CN116433559A (zh) | 产品外观缺陷检测方法、电子设备及存储介质 | |
CN111597309A (zh) | 相似企业推荐方法、装置、电子设备及介质 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN116416190A (zh) | 瑕疵检测方法及装置、电子设备及存储介质 | |
CN111753729B (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
CN114943672A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN114663336A (zh) | 模型输入尺寸确定方法及相关设备 | |
CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
CN116977247A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
TWI755213B (zh) | 瑕疵檢測方法、裝置、電腦裝置及儲存介質 | |
CN115713750A (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
CN115205619A (zh) | 检测模型的训练方法、检测方法、装置和存储介质 | |
CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
CN110297989B (zh) | 异常检测的测试方法、装置、设备和介质 | |
TWI755212B (zh) | 模型輸入尺寸確定方法及相關設備 | |
CN112035736A (zh) | 信息推送方法、装置及服务器 | |
TWI778519B (zh) | 瑕疵圖像生成方法、裝置、電子設備及存儲介質 | |
TWI807854B (zh) | 瑕疵偵測方法、電腦設備及儲存介質 |
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 |