CN114663335A - 图像瑕疵检测方法、装置、电子设备及介质 - Google Patents

图像瑕疵检测方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114663335A
CN114663335A CN202011527501.7A CN202011527501A CN114663335A CN 114663335 A CN114663335 A CN 114663335A CN 202011527501 A CN202011527501 A CN 202011527501A CN 114663335 A CN114663335 A CN 114663335A
Authority
CN
China
Prior art keywords
image
size
detected
determining
images
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
CN202011527501.7A
Other languages
English (en)
Inventor
郭锦斌
简士超
蔡东佐
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202011527501.7A priority Critical patent/CN114663335A/zh
Priority to US17/526,290 priority patent/US12039015B2/en
Publication of CN114663335A publication Critical patent/CN114663335A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • 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
    • G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像分析技术，本申请提供一种图像瑕疵检测方法、装置、电子设备及介质。该方法能够从图像瑕疵检测请求中提取待检测图像，将待检测图像转换为多个不同预设尺寸的尺寸图像，利用预先构建的编码器对多个尺寸图像进行特征提取，得到多个潜向量，将多个潜向量输入至与编码器对应的解码器中，得到多个重构图像，及将多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率，将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差，根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设阈值确定待检测图像的检测结果，提高瑕疵检测的准确度。

Description

图像瑕疵检测方法、装置、电子设备及介质
技术领域
本申请涉及图像分析技术领域，尤其涉及一种图像瑕疵检测方法、装置、电子设备及介质。
背景技术
在工业检测领域中，对于产品图像的破损、擦伤等缺陷的检测，能够确保产品的高品质。由于瑕疵存在不同尺度的变化，为此，目前的图像瑕疵检测方法无法涵盖各种尺度的瑕疵种类变化，从而降低瑕疵检测的准确度。
发明内容
鉴于以上内容，有必要提供一种图像瑕疵检测方法、装置、电子设备及介质，能够提高瑕疵检测的准确度。
本申请的第一方面提供一种图像瑕疵检测方法，所述图像瑕疵检测方法包括：
当接收到图像瑕疵检测请求时，从所述图像瑕疵检测请求中提取待检测图像；
将所述待检测图像转换为多个不同预设尺寸的尺寸图像；
利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量；
将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率；
将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差；
根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果。
根据本申请优选实施例，所述从所述图像瑕疵检测请求中提取待检测图像包括：
从线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像瑕疵检测请求的方法体，得到所述图像瑕疵检测请求中携带的所有信息；
获取预设标签，并根据所述预设标签从所述所有信息中提取与所述预设标签对应的信息作为所述待检测图像。
根据本申请优选实施例，所述将所述待检测图像转换为多个不同预设尺寸的尺寸图像包括：
根据所述图像瑕疵检测请求确定检测对象；
从所述待检测图像中提取包含所述检测对象的区域图像；
根据所述不同预设尺寸将所述区域图像转换为所述多个尺寸图像。
根据本申请优选实施例，所述利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量包括：
对每个尺寸图像进行编码处理，得到每个尺寸图像的特征向量；
将每个特征向量输入至所述编码器中的多个隐层进行运算，并将最后一层隐层的输出向量确定为每个尺寸图像对应的潜向量。
根据本申请优选实施例，在将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率之前，所述图像瑕疵检测方法还包括：
获取多个训练图像；
对所述多个训练图像进行编码，得到多个编码向量，并对所述多个编码向量进行降维并归一化处理，得到多个低维向量；
将所述多个低维向量划分为训练集、测试集及验证集；
基于最大期望算法，迭代训练所述训练集中的低维向量，得到学习器；
利用所述测试集中的低维向量测试所述学习器，得到测试结果；
当所述测试结果小于配置值时，利用所述验证集中的低维向量调整所述学习器的参数，得到所述高斯混合模型。
根据本申请优选实施例，所述将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差包括：
对于任意重构图像，提取所述任意重构图像中的所有重构像素点，并计算所述所有重构像素点的第一数量；
提取每个尺寸图像中的所有目标像素点；
比较每个重构像素点与每个目标像素点，得到比较结果，其中，将重构像素点与目标像素点不同的比较结果确定为目标比较结果；
计算所述目标比较结果的第二数量，并将所述第二数量除以所述第一数量，得到每个尺寸图像的计算误差。
根据本申请优选实施例，所述根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果包括：
从所述对应的预设阈值中确定最小预设阈值；
当每个总误差都小于所述最小预设阈值时，将所述检测结果确定为所述待检测图像无瑕疵；或者
当任意总误差大于或者等于所述对应的预设阈值时，将所述检测结果确定为所述待检测图像有瑕疵；或者
当每个总误差小于所述对应的预设阈值，且每个总误差大于或者等于所述最小预设阈值时，将所述检测结果确定为所述待检测图像有瑕疵。
本申请的第二方面提供一种图像瑕疵检测装置，所述图像瑕疵检测装置包括：
提取单元，用于当接收到图像瑕疵检测请求时，从所述图像瑕疵检测请求中提取待检测图像；
转换单元，用于将所述待检测图像转换为多个不同预设尺寸的尺寸图像；
所述提取单元，还用于利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量；
输入单元，用于将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率；
比较单元，用于将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差；
确定单元，用于根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果。
根据本申请优选实施例，所述提取单元从所述图像瑕疵检测请求中提取待检测图像包括：
从线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像瑕疵检测请求的方法体，得到所述图像瑕疵检测请求中携带的所有信息；
获取预设标签，并根据所述预设标签从所述所有信息中提取与所述预设标签对应的信息作为所述待检测图像。
根据本申请优选实施例，所述转换单元具体用于：
根据所述图像瑕疵检测请求确定检测对象；
从所述待检测图像中提取包含所述检测对象的区域图像；
根据所述不同预设尺寸将所述区域图像转换为所述多个尺寸图像。
根据本申请优选实施例，所述提取单元利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量包括：
对每个尺寸图像进行编码处理，得到每个尺寸图像的特征向量；
将每个特征向量输入至所述编码器中的多个隐层进行运算，并将最后一层隐层的输出向量确定为每个尺寸图像对应的潜向量。
根据本申请优选实施例，所述图像瑕疵检测装置还包括：
获取单元，用于在将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率之前，获取多个训练图像；
处理单元，用于对所述多个训练图像进行编码，得到多个编码向量，并对所述多个编码向量进行降维并归一化处理，得到多个低维向量；
划分单元，用于将所述多个低维向量划分为训练集、测试集及验证集；
训练单元，用于基于最大期望算法，迭代训练所述训练集中的低维向量，得到学习器；
测试单元，用于利用所述测试集中的低维向量测试所述学习器，得到测试结果；
调整单元，用于当所述测试结果小于配置值时，利用所述验证集中的低维向量调整所述学习器的参数，得到所述高斯混合模型。
根据本申请优选实施例，所述比较单元具体用于：
对于任意重构图像，提取所述任意重构图像中的所有重构像素点，并计算所述所有重构像素点的第一数量；
提取每个尺寸图像中的所有目标像素点；
比较每个重构像素点与每个目标像素点，得到比较结果，其中，将重构像素点与目标像素点不同的比较结果确定为目标比较结果；
计算所述目标比较结果的第二数量，并将所述第二数量除以所述第一数量，得到每个尺寸图像的计算误差。
根据本申请优选实施例，所述确定单元根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果包括：
从所述对应的预设阈值中确定最小预设阈值；
当每个总误差都小于所述最小预设阈值时，将所述检测结果确定为所述待检测图像无瑕疵；或者
当任意总误差大于或者等于所述对应的预设阈值时，将所述检测结果确定为所述待检测图像有瑕疵；或者
当每个总误差小于所述对应的预设阈值，且每个总误差大于或者等于所述最小预设阈值时，将所述检测结果确定为所述待检测图像有瑕疵。
本申请的第三方面提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，获取所述存储器中存储的指令以实现所述图像瑕疵检测方法。
本申请的第四方面提供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获取以实现所述图像瑕疵检测方法。
由以上技术方案可以看出，本申请通过对待检测图像进行尺寸转换，涵盖了各种尺度的瑕疵种类变化，能够提高瑕疵检测的准确度。
附图说明
图1是本申请图像瑕疵检测方法的较佳实施例的流程图。
图2是本申请图像瑕疵检测装置的较佳实施例的功能模块图。
图3是本申请实现图像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，是本申请图像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。
所述图像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，当接收到图像瑕疵检测请求时，从所述图像瑕疵检测请求中提取待检测图像。
在本申请的至少一个实施例中，所述图像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，所述图像瑕疵检测请求中携带的信息包括，但不限于：检测对象、待检测图像。可以理解的是，所述待检测图像中包含所述检测对象。
在本申请的至少一个实施例中，所述电子设备从所述图像瑕疵检测请求中提取待检测图像包括：
所述电子设备从线程连接池中获取闲置线程，进一步地，所述电子设备利用所述闲置线程解析所述图像瑕疵检测请求的方法体，得到所述图像瑕疵检测请求中携带的所有信息，更进一步地，所述电子设备获取预设标签，并根据所述预设标签从所述所有信息中提取与所述预设标签对应的信息作为所述待检测图像。
其中，所述线程连接池中存储多个线程；进一步地，所述预设标签是指用于标识所述待检测图像的标签。
通过从所述线程连接池中获取闲置线程，能够节省线程的创建时间，进而通过解析所述图像瑕疵检测请求的方法体，能够缩短所述图像瑕疵检测请求的解析时长，进而通过预设标签与待检测图像的映射关系，能够准确确定所述待检测图像。
S11，将所述待检测图像转换为多个不同预设尺寸的尺寸图像。
在本申请的至少一个实施例中，所述多个不同预设尺寸可以包括，但不限于：32*32、64*64、128*128。
在本申请的至少一个实施例中，所述电子设备将所述待检测图像转换为多个不同预设尺寸的尺寸图像包括：
所述电子设备根据所述图像瑕疵检测请求确定所述检测对象，所述电子设备从所述待检测图像中提取包含所述检测对象的区域图像，进一步地，所述电子设备根据所述不同预设尺寸将所述区域图像转换为所述多个尺寸图像。
通过上述实施方式，能够确保转换后的多个尺寸图像中包含检测对象，另外，由于只需对包含检测对象的区域图像进行尺寸转换，而无需对待检测图像进行尺寸转换，减少了尺寸转换前的图像像素点，能够提高尺寸转换效率。
具体地，所述电子设备可以利用开源的opencv工具将所述区域图像转换为具有所述不同预设尺寸的所述多个尺寸图像。
S12，利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量。
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，所述电子设备利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量包括：
所述电子设备对每个尺寸图像进行编码处理，得到每个尺寸图像的特征向量，进一步地，所述电子设备将每个特征向量输入至所述编码器中的多个隐层进行运算，并将最后一层隐层的输出向量确定为每个尺寸图像对应的潜向量。
具体地，所述电子设备将每个特征向量输入至所述编码器中的多个隐层进行运算包括：
对于任意隐层，所述电子设备获取所述任意隐层对应的权重矩阵及偏置值，进一步地，所述电子设备将每个特征向量与所述权重矩阵进行相乘运算，得到运算结果，并将所述运算结果加上所述偏置值，得到所述任意隐层的输出向量。
S13，将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率。
在本申请的至少一个实施例中，所述解码器可以是自编码器(autoencoder,AE)中的解码器。进一步地，所述解码器中包含多个与所述编码器中的隐层对应的运算层，所述多个运算层的数量与所述多个隐层的数量相同。
在本申请的至少一个实施例中，所述高斯混合模型(Gaussian Mixture Model，GMM)能够利用高斯概率密度函数(正态分布曲线)精确地量化所述多个潜向量。
在本申请的至少一个实施例中，在将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率之前，所述图像瑕疵检测方法还包括：
所述电子设备获取多个训练图像，进一步地，所述电子设备对所述多个训练图像进行编码，得到多个编码向量，并对所述多个编码向量进行降维并归一化处理，得到多个低维向量，更进一步地，所述电子设备将所述多个低维向量划分为训练集、测试集及验证集，更进一步地，所述电子设备基于最大期望算法，迭代训练所述训练集中的低维向量，得到学习器，更进一步地，所述电子设备利用所述测试集中的低维向量测试所述学习器，得到测试结果，当所述测试结果小于配置值时，所述电子设备利用所述验证集中的低维向量调整所述学习器的参数，得到所述高斯混合模型。
通过上述实施方式，能够使生成的高斯混合模型更加准确。
在本申请的至少一个实施例中，在将所述多个低维向量划分为训练集、测试集及验证集之前，所述方法还包括：
所述电子设备计算所述多个低维向量的数量，当所述数量小于预设数量时，所述电子设备利用数据增强算法增加所述多个低维向量的数量。
通过上述实施方式，能够避免由于多个低维向量的数量不足，导致训练得到的高斯混合模型生成的估测概率的泛化能力较差。
在本申请的至少一个实施例中，所述电子设备将所述多个低维向量划分为训练集、测试集及验证集包括：
所述电子设备将所述多个低维向量按照预设比例随机划分为多个数据包，将所述多个数据包中的任意两个数据包分别确定为所述验证集及所述测试集，其余的数据包确定为所述训练集，重复上述步骤，直至所有的数据包全都依次被用作为所述验证集。
其中，所述预设比例可以自定义设置，本申请不作限制。
通过上述实施方式，使所述多个低维向量中的每个低维向量均参与训练及验证，由此，提高训练所述高斯混合模型的拟合度。
S14，将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差。
在本申请的至少一个实施例中，所述电子设备将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差包括：
对于任意重构图像，所述电子设备提取所述任意重构图像中的所有重构像素点，并计算所述所有重构像素点的第一数量，进一步地，所述电子设备提取每个尺寸图像中的所有目标像素点，所述电子设备比较每个重构像素点与每个目标像素点，得到比较结果，其中，将重构像素点与目标像素点不同的比较结果确定为目标比较结果，更进一步地，所述电子设备计算所述目标比较结果的第二数量，并将所述第二数量除以所述第一数量，得到每个尺寸图像的计算误差。
通过上述实施方式，能够准确确定每个尺寸图像的计算误差。
S15，根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设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，所述电子设备根据每个估测概率及每个计算误差确定每个尺寸图像的总误差包括：
所述电子设备获取与估测概率对应的第一预设权重，并获取与计算误差对应的第二预设权重，所述第一预设权重与所述第二预设权重之和为1，进一步地，所述电子设备将每个估测概率乘以所述第一预设权重，得到第一数值，并将每个计算误差乘以所述第二预设权重，得到第二数值，更进一步地，所述电子设备将每个第一数值与每个第二数值相加，得到每个尺寸图像的总误差。
通过上述实施方式，能够快速确定每个尺寸图像的总误差。
在本申请的至少一个实施例中，所述电子设备根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果包括：
所述电子设备从所述对应的预设阈值中确定最小预设阈值，当每个总误差都小于所述最小预设阈值时，所述电子设备将所述检测结果确定为所述待检测图像无瑕疵，或者，当任意总误差大于或者等于所述对应的预设阈值时，所述电子设备将所述检测结果确定为所述待检测图像有瑕疵，或者，当每个总误差小于所述对应的预设阈值，且每个总误差大于或者等于所述最小预设阈值时，所述电子设备将所述检测结果确定为所述待检测图像有瑕疵。
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。
由以上技术方案可以看出，本申请通过对待检测图像进行尺寸转换，涵盖了各种尺度的瑕疵种类变化，能够提高瑕疵检测的准确度。
如图2所示，是本申请图像瑕疵检测装置的较佳实施例的功能模块图。所述图像瑕疵检测装置11包括提取单元110、转换单元111、输入单元112、比较单元113、确定单元114、获取单元115、处理单元116、划分单元117、训练单元118、测试单元119、调整单元120、计算单元121及生成单元122。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。
当接收到图像瑕疵检测请求时，提取单元110从所述图像瑕疵检测请求中提取待检测图像。
在本申请的至少一个实施例中，所述图像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，所述图像瑕疵检测请求中携带的信息包括，但不限于：检测对象、待检测图像。可以理解的是，所述待检测图像中包含所述检测对象。
在本申请的至少一个实施例中，所述提取单元110从所述图像瑕疵检测请求中提取待检测图像包括：
所述提取单元110从线程连接池中获取闲置线程，进一步地，所述提取单元110利用所述闲置线程解析所述图像瑕疵检测请求的方法体，得到所述图像瑕疵检测请求中携带的所有信息，更进一步地，所述提取单元110获取预设标签，并根据所述预设标签从所述所有信息中提取与所述预设标签对应的信息作为所述待检测图像。
其中，所述线程连接池中存储多个线程；进一步地，所述预设标签是指用于标识所述待检测图像的标签。
通过从所述线程连接池中获取闲置线程，能够节省线程的创建时间，进而通过解析所述图像瑕疵检测请求的方法体，能够缩短所述图像瑕疵检测请求的解析时长，进而通过预设标签与待检测图像的映射关系，能够准确确定所述待检测图像。
转换单元111将所述待检测图像转换为多个不同预设尺寸的尺寸图像。
在本申请的至少一个实施例中，所述多个不同预设尺寸可以包括，但不限于：32*32、64*64、128*128。
在本申请的至少一个实施例中，所述转换单元111将所述待检测图像转换为多个不同预设尺寸的尺寸图像包括：
所述转换单元111根据所述图像瑕疵检测请求确定所述检测对象，所述转换单元111从所述待检测图像中提取包含所述检测对象的区域图像，进一步地，所述转换单元111根据所述不同预设尺寸将所述区域图像转换为所述多个尺寸图像。
通过上述实施方式，能够确保转换后的多个尺寸图像中包含检测对象，另外，由于只需对包含检测对象的区域图像进行尺寸转换，而无需对待检测图像进行尺寸转换，减少了尺寸转换前的图像像素点，能够提高尺寸转换效率。
具体地，所述转换单元111可以利用开源的opencv工具将所述区域图像转换为具有所述不同预设尺寸的所述多个尺寸图像。
所述提取单元110利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量。
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，所述提取单元110利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量包括：
所述提取单元110对每个尺寸图像进行编码处理，得到每个尺寸图像的特征向量，进一步地，所述提取单元110将每个特征向量输入至所述编码器中的多个隐层进行运算，并将最后一层隐层的输出向量确定为每个尺寸图像对应的潜向量。
具体地，所述提取单元110将每个特征向量输入至所述编码器中的多个隐层进行运算包括：
对于任意隐层，所述提取单元110获取所述任意隐层对应的权重矩阵及偏置值，进一步地，所述提取单元110将每个特征向量与所述权重矩阵进行相乘运算，得到运算结果，并将所述运算结果加上所述偏置值，得到所述任意隐层的输出向量。
输入单元112将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率。
在本申请的至少一个实施例中，所述解码器可以是自编码器(autoencoder,AE)中的解码器。进一步地，所述解码器中包含多个与所述编码器中的隐层对应的运算层，所述多个运算层的数量与所述多个隐层的数量相同。
在本申请的至少一个实施例中，所述高斯混合模型(Gaussian Mixture Model，GMM)能够利用高斯概率密度函数(正态分布曲线)精确地量化所述多个潜向量。
在本申请的至少一个实施例中，在将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率之前，获取单元115获取多个训练图像，进一步地，处理单元116对所述多个训练图像进行编码，得到多个编码向量，并对所述多个编码向量进行降维并归一化处理，得到多个低维向量，更进一步地，划分单元117将所述多个低维向量划分为训练集、测试集及验证集，更进一步地，训练单元118基于最大期望算法，迭代训练所述训练集中的低维向量，得到学习器，更进一步地，测试单元119利用所述测试集中的低维向量测试所述学习器，得到测试结果，当所述测试结果小于配置值时，调整单元120利用所述验证集中的低维向量调整所述学习器的参数，得到所述高斯混合模型。
通过上述实施方式，能够使生成的高斯混合模型更加准确。
在本申请的至少一个实施例中，在将所述多个低维向量划分为训练集、测试集及验证集之前，计算单元121计算所述多个低维向量的数量，当所述数量小于预设数量时，所述计算单元121利用数据增强算法增加所述多个低维向量的数量。
通过上述实施方式，能够避免由于多个低维向量的数量不足，导致训练得到的高斯混合模型生成的估测概率的泛化能力较差。
在本申请的至少一个实施例中，所述划分单元117将所述多个低维向量划分为训练集、测试集及验证集包括：
所述划分单元117将所述多个低维向量按照预设比例随机划分为多个数据包，进一步地，所述划分单元117将所述多个数据包中的任意两个数据包分别确定为所述验证集及所述测试集，其余的数据包确定为所述训练集，重复上述步骤，直至所有的数据包全都依次被用作为所述验证集。
其中，所述预设比例可以自定义设置，本申请不作限制。
通过上述实施方式，使所述多个低维向量中的每个低维向量均参与训练及验证，由此，提高训练所述高斯混合模型的拟合度。
比较单元113将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差。
在本申请的至少一个实施例中，所述比较单元113将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差包括：
对于任意重构图像，所述比较单元113提取所述任意重构图像中的所有重构像素点，并计算所述所有重构像素点的第一数量，进一步地，所述比较单元113提取每个尺寸图像中的所有目标像素点，所述比较单元113比较每个重构像素点与每个目标像素点，得到比较结果，其中，将重构像素点与目标像素点不同的比较结果确定为目标比较结果，更进一步地，所述目标比较单元113计算的第二数量，并将所述第二数量除以所述第一数量，得到每个尺寸图像的计算误差。
通过上述实施方式，能够准确确定每个尺寸图像的计算误差。
确定单元114根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设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114根据每个估测概率及每个计算误差确定每个尺寸图像的总误差包括：
所述确定单元114获取与估测概率对应的第一预设权重，并获取与计算误差对应的第二预设权重，所述第一预设权重与所述第二预设权重之和为1，进一步地，所述确定单元114将每个估测概率乘以所述第一预设权重，得到第一数值，并将每个计算误差乘以所述第二预设权重，得到第二数值，更进一步地，所述确定单元114将每个第一数值与每个第二数值相加，得到每个尺寸图像的总误差。
通过上述实施方式，能够快速确定每个尺寸图像的总误差。
在本申请的至少一个实施例中，所述确定单元114根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果包括：
所述确定单元114从所述对应的预设阈值中确定最小预设阈值，当每个总误差都小于所述最小预设阈值时，所述确定单元114将所述检测结果确定为所述待检测图像无瑕疵，或者，当任意总误差大于或者等于所述对应的预设阈值时，所述确定单元114将所述检测结果确定为所述待检测图像有瑕疵，或者，当每个总误差小于所述对应的预设阈值，且每个总误差大于或者等于所述最小预设阈值时，所述确定单元114将所述检测结果确定为所述待检测图像有瑕疵。
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122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。
由以上技术方案可以看出，本申请通过对待检测图像进行尺寸转换，涵盖了各种尺度的瑕疵种类变化，能够提高瑕疵检测的准确度。
如图3所示，是本申请实现图像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，例如图像瑕疵检测程序。
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图像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提取单元110、转换单元111、输入单元112、比较单元113、确定单元114、获取单元115、处理单元116、划分单元117、训练单元118、测试单元119、调整单元120、计算单元121及生成单元122。
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图像瑕疵检测方法，所述处理器13可获取所述多个指令从而实现：当接收到图像瑕疵检测请求时，从所述图像瑕疵检测请求中提取待检测图像；将所述待检测图像转换为多个不同预设尺寸的尺寸图像；利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量；将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率；将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差；根据每个估测概率及与每个总误差每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及对应的预设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)

1.一种图像瑕疵检测方法，其特征在于，所述图像瑕疵检测方法包括：
当接收到图像瑕疵检测请求时，从所述图像瑕疵检测请求中提取待检测图像；
将所述待检测图像转换为多个不同预设尺寸的尺寸图像；
利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量；
将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率；
将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差；
根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果。
2.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述从所述图像瑕疵检测请求中提取待检测图像包括：
从线程连接池中获取闲置线程；
利用所述闲置线程解析所述图像瑕疵检测请求的方法体，得到所述图像瑕疵检测请求中携带的所有信息；
获取预设标签，并根据所述预设标签从所述所有信息中提取与所述预设标签对应的信息作为所述待检测图像。
3.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将所述待检测图像转换为多个不同预设尺寸的尺寸图像包括：
根据所述图像瑕疵检测请求确定检测对象；
从所述待检测图像中提取包含所述检测对象的区域图像；
根据所述不同预设尺寸将所述区域图像转换为所述多个尺寸图像。
4.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量包括：
对每个尺寸图像进行编码处理，得到每个尺寸图像的特征向量；
将每个特征向量输入至所述编码器中的多个隐层进行运算，并将最后一层隐层的输出向量确定为每个尺寸图像对应的潜向量。
5.如权利要求1所述的图像瑕疵检测方法，其特征在于，在将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率之前，所述图像瑕疵检测方法还包括：
获取多个训练图像；
对所述多个训练图像进行编码，得到多个编码向量，并对所述多个编码向量进行降维并归一化处理，得到多个低维向量；
将所述多个低维向量划分为训练集、测试集及验证集；
基于最大期望算法，迭代训练所述训练集中的低维向量，得到学习器；
利用所述测试集中的低维向量测试所述学习器，得到测试结果；
当所述测试结果小于配置值时，利用所述验证集中的低维向量调整所述学习器的参数，得到所述高斯混合模型。
6.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差包括：
对于任意重构图像，提取所述任意重构图像中的所有重构像素点，并计算所述所有重构像素点的第一数量；
提取每个尺寸图像中的所有目标像素点；
比较每个重构像素点与每个目标像素点，得到比较结果，其中，将重构像素点与目标像素点不同的比较结果确定为目标比较结果；
计算所述目标比较结果的第二数量，并将所述第二数量除以所述第一数量，得到每个尺寸图像的计算误差。
7.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述根据每个总误差及与每个总误差对应的预设阈值确定所述待检测图像的检测结果包括：
从所述对应的预设阈值中确定最小预设阈值；
当每个总误差都小于所述最小预设阈值时，将所述检测结果确定为所述待检测图像无瑕疵；或者
当任意总误差大于或者等于所述对应的预设阈值时，将所述检测结果确定为所述待检测图像有瑕疵；或者
当每个总误差小于所述对应的预设阈值，且每个总误差大于或者等于所述最小预设阈值时，将所述检测结果确定为所述待检测图像有瑕疵。
8.一种图像瑕疵检测装置，其特征在于，所述图像瑕疵检测装置包括：
提取单元，用于当接收到图像瑕疵检测请求时，从所述图像瑕疵检测请求中提取待检测图像；
转换单元，用于将所述待检测图像转换为多个不同预设尺寸的尺寸图像；
所述提取单元，还用于利用预先构建的编码器对所述多个尺寸图像进行特征提取，得到多个潜向量；
输入单元，用于将所述多个潜向量输入至与所述编码器对应的解码器中，得到多个重构图像，及将所述多个潜向量输入至预先训练的高斯混合模型中，得到每个尺寸图像对应的估测概率；
比较单元，用于将每个重构图像与每个尺寸图像进行比较，得到每个尺寸图像的计算误差；
确定单元，用于根据每个估测概率及每个计算误差确定每个尺寸图像的总误差，并根据每个总误差及与每个总误差对应的预设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，获取所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的图像瑕疵检测方法。
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获取以实现如权利要求1至7中任意一项所述的图像瑕疵检测方法。
CN202011527501.7A 2020-12-22 2020-12-22 图像瑕疵检测方法、装置、电子设备及介质 Pending CN114663335A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011527501.7A CN114663335A (zh) 2020-12-22 2020-12-22 图像瑕疵检测方法、装置、电子设备及介质
US17/526,290 US12039015B2 (en) 2020-12-22 2021-11-15 Method for detecting defects in multi-scale images and computing device utilizing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011527501.7A CN114663335A (zh) 2020-12-22 2020-12-22 图像瑕疵检测方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114663335A true CN114663335A (zh) 2022-06-24

Family

ID=82023197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011527501.7A Pending CN114663335A (zh) 2020-12-22 2020-12-22 图像瑕疵检测方法、装置、电子设备及介质

Country Status (2)

Country Link
US (1) US12039015B2 (zh)
CN (1) CN114663335A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117392464A (zh) * 2023-12-07 2024-01-12 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于多尺度去噪概率模型的图像异常检测的方法、系统

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581463B (zh) * 2020-12-25 2024-02-27 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN115147329A (zh) * 2021-03-29 2022-10-04 北京小米移动软件有限公司 一种柔性面板的修复方法、装置、设备及存储介质
CN115205257A (zh) * 2022-07-14 2022-10-18 武昌首义学院 一种基于正样本学习的人造板表面缺陷检测方法及系统
CN115187927B (zh) * 2022-07-27 2024-03-26 上海志远生态园林工程有限公司 一种观景座椅远程监测管理方法及系统
WO2024044947A1 (zh) * 2022-08-30 2024-03-07 宁德时代新能源科技股份有限公司 缺陷检测的方法、装置和计算机可读存储介质
CN115393725B (zh) * 2022-10-26 2023-03-07 西南科技大学 一种特征增强和语义分割的桥梁裂缝识别方法
CN116399873B (zh) * 2023-06-07 2023-09-26 杭州百子尖科技股份有限公司 基于机器视觉的片材缺陷贴标方法、装置、设备以及介质
CN116843685B (zh) * 2023-08-31 2023-12-12 山东大学 一种基于图像检测的3d打印工件缺陷识别方法及系统
CN117218097B (zh) * 2023-09-23 2024-04-12 宁波江北骏欣密封件有限公司 一种轴套类丝网垫圈零件表面缺陷检测方法及装置
CN117523323B (zh) * 2024-01-03 2024-05-14 支付宝(杭州)信息技术有限公司 一种生成图像的检测方法及装置
CN118366011B (zh) * 2024-06-19 2024-09-06 温州电力建设有限公司 模型训练、地下电缆管道缺陷识别方法、产品及设备
CN118537338B (zh) * 2024-07-25 2024-10-15 华南师范大学 基于缺陷类型引导的电路板缺陷定位方法
CN118587210A (zh) * 2024-08-02 2024-09-03 荣耀终端有限公司 一种显示屏的质量检测方法、电子设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60144249D1 (de) * 2000-12-15 2011-04-28 Kla Tencor Corp Verfahren und vorrichtung zum untersuchen eines substrats
US10109045B2 (en) * 2015-07-10 2018-10-23 Ricoh Company, Ltd. Defect inspection apparatus for inspecting sheet-like inspection object, computer-implemented method for inspecting sheet-like inspection object, and defect inspection system for inspecting sheet-like inspection object
US10275894B2 (en) * 2016-01-28 2019-04-30 Interra Systems Methods and systems for detection of artifacts in a video after error concealment
JP2018190851A (ja) * 2017-05-09 2018-11-29 株式会社 Ｎｇｒ コンタクトホールの欠陥検出方法
TW202020577A (zh) * 2018-09-28 2020-06-01 荷蘭商Ａｓｍｌ荷蘭公司 基於晶圓量測判定熱點排序
EP3739513A1 (en) * 2019-05-13 2020-11-18 Fujitsu Limited Surface defect identification method and apparatus
CN111507974B (zh) 2020-04-22 2023-10-24 广州柔视智能科技有限公司 缺陷检测方法、装置、缺陷检测设备及计算机存储介质
CN111833306B (zh) 2020-06-12 2024-02-13 北京百度网讯科技有限公司 缺陷检测方法和用于缺陷检测的模型训练方法
KR102439041B1 (ko) * 2020-08-14 2022-09-02 주식회사 한국파워셀 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117392464A (zh) * 2023-12-07 2024-01-12 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于多尺度去噪概率模型的图像异常检测的方法、系统
CN117392464B (zh) * 2023-12-07 2024-07-19 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 基于多尺度去噪概率模型的图像异常检测的方法、系统

Also Published As

Publication number Publication date
US20220198228A1 (en) 2022-06-23
US12039015B2 (en) 2024-07-16

Similar Documents

Publication Publication Date Title
CN114663335A (zh) 图像瑕疵检测方法、装置、电子设备及介质
WO2023050650A1 (zh) 动画视频生成方法、装置、设备及存储介质
CN111026915A (zh) 视频分类方法、视频分类装置、存储介质与电子设备
CN112200081A (zh) 异常行为识别方法、装置、电子设备及存储介质
US12067705B2 (en) Method for detecting data defects and computing device utilizing method
CN112613553B (zh) 图片样本集生成方法、装置、计算机设备和存储介质
CN116433559A (zh) 产品外观缺陷检测方法、电子设备及存储介质
TWI803243B (zh) 圖像擴增方法、電腦設備及儲存介質
CN111597309A (zh) 相似企业推荐方法、装置、电子设备及介质
CN117274133A (zh) 瑕疵侦测方法、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
US12002197B2 (en) Error reduction in reconstructed images in defect detection method, electronic device and storage medium
CN115861284A (zh) 印刷制品线状缺陷检测方法、装置、电子设备和存储介质
CN113536770B (zh) 基于人工智能的文本解析方法、装置、设备及存储介质
CN112348011B (zh) 一种车辆定损方法、装置及存储介质
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114663336A (zh) 模型输入尺寸确定方法及相关设备
TWI769633B (zh) 圖像瑕疵檢測方法、裝置、電腦裝置及介質
CN115237859A (zh) 需求文档质量检测方法、装置、设备及存储介质
CN114913350A (zh) 素材查重方法、装置、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
CN112102205A (zh) 图像去模糊方法、装置、电子设备及存储介质
TWI807854B (zh) 瑕疵偵測方法、電腦設備及儲存介質
TWI755212B (zh) 模型輸入尺寸確定方法及相關設備

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