CN114764765A - 图像瑕疵检测方法、装置、电子设备及存储介质 - Google Patents

图像瑕疵检测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114764765A
CN114764765A CN202011615847.2A CN202011615847A CN114764765A CN 114764765 A CN114764765 A CN 114764765A CN 202011615847 A CN202011615847 A CN 202011615847A CN 114764765 A CN114764765 A CN 114764765A
Authority
CN
China
Prior art keywords
image
encoder
detected
self
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
Application number
CN202011615847.2A
Other languages
English (en)
Inventor
杨荣浩
郭锦斌
卢志德
林子甄
李宛真
王薇钧
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 CN202011615847.2A priority Critical patent/CN114764765A/zh
Priority to US17/566,167 priority patent/US20220207707A1/en
Publication of CN114764765A publication Critical patent/CN114764765A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T5/00—Image enhancement or restoration
    • 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]

Abstract

本发明涉及图像检测领域，提供一种图像瑕疵检测方法、装置、电子设备及存储介质。所述方法包括：生成瑕疵图像修复数据集；输入所述瑕疵图像修复数据集训练自编码器；利用自编码器生成与所述瑕疵图像修复数据集的样本图像对应的重建图像，并基于所述样本图像与对应的重建图像之间的参考误差值来设定阈值；将待检测图像输入至所述自编码器，生成对应的重建图像；计算待检测图像和对应的重建图像的重建误差，判断所述重建误差是否大于阈值，并根据判断结果确定待检测图像是否存在瑕疵。本案可提高对瑕疵图像的判断准确率。

Description

图像瑕疵检测方法、装置、电子设备及存储介质
技术领域
本发明涉及图像检测领域，提供瑕疵检测和计算机视觉技术领域，具体涉及一种图像瑕疵检测方法、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，有必要提出一种图像瑕疵检测方法、装置、电子设备及存储介质以提高对瑕疵图像的判断准确率。
本申请的第一方面提供一种图像瑕疵检测方法，包括：
生成瑕疵图像修复数据集；
输入所述瑕疵图像修复数据集训练自编码器；
通过训练完成的自编码器生成与所述瑕疵图像修复数据集中的样本图像对应的重建图像，通过预设的误差函数计算所述样本图像与对应的重建图像之间的参考误差值，并基于所述参考误差值设定阈值；
将待检测图像输入至所述训练完成的自编码器，并生成与所述待检测图像对应的重建图像；
使用所述预设的误差函数计算所述待检测图像与对应的重建图像的重建误差，并判断所述待检测图像是否存在瑕疵；
当所述重建误差大于所述阈值时，确定所述待检测图像为瑕疵图像；或
当所述重建误差小于或等于所述阈值时，确定所述待检测图像为无瑕疵图像。
优选的，所述生成瑕疵图像修复数据集包括：
在无瑕疵样本图像数据集中的无瑕疵样本图像上加入按照预设方法生成的随机的瑕疵区块并生成人造瑕疵样本图像；及
基于成对的无瑕疵样本图像与人造瑕疵样本图像，生成瑕疵图像修复数据集。
优选的，按照所述预设方法生成随机的瑕疵区块包括：提取采集到的原始瑕疵样本图像中瑕疵区块，对所述瑕疵区块进行随机旋转和/或随机缩放和/或添加随机的高斯噪声得到随机的瑕疵区块。
优选的，所述输入所述瑕疵图像修复数据集训练自编码器包括：
根据输入的所述瑕疵图像修复数据集，训练自编码器学习重建图像，使用所述预设的误差函数作为损失函数，最小化所述损失函数并得到训练完成的自编码器。
优选的，所述训练所述自编码器学习重建图像包括：
当输入图像为无瑕疵样本图像时训练所述自编码器学习重建无瑕疵样本图像；
当输入图像为人造瑕疵样本图像时训练所述自编码器学习重建与所述人造瑕疵样本图像对应的无瑕疵样本图像。
将所述输入图像进行向量化处理，得到所述输入图像的特征向量；
利用自编码器中的编码层对所述输入图像的所述特征向量进行运算，得到所述待输入图像的隐向量；
利用所述自编码器中的解码层对所述输入图像的所述隐向量进行运算，并对运算后得到的向量进行还原处理，得到与所述输入图像对应的重建图像。优选的，所述基于所述参考误差值设定阈值包括：
计算所述参考误差值的统计值，将所述统计值确定为所述阈值；针对瑕疵检测，根据预设的召回率和精确率调整所述阈值，所述精确率为被正确检测为瑕疵样本图像的数量占所有被检测为瑕疵样本图像的数量的比例，所述召回率为被正确检测为瑕疵样本图像的数量占所有真实的瑕疵样本图像的数量的比例。
本申请的第二方面提供一种图像瑕疵检测装置，所述装置包括：
生成模块，用于生成瑕疵图像修复数据集；
训练模块，用于输入所述瑕疵图像修复数据集训练自编码器；
阈值设定模块，通过训练完成的自编码器生成与所述瑕疵图像修复数据集中的样本图像对应的重建图像，通过预设的误差函数计算所述样本图像与对应的重建图像之间的参考误差值，并基于所述参考误差值设定阈值；
图像重建模块，用于将待检测图像输入至所述训练完成的自编码器，并生成与所述待检测图像对应的重建图像；
判断模块，用于使用所述预设的误差函数计算所述待检测图像和所述与待检测图像对应的重建图像的误差值；
当所述重建误差大于所述阈值时，确定所述待检测图像为瑕疵图像；或
当所述重建误差小于或等于所述阈值时，确定所述待检测图像为无瑕疵图像。
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，执行所述存储器中存储的指令以实现所述瑕疵检测方法。
本申请的第四方面提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的图像瑕疵检测方法。
本发明中，通过生成人造瑕疵样本图像训练自编码器，可以重建无瑕疵样本图像，从而根据参考误差值调整阈值，以提高对瑕疵图像的判断准确率。
附图说明
图1为本发明一实施方式中图像瑕疵检测方法的流程图。
图2为本发明一实施方式中图像瑕疵检测装置的结构图。
图3为本发明一实施方式中电子设备的示意图。
主要元件符号说明
Figure BDA0002876645890000021
Figure BDA0002876645890000031
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体地实施例的目的，不是旨在于限制本发明。
优选地，本发明图像瑕疵检测方法应用在一个或者多个电子设备中。所述电子设备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)、数字处理器(DigitalSignal Processor，DSP)、嵌入式设备等。
所述电子设备可以是桌上型计算机、笔记本电脑、平板电脑及云端服务器等计算设备。所述电子设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例1
图1是本发明一实施方式中图像瑕疵检测方法的流程图。所述图像瑕疵检测方法应用于电子设备中。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。
参阅图1所示，所述图像瑕疵检测方法具体包括以下步骤：
步骤S11，生成瑕疵图像修复数据集。
本实施方式中，所述瑕疵图像修复数据集的生成包括：建立无瑕疵样本图像数据集；在所述无瑕疵样本图像数据集中的无瑕疵样本图像上加入按照预设方法生成的随机的瑕疵区块，并生成人造瑕疵样本图像；基于成对的无瑕疵样本图像与人造瑕疵样本图像，生成瑕疵图像修复数据集。
本实施方式中，按照所述预设方法生成随机的瑕疵区块包括：提取采集到的原始瑕疵样本图像中的瑕疵区块，对所述瑕疵区块进行随机旋转、随机缩放和添加随机的高斯噪声得到随机的瑕疵区块。
在不同的实施方式中，所述无瑕疵样本图像和所述原始瑕疵样本图像可以通过不同的方式获取，例如，可以通过拍照方式获取等。
在本发明的另一实施方式中，按照所述预设方法生成随机的瑕疵区块还包括：生成随机形状、位置、大小、灰度值、数量的瑕疵区块，对瑕疵区块进行随机旋转、随机缩放和添加随机高斯噪声得到随机的瑕疵区块。
步骤S12，输入所述瑕疵图像修复数据集训练自编码器。
本实施方式中，所述输入所述瑕疵图像修复数据集训练自编码器包括：
根据输入的所述瑕疵图像修复数据集，训练自编码器学习重建图像，使用所述预设的误差函数作为损失函数，最小化所述损失函数并得到训练完成的自编码器。
在其他实施方式中，所述自编码器可以被替换为去噪自编码器，稀疏自编码器，压缩自编码器，变分自编码器，堆叠自编码器等。
本实施方式中，所述自编码器可包括编码器和解码器。具体地，所述编码器中包含至少一个隐层，所述至少一个隐层的数量可以根据应用场景任意设置。
本实施方式中，训练所述自编码器学习重建图像，包括：
当输入图像为无瑕疵样本图像时训练所述自编码器学习重建无瑕疵样本图像；
当输入图像为人造瑕疵样本图像时训练所述自编码器学习重建与所述人造瑕疵样本图像对应的无瑕疵样本图像。
本实施方式中，所述重建图像包括：
将所述输入图像进行向量化处理，得到所述输入图像的特征向量；
利用自编码器中的编码层对所述输入图像的所述特征向量进行运算，得到所述待输入图像的隐向量；
利用所述自编码器中的解码层对所述输入图像的所述隐向量进行运算，并对运算后得到的向量进行还原处理，得到与所述输入图像对应的重建图像。
本实施方式中，最小化所述损失函数是优化所述自编码器的优化目标。
具体地，所述预设的误差函数可以是均方差函数，交叉熵函数等。
例如，当设置均方差函数作为损失函数时，优化自编码器包括：最小化输入图像的重建图像和与所述输入图像对应的无瑕疵样本图像的均方差。
又例如，当设置交叉熵函数作为损失函数时，优化自编码器包括：最小化输入图像的重建图像和与所述输入图像对应的无瑕疵样本图像的交叉熵。
步骤S13，通过训练完成的自编码器生成与所述瑕疵图像修复数据集中的样本图像对应的重建图像，通过预设的误差函数计算所述样本图像与对应的重建图像之间的参考误差值，并基于所述参考误差值设定阈值。
本实施方式中，所述参考误差值为所述瑕疵图像修复数据集中的样本图像与通过所述训练完成的自编码器生成的与所述样本图像对应的所述重建图像通过所述预设的误差函数计算得到的误差值。
本实施方式中，计算所述参考误差值使用的误差函数与作为所述损失函数的所述预设的误差函数相同。
例如，当训练所述自编码器使用均方差函数作为损失函数时，计算所述瑕疵图像修复数据集中的样本图像与对应的重建图像的均方差作为所述参考误差值。
又例如，当训练所述自编码器使用交叉熵函数作为损失函数时，计算所述瑕疵图像修复数据集中的样本图像与对应的重建图像的交叉熵作为所述参考误差值。
本实施方式中，所述基于所述参考误差值设定阈值包括：计算所述参考误差值的统计值，将所述统计值确定为所述阈值。
进一步地，针对瑕疵检测，根据预设的召回率或精确率调整所述阈值，所述精确率为被正确检测为瑕疵样本图像的数量占所有被检测为瑕疵样本图像的数量的比例，所述召回率为被正确检测为瑕疵样本图像的数量占所有真实的瑕疵样本图像的数量的比例。
例如，假设瑕疵图像修复数据集中的所述瑕疵样本图像与对应的重建图像的所述参考误差值服从高斯分布，可以将高斯分布的90％分位值作为阈值，以获得较高的精确率。
又例如，可以将瑕疵图像修复数据集中的所述无瑕疵样本图像与对应的重建图像的所述参考误差值的最大值作为所述阈值，以获得较高的召回率。
又例如，可以将瑕疵图像修复数据集中的所述瑕疵样本图像与对应的重建误差图像的所述参考误差的最小值作为所述阈值，以获得较高的召回率。
步骤S14，将待检测图像输入至所述训练完成的自编码器，并生成与所述待检测图像对应的重建图像。
具体地，通过所述训练完成的自编码器生成的重建图像是无瑕疵样本图像。
具体地，根据待检测图像，利用所述训练完成的自编码器生成重建图像包括：
将所述待检测图像进行向量化处理，得到所述待检测图像的特征向量；
利用所述训练完成的自编码器中的编码层对所述待检测图像的所述特征向量进行运算，得到所述待检测图像的隐向量；
利用所述训练完成的自编码器中的解码层对所述待检测图像的所述隐向量进行运算，并对运算后得到的向量进行还原处理，得到与所述待检测图像对应的重建图像。
步骤S15，使用所述预设的误差函数计算所述待检测图像与对应的重建图像的重建误差，并判断所述待检测图像是否存在瑕疵。
本实施方式中，当所述重建误差大于所述阈值时，确定所述待检测图像为瑕疵图像；或者，当所述重建误差小于或等于所述阈值时，确定所述待检测图像为无瑕疵图像。
本实施方式中，所述预设的误差函数与上文所述作为所述损失函数的所述预设的误差函数相同。
例如，当训练所述自编码器使用均方差函数作为损失函数时，计算所述待检测图像与对应的重建图像的均方差。
又例如，当训练所述自编码器使用交叉熵函数作为损失函数时，计算所述待检测图像与对应的所述重建图像的交叉熵。
本实施方式中，通过生成人造瑕疵样本图像训练自编码器，可以重建无瑕疵样本图像，从而根据参考误差值调整阈值，以提高对瑕疵图像的判断准确率。
实施例2
图2为本发明一实施方式中图像瑕疵检测装置30的结构图。
在一些实施例中，所述图像瑕疵检测装置30运行于电子设备中。所述图像瑕疵检测装置30可以包括多个由程序代码段所组成的功能模块。所述图像瑕疵检测装置30中的各个程序段的程序代码可以存储于存储器中，并由至少一个处理器所执行，以执行图像瑕疵检测功能。
本实施例中，所述图像瑕疵检测装置30根据其所执行的功能，可以被划分为多个功能模块。参阅图2所示，所述图像瑕疵检测装置30可以包括生成模块301，训练模块302，阈值设定模块303，图像重建模块304及判断模块305。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。所述在一些实施例中，关于各模块的功能将在后续的实施例中详述。
所述生成模块301生成瑕疵图像修复数据集。
本实施方式中，所述瑕疵图像修复数据集的生成包括：建立无瑕疵样本图像数据集；在所述无瑕疵样本图像数据集中的无瑕疵样本图像上加入按照预设方法生成的随机的瑕疵区块，并生成人造瑕疵样本图像；基于成对的无瑕疵样本图像与人造瑕疵样本图像，生成瑕疵图像修复数据集。
本实施方式中，按照所述预设方法生成随机的瑕疵区块包括：提取采集到的原始瑕疵样本图像中的瑕疵区块，对所述瑕疵区块进行随机旋转、随机缩放和添加随机的高斯噪声得到随机的瑕疵区块。
在不同的实施方式中，所述无瑕疵样本图像和所述原始瑕疵样本图像可以通过不同的方式获取，例如，可以通过拍照方式获取等。
在本发明的另一实施方式中，按照所述预设方法生成随机的瑕疵区块还包括：生成随机形状、位置、大小、灰度值、数量的瑕疵区块，对瑕疵区块进行随机旋转、随机缩放和添加随机高斯噪声得到随机的瑕疵区块。
所述训练模块302输入所述瑕疵图像修复数据集训练自编码器。
本实施方式中，所述输入瑕疵图像修复数据集训练自编码器包括：
根据输入的所述瑕疵图像修复数据集，训练自编码器学习重建图像，使用所述预设的误差函数作为损失函数，最小化所述损失函数并得到训练完成的自编码器。
在其他实施方式中，所述训练模块302中的所述自编码器可以被替换为去噪自编码器，稀疏自编码器，压缩自编码器，变分自编码器，堆叠自编码器等。
本实施方式中，所述训练模块302中的所述自编码器可包括编码器和解码器。具体地，所述编码器中包含至少一个隐层，所述至少一个隐层的数量可以根据应用场景任意设置。
本实施方式中，所述训练模块302训练所述自编码器学习重建图像，包括：
当输入图像为无瑕疵样本图像时所述训练模块302训练所述自编码器学习重建无瑕疵样本图像；
当输入图像为人造瑕疵样本图像时所述训练模块302训练所述自编码器学习重建与所述人造瑕疵样本图像对应的无瑕疵样本图像。
本实施方式中，所述训练模块302重建图像包括：
将所述输入图像进行向量化处理，得到所述输入图像的特征向量；
利用自编码器中的编码层对所述输入图像的所述特征向量进行运算，得到所述待输入图像的隐向量；
利用所述自编码器中的解码层对所述输入图像的所述隐向量进行运算，并对运算后得到的向量进行还原处理，得到与所述输入图像对应的重建图像。
本实施方式中，最小化所述损失函数是优化所述自编码器的优化目标。
具体地，所述预设的误差函数可以是均方差函数，交叉熵函数等。
例如，当设置均方差函数作为损失函数时，优化自编码器包括：最小化输入图像的重建图像和与所述输入图像对应的无瑕疵样本图像的均方差。
又例如，当设置交叉熵函数作为损失函数时，优化自编码器包括：最小化输入图像的重建图像和与所述输入图像对应的无瑕疵样本图像的交叉熵。
所述阈值设定模块303通过训练完成的自编码器生成与所述瑕疵图像修复数据集中的样本图像对应的重建图像，通过预设的误差函数计算所述样本图像与对应的重建图像之间的参考误差值，并基于所述参考误差值设定阈值。
本实施方式中，计算所述参考误差值使用的误差函数与作为所述损失函数的所述预设的误差函数相同。
例如，当所述训练模块302训练所述自编码器使用均方差函数作为损失函数时，计算所述瑕疵图像修复数据集中的样本图像与对应的重建图像的均方差作为所述参考误差值。
又例如，当所述训练模块302训练所述自编码器使用交叉熵函数作为损失函数时，计算所述瑕疵图像修复数据集中的样本图像与对应的重建图像的交叉熵作为所述参考误差值。
本实施方式中，所述基于所述参考误差值设定阈值包括：计算所述参考误差值的统计值，将所述统计值确定为所述阈值。
进一步地，针对瑕疵检测，根据预设的召回率或精确率调整所述阈值，所述精确率为被正确检测为瑕疵样本图像的数量占所有被检测为瑕疵样本图像的数量的比例，所述召回率为被正确检测为瑕疵样本图像的数量占所有真实的瑕疵样本图像的数量的比例。
例如，假设瑕疵图像修复数据集中的所述瑕疵样本图像与对应的重建图像的所述参考误差值服从高斯分布，可以将高斯分布的90％分位值作为阈值，以获得较高的精确率。
又例如，可以将瑕疵图像修复数据集中的所述无瑕疵样本图像与对应的重建图像的所述参考误差值的最大值作为所述阈值，以获得较高的召回率。
又例如，可以将瑕疵图像修复数据集中的所述瑕疵样本图像与对应的重建误差图像的所述参考误差的最小值作为所述阈值，以获得较高的召回率。
所述图像重建模块304将待检测图像输入至所述训练完成的自编码器，并生成与所述待检测图像对应的重建图像。
具体地，通过所述训练完成的自编码器生成的重建图像是无瑕疵样本图像。
具体地，所述图像重建模块304根据待检测图像，利用所述训练完成的自编码器生成重建图像包括：
将所述待检测图像进行向量化处理，得到所述待检测图像的特征向量；
利用所述训练完成的自编码器中的编码层的隐层对所述待检测图像的所述特征向量进行运算，得到所述待检测图像的隐向量；
利用所述训练完成的自编码器中的解码层对所述待检测图像的所述隐向量进行运算，并对运算后得到的向量进行还原处理，得到与所述待检测图像对应的重建图像。
所述判断模块305使用所述预设的误差函数计算所述待检测图像与对应的重建图像的重建误差，并判断所述待检测图像是否存在瑕疵。
本实施方式中，当所述重建误差大于所述阈值时，确定所述待检测图像为瑕疵图像；或者，当所述重建误差小于或等于所述阈值时，确定所述待检测图像为无瑕疵图像。
本实施方式中，所述预设的误差函数与上文所述作为所述损失函数的所述预设的误差函数相同。
例如，当所述训练模块302训练所述自编码器使用均方差函数作为损失函数时，计算所述待检测图像与对应的重建图像的均方差。
又例如，当所述训练模块302练所述自编码器使用交叉熵函数作为损失函数时，计算所述待检测图像与对应的所述重建图像的交叉熵。
本实施方式中，通过生成人造瑕疵样本图像训练自编码器，可以重建无瑕疵样本图像，从而根据参考误差值调整阈值，以提高对瑕疵图像的判断准确率。
实施例3
图3为本发明一实施方式中电子设备6的示意图。
所述电子设备6包括存储器61、处理器62以及存储在所述存储器61中并可在所述处理器62上运行的计算机程序63。所述处理器62执行所述计算机程序63时实现上述图像瑕疵检测方法实施例中的步骤，例如图1所示的步骤S11～S15。或者，所述处理器62执行所述计算机程序63时实现上述图像瑕疵检测装置实施例中各模块/单元的功能，例如图2中的模块301～305。
示例性的，所述计算机程序63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61中，并由所述处理器62执行，以完成本发明。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，所述指令段用于描述所述计算机程序63在所述电子设备6中的执行过程。例如，所述计算机程序63可以被分割成图2中的生成模块301，训练模块302，阈值设定模块303，图像重建模块304及判断模块305，各模块具体功能参见实施例2。
本实施方式中，所述电子设备6可以是桌上型计算机、笔记本、掌上电脑、服务器及云端终端装置等计算设备。本领域技术人员可以理解，所述示意图仅仅是电子设备6的示例，并不构成对电子设备6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6还可以包括输入输出设备、网络接入设备、总线等。
所称处理器62可以是中央处理模块(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所述处理器62也可以是任何常规的处理器等，所述处理器62是所述电子设备6的控制中心，利用各种接口和线路连接整个电子设备6的各个部分。
所述存储器61可用于存储所述计算机程序63和/或模块/单元，所述处理器62通过运行或执行存储在所述存储器61内的计算机程序和/或模块/单元，以及调用存储在存储器61内的数据，实现所述电子设备6的各种功能。所述存储器61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6的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器61可以包括高速随机存取存储器，还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、或其他易失性固态存储器件。
所述电子设备6集成的模块/单元如果以软件功能模块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，本发明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，所述计算机程序在被处理器执行时，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、可执行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)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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。
另外，在本发明各个实施例中的各功能模块可以集成在相同处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在相同模块中。上述集成的模块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。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。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，本发明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发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。电子设备权利要求中陈述的多个模块或电子设备也可以由同一个模块或电子设备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发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明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，所述方法包括：
生成瑕疵图像修复数据集；
输入所述瑕疵图像修复数据集训练自编码器；
通过训练完成的自编码器生成与所述瑕疵图像修复数据集中的样本图像对应的重建图像，通过预设的误差函数计算所述样本图像与对应的重建图像之间的参考误差值，并基于所述参考误差值设定阈值；
将待检测图像输入至所述训练完成的自编码器，并生成与所述待检测图像对应的重建图像；
使用所述预设的误差函数计算所述待检测图像与对应的重建图像的重建误差，并判断所述待检测图像是否存在瑕疵；
当所述重建误差大于所述阈值时，确定所述待检测图像为瑕疵图像；或
当所述重建误差小于或等于所述阈值时，确定所述待检测图像为无瑕疵图像。
2.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述生成瑕疵图像修复数据集包括：
在无瑕疵样本图像数据集中的无瑕疵样本图像上加入按照预设方法生成的随机的瑕疵区块并生成人造瑕疵样本图像；及
基于成对的无瑕疵样本图像与人造瑕疵样本图像，生成瑕疵图像修复数据集。
3.如权利要求2所述的图像瑕疵检测方法，其特征在于，按照所述预设方法生成随机的瑕疵区块包括：
提取采集到的原始瑕疵样本图像中的瑕疵区块，对所述瑕疵区块进行随机旋转和/或随机缩放和/或添加随机的高斯噪声得到随机的瑕疵区块。
4.如权利要求1或2所述的图像瑕疵检测方法，其特征在于，所述输入所述瑕疵图像修复数据集训练自编码器包括：
根据输入的所述瑕疵图像修复数据集，训练自编码器学习重建图像，使用所述预设的误差函数作为损失函数，最小化所述损失函数并得到训练完成的自编码器。
5.如权利要求4所述的图像瑕疵检测方法，其特征在于，所述训练所述自编码器学习重建图像包括：
当输入图像为无瑕疵样本图像时训练所述自编码器学习重建无瑕疵样本图像；
当输入图像为人造瑕疵样本图像时训练所述自编码器学习重建与所述人造瑕疵样本图像对应的无瑕疵样本图像。
6.如权利要求4所述的图像瑕疵检测方法，其特征在于，所述重建图像包括：
将所述输入图像进行向量化处理，得到所述输入图像的特征向量；
利用自编码器中的编码层对所述输入图像的所述特征向量进行运算，得到所述待输入图像的隐向量；
利用所述自编码器中的解码层对所述输入图像的所述隐向量进行运算，并对运算后得到的向量进行还原处理，得到与所述输入图像对应的重建图像。
7.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述基于所述参考误差值设定阈值包括：
计算所述参考误差值的统计值，将所述统计值确定为所述阈值；针对瑕疵检测，根据预设的召回率和精确率调整所述阈值，所述精确率为被正确检测为瑕疵样本图像的数量占所有被检测为瑕疵样本图像的数量的比例，所述召回率为被正确检测为瑕疵样本图像的数量占所有真实的瑕疵样本图像的数量的比例。
8.一种图像瑕疵检测装置，其特征在于，所述装置包括：
生成模块，用于生成瑕疵图像修复数据集；
训练模块，用于输入所述瑕疵图像修复数据集训练自编码器；
阈值设定模块，用于通过训练完成的自编码器生成与所述瑕疵图像修复数据集中的样本图像对应的重建图像，通过预设的误差函数计算所述样本图像与对应的重建图像之间的参考误差值，并基于所述参考误差值设定阈值；
图像重建模块，用于将待检测图像输入至所述训练完成的自编码器，并生成与所述待检测图像对应的重建图像；
判断模块，用于使用所述预设的误差函数计算所述待检测图像与对应的重建图像的重建误差，并判断所述待检测图像是否存在瑕疵；
当所述重建误差大于所述阈值时，确定所述待检测图像为瑕疵图像；或
当所述重建误差小于或等于所述阈值时，确定所述待检测图像为无瑕疵图像。
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中任一项所述的图像瑕疵检测方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的图像瑕疵检测方法。
CN202011615847.2A 2020-12-30 2020-12-30 图像瑕疵检测方法、装置、电子设备及存储介质 Pending CN114764765A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011615847.2A CN114764765A (zh) 2020-12-30 2020-12-30 图像瑕疵检测方法、装置、电子设备及存储介质
US17/566,167 US20220207707A1 (en) 2020-12-30 2021-12-30 Image defect detection method, electronic device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011615847.2A CN114764765A (zh) 2020-12-30 2020-12-30 图像瑕疵检测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114764765A true CN114764765A (zh) 2022-07-19

Family

ID=82118871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011615847.2A Pending CN114764765A (zh) 2020-12-30 2020-12-30 图像瑕疵检测方法、装置、电子设备及存储介质

Country Status (2)

Country Link
US (1) US20220207707A1 (zh)
CN (1) CN114764765A (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115272761A (zh) * 2022-07-26 2022-11-01 国网四川省电力公司电力科学研究院 基于协同表征双边自编码器的电网输电线路缺陷检测方法
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
CN115470878B (zh) * 2022-10-08 2023-05-02 北京微点科学技术有限公司 基于微点码的可变防伪超线防伪方法和装置
CN115439721B (zh) * 2022-11-08 2023-04-18 南方电网数字电网研究院有限公司 电力设备异常少样本缺陷分类模型训练方法、装置
CN116485779B (zh) * 2023-05-11 2024-01-30 哈尔滨工业大学重庆研究院 自适应晶圆缺陷检测方法、装置、电子设备及存储介质
CN116883399A (zh) * 2023-09-06 2023-10-13 内蒙古晶环电子材料有限公司 蓝宝石放肩阶段缺陷视觉检测方法、装置、系统和设备
CN117314909B (zh) * 2023-11-29 2024-02-09 无棣源通电子科技有限公司 基于人工智能的电路板缺陷检测方法、装置、设备及介质

Also Published As

Publication number Publication date
US20220207707A1 (en) 2022-06-30

Similar Documents

Publication Publication Date Title
CN114764765A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN114943673A (zh) 瑕疵图像生成方法、装置、电子设备及存储介质
CN112257578A (zh) 人脸关键点检测方法、装置、电子设备及存储介质
US20220222799A1 (en) Method for detecting defect in products and electronic device using method
CN114862740A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
CN111815748B (zh) 一种动画处理方法、装置、存储介质及电子设备
TWI792134B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
US20220207892A1 (en) Method and device for classifing densities of cells, electronic device using method, and storage medium
CN114881913A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
TWI762193B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN114943672A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
TWI764492B (zh) 缺陷檢測分類方法、裝置、電子設備及存儲介質
TWI778519B (zh) 瑕疵圖像生成方法、裝置、電子設備及存儲介質
US11983866B2 (en) Image defect detection method, electronic device using the same
TWI755212B (zh) 模型輸入尺寸確定方法及相關設備
TWI795729B (zh) 圖像瑕疵檢測方法、電子設備及存儲介質
TW202232374A (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
US20220207867A1 (en) Method and device for detecting defects, electronic device using method, and non-transitory storage medium
CN115760641B (zh) 基于多尺度特征注意力网络的遥感影像去云雾方法和设备
US20220198645A1 (en) Model input size determination method, electronic device and storage medium
TWI755176B (zh) 細胞密度分類方法及裝置、電子裝置及存儲介質
US20220207695A1 (en) Method and device for detecting defects, electronic device using method, and non-transitory storage medium
TWI804798B (zh) 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質

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