CN114764768A - 缺陷检测分类方法、装置、电子设备及存储介质 - Google Patents
缺陷检测分类方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114764768A CN114764768A CN202011633792.8A CN202011633792A CN114764768A CN 114764768 A CN114764768 A CN 114764768A CN 202011633792 A CN202011633792 A CN 202011633792A CN 114764768 A CN114764768 A CN 114764768A
- Authority
- CN
- China
- Prior art keywords
- image
- detected
- defect
- images
- defect 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.)
- Pending
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像检测领域,提供一种缺陷检测分类方法、装置、电子设备及存储介质。所述方法包括:将待检测图像输入至训练好的自编码器,获得与所述待检测图像对应的重构图像;基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否存在缺陷;当判定所述待检测图像存在缺陷时,分别计算所述待检测图像与多个标记缺陷类别的范本图像的结构相似性数值,确定最高的结构相似性数值对应的范本图像所标记的缺陷类别,将所述待检测图像分类至所确定的缺陷类别。本发明可提高对图像进行缺陷检测和分类的效率。
Description
技术领域
本发明涉及图像检测领域,具体涉及一种缺陷检测分类方法、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缺陷检测,目前的缺陷检测方法无法对工业商品的缺陷进行自动而有效率地分类。
发明内容
鉴于以上内容,有必要提出一种缺陷检测分类方法、装置、电子设备及存储介质以提高缺陷检测分类的效率。
本申请的第一方面提供一种缺陷检测分类方法,所述方法包括:
将待检测图像输入至训练好的自编码器,获得与所述待检测图像对应的重构图像;
基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否有缺陷,所述缺陷判断准则的表达式为:
其中,ΔX为重构图像和待检测图像计算获得的重构误差图像,δX为过滤小噪声重构误差的二值图像,i、j表示像素位置,τ为预设的重构误差度量阈值;
当判定所述待检测图像存在缺陷时,分别计算所述待检测图像与多个标记缺陷类别的范本图像的结构相似性数值,确定最高的结构相似性数值对应的范本图像所标记的缺陷类别,将所述待检测图像分类至所确定的缺陷类别。
优选的,所述预设的重构误差度量阈值为训练重构误差的统计值,基于预设的缺陷检测召回率和精确率调整,所述精确率为被正确检测为存在瑕疵的图像数量占所有被检测为存在瑕疵的图像数量的比例,所述召回率为被正确检测为存在缺陷的图像数量占所有真实存在瑕疵的图像数量的比例。
优选的,所述二值图像定义为:
其中,ε为小噪声重构误差过滤阈值。
优选的,所述自编码器训练过程中,采用的优化目标函数表达式为:
|X-X′|1+λ|X-X′|2,
其中,X为输入图像,X′为重构图像,λ为取值范围为0.1-10的权重,|X-X′|1为重构误差图像的L1范数,|X-X′|2为重构误差图像的L2范数。
优选的,所述结构相似性为衡量两张数位影像相似程度的指标,计算公式为:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中,x和y分别代表待检测图像和范本图像,SSIM(x,y)表示图片x和y的结构相似性,l(x,y)比较图片x和y的亮度,μx,μy分别表示图片x和y的平均值;c(x,y)比较图片x和y的对比度,σx,σy分别表示图片x和y的标准差;σxy为图片x,y的协方差,C1,C2,C3为常数,用以维持l(x,y),c(x,y),s(x,y)的稳定。
优选的,所述待检测图像与所述范本图像的所述结构相似性数值与所述待检测图像与所述范本图像之间的相似度正相关。
优选的,所述方法还包括:
若满足过滤小噪声重构误差的缺陷判断准则,确定所述待检测图像存在缺陷;或若不满足过滤小噪声的缺陷判断准则,确定所述待检测图像不存在缺陷。
本申请的第二方面提供一种缺陷检测分类装置,所述装置包括:
自编码器模块,用于将待检测图像输入至训练好的自编码器,获得与所述待检测图像对应的重构图像;
判断模块,用于基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否存在缺陷;
分类模块,用于当判定所述待检测图像存在缺陷时,计算判定为存在缺陷的所述待检测图像与多个标记缺陷类别的范本图像的结构相似性数值,确定最高的结构相似性数值对应的范本图像所标记的缺陷类别,将所述待检测图像分类至所确定的缺陷类别。
本申请的第三方面提供一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现所述缺陷检测分类方法。
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缺陷检测分类方法。
本发明中,通过训练自编码器,利用自编码器重构待检测图像,得到与待检测图像对应的重构图像,根据过滤小噪声的缺陷判断准则判断待检测图像是否有缺陷,并根据结构相似性对待检测图像进行分类,提高了对图像进行缺陷检测和分类的效率和准确度。
附图说明
图1为本发明一实施方式中缺陷检测分类方法的流程图。
图2为本发明一实施方式中缺陷检测分类装置的结构图。
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
缺陷检测分类装置 | 40 |
图像重构模块 | 401 |
判断模块 | 402 |
分类模块 | 403 |
电子设备 | 6 |
存储器 | 61 |
处理器 | 62 |
计算机程序 | 63 |
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的实施例的目的,不是旨在于限制本发明。
优选地,本发明缺陷检测分类方法应用在一个或者多个电子设备中。所述电子设备是缺陷检测分类方法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 SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal 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缺陷检测分类方法的流程图。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,所述缺陷检测分类方法具体包括以下步骤:
步骤S11,将待检测图像输入至训练好的自编码器,获得与所述待检测图像对应的重构图像。
本实施方式中,首先,可使用训练集图像训练所述自编码器,具体地,训练集图像可以采用无缺陷样本图像,本实施方式中,训练自编码器采用的优化目标函数的表达式为:
|X-X'|1+λ|X-X'|2,
其中,X为输入图像,X′为重构图像,λ为取值范围为0.1-10的权重,|X-X′|1为重构误差图像的L1范数,|X-X′|2为重构误差图像的L2范数。
上述优化目标函数既可以确保重构误差图像尽可能的稀疏性,又可以保证重构的平滑性,λ为权重,通过不同的取值实现自编码器的重构误差图像平滑性和稀疏性的平衡,取值越大训练得到的重构误差图像越平滑,反之重构误差图像越稀疏,例如,λ的一般取值范围是0.1至10。
本实施方式中,所述预设的重构误差度量阈值τ为训练重构误差的统计值,基于预设的缺陷检测召回率和精确率调整,所述精确率为被正确检测为存在瑕疵的图像数量占所有被检测为存在瑕疵的图像数量的比例,所述召回率为被正确检测为存在缺陷的图像数量占所有真实存在瑕疵的图像数量的比例。例如,假设自编码器对训练图像的重构误差服从高斯分布,可以将高斯分布的85%分位值作为阈值。
步骤S12,基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否存在缺陷。
本实施方式中,步骤S12具体可包括:
根据重构图像计算重构误差图像;
根据过滤小噪声重构误差的二值图像计算公式得到重构误差二值图像,具体地,过滤小噪声重构误差的二值图像计算公式为:
其中,ε为小噪声重构误差过滤阈值,根据自编码器对训练集图像的重构误差确定,用于过滤掉小的重构误差像素,ΔXi,j为重构图像和待检测图像计算获得的重构误差图像,i、j为像素位置,δXi,j为重构误差二值图像,用于指示重构误差较大的像素位置;
根据重构误差图像和重构误差二值图像计算重构误差较大的像素点的平均值,将重构误差较大的像素点的平均值作为判断准则度量。
本实施方式中,可利用过滤小噪声重构误差的缺陷判断准则对所述待检测图像进行缺陷检测,所述缺陷判断准则的表达式为:
本实施方式中,若满足过滤小噪声重构误差的缺陷判断准则,确定所述待检测图像存在缺陷;或若不满足过滤小噪声的缺陷判断准则,确定所述待检测图像不存在缺陷。
步骤S13,当判定所述待检测图像存在缺陷时,分别计算所述待检测图像与多个标记缺陷类别的范本图像的结构相似性数值,确定最高的结构相似性数值对应的范本图像所标记的缺陷类别,将所述待检测图像分类至所确定的缺陷类别。
本实施方式中,根据结构相似性计算公式计算所述待检测图像与范本图像之间的结构相似性数值。本实施方式中,结构相似性计算公式为:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中,x和y分别代表待检测图像和范本图像,SSIM(x,y)表示图片x和y的结构相似性,l(x,y)比较图片x和y的亮度,μx,μy分别表示图片x和y的平均值;c(x,y)比较图片x和y的对比度,σx,σy分别表示图片x和y的标准差;σxy为图片x,y的协方差,C1,C2,C3为常数,用以维持l(x,y),c(x,y),s(x,y)的稳定。
所述待检测图像与所述范本图像的所述结构相似性数值与所述待检测图像与所述范本图像之间的相似度正相关。
本发明中,通过训练自编码器,利用自编码器重构待检测图像,得到与待检测图像对应的重构图像,根据基于过滤小噪声的缺陷判断准则判断待检测图像是否有缺陷,并根据结构相似性对待检测图像进行分类,可以提高对图像进行缺陷检测和分类的效率。
实施例2
图2为本发明一实施方式中缺陷检测分类装置40的结构图。
在一些实施例中,所述缺陷检测分类装置40运行于电子设备中。所述缺陷检测分类装置40可以包括多个由程序代码段所组成的功能模块。所述缺陷检测分类装置40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。
本实施例中,所述缺陷检测分类装置40根据其所执行的功能,可以被划分为多个功能模块。参阅图3所示,所述缺陷检测分类装置40可以包括图像重构模块401、判断模块402及分类模块403。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。
所述图像重构模块401将待检测图像输入训练好的自编码器,获得与所述待检测图像对应的重构图像。
本实施方式中,为了获得重构图像,所述缺陷检测分类装置40还可包括训练模块,所述训练模块可对自编码器进行训练。
例如,所述训练模块使用训练集图像训练所述自编码器,具体地,训练集图像可以采用无缺陷样本图像,本实施方式中,所述训练模块训练自编码器采用的优化目标函数的表达式为:
|X-X′|1+λ|X-X′|2,
其中,X为输入图像,X′为重构图像,λ为取值范围为0.1-10的权重,|X-X′|1为重构误差图像的L1范数,|X-X′|2为重构误差图像的L2范数。
上述优化目标函数既可以确保重构误差图像尽可能的稀疏性,又可以保证重构的平滑性,λ为权重,通过不同的取值实现自编码器的重构误差图像平滑性和稀疏性的平衡,取值越大训练得到的重构误差图像越平滑,反之重构误差图像越稀疏,例如,λ的一般取值范围是0.1至10。
本实施方式中,所述预设的重构误差度量阈值τ为训练重构误差的统计值,基于预设的缺陷检测召回率和精确率调整,所述精确率为被正确检测为存在瑕疵的图像数量占所有被检测为存在瑕疵的图像数量的比例,所述召回率为被正确检测为存在缺陷的图像数量占所有真实存在瑕疵的图像数量的比例。例如,假设自编码器对训练图像的重构误差服从高斯分布,可以将高斯分布的85%分位值作为阈值。
所述判断模块402基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否存在缺陷。
本实施方式中,所述判断模块402基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否存在缺陷,具体可包括:
所述判断模块402根据重构图像计算重构误差图像;
所述判断模块402根据过滤小噪声重构误差的二值图像计算公式得到重构误差二值图像,具体地,过滤小噪声重构误差的二值图像计算公式为:
其中,ε为小噪声重构误差过滤阈值,根据自编码器对训练集图像的重构误差确定,用于过滤掉小的重构误差像素,ΔXi,j为重构图像和待检测图像计算获得的重构误差图像,i、j为像素位置,δXi,j为重构误差二值图像,用于指示重构误差较大的像素位置;
所述判断模块402根据重构误差图像和重构误差二值图像计算重构误差较大的像素点的平均值,将重构误差较大的像素点的平均值作为判断准则度量。
本实施方式中,可利用过滤小噪声重构误差的缺陷判断准则对所述待检测图像进行缺陷检测,所述缺陷判断准则的表达式为:
本实施方式中,若满足过滤小噪声重构误差的缺陷判断准则,所述判断模块402确定所述待检测图像存在缺陷;或若不满足过滤小噪声的缺陷判断准则,所述判断模块402确定所述待检测图像不存在缺陷。
所述分类模块403当判定所述待检测图像存在缺陷时,分别计算所述待检测图像与多个标记缺陷类别的范本图像的结构相似性数值,确定最高的结构相似性数值对应的范本图像所标记的缺陷类别,将所述待检测图像分类至所确定的缺陷类别。
本实施方式中,所述分类模块403根据结构相似性计算公式计算所述待检测图像与范本图像之间的结构相似性数值。本实施方式中,结构相似性计算公式为:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中,x和y分别代表待检测图像和范本图像,SSIM(x,y)表示图片x和y的结构相似性,l(x,y)比较图片x和y的亮度,μx,μy分别表示图片x和y的平均值;c(x,y)比较图片x和y的对比度,σx,σy分别表示图片x和y的标准差;σxy为图片x,y的协方差,C1,C2,C3为常数,用以维持l(x,y),c(x,y),s(x,y)的稳定。
所述待检测图像与所述范本图像的所述结构相似性数值与所述待检测图像与所述范本图像之间的相似度正相关。
本发明中,通过训练自编码器,利用自编码器重构待检测图像,得到与待检测图像对应的重构图像,根据基于过滤小噪声的缺陷判断准则判断待检测图像是否有缺陷,并根据结构相似性对待检测图像进行分类,可以提高对图像进行缺陷检测和分类的效率。
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时实现上述缺陷检测分类方法实施例中的步骤,例如图1所示的步骤S11~S13。或者,所述处理器62执行所述计算机程序63时实现上述缺陷检测分类装置实施例中各模块/单元的功能,例如图2中的模块401~403。
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中的图像重构模块401、判断模块402及分类模块403,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)、现成可编程门阵列(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。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应该理解到,所揭露的电子设备和方法,可以通过其它的方式实现。例如,以上所描述的电子设备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)
2.如权利要求1所述的缺陷检测分类方法,其特征在于,所述预设的重构误差度量阈值为训练重构误差的统计值,基于预设的缺陷检测召回率和精确率调整,所述精确率为被正确检测为存在瑕疵的图像数量占所有被检测为存在瑕疵的图像数量的比例,所述召回率为被正确检测为存在缺陷的图像数量占所有真实存在瑕疵的图像数量的比例。
4.如权利要求1所述的缺陷检测分类方法,其特征在于,所述自编码器训练过程中,采用的优化目标函数表达式为:
|X-X′|1+λ|X-X′|2,
其中,X为输入图像,X′为重构图像,λ为取值范围为0.1-10的权重,|X-X′|1为重构误差图像的L1范数,|X-X′|2为重构误差图像的L2范数。
6.如权利要求1所述的缺陷检测分类方法,其特征在于,所述待检测图像与所述范本图像的所述结构相似性数值与所述待检测图像与所述范本图像之间的相似度正相关。
7.如权利要求1所述的缺陷检测分类方法,其特征在于,所述方法还包括:
若满足过滤小噪声重构误差的缺陷判断准则,确定所述待检测图像存在缺陷;或若不满足过滤小噪声的缺陷判断准则,确定所述待检测图像不存在缺陷。
8.一种缺陷检测分类装置,其特征在于,所述装置包括:
自编码器模块,用于将待检测图像输入至训练好的自编码器,获得与所述待检测图像对应的重构图像;
判断模块,用于基于过滤小噪声重构误差的缺陷判断准则,判断所述待检测图像是否存在缺陷;
分类模块,用于当判定所述待检测图像存在缺陷时,分别计算所述待检测图像与多个标记缺陷类别的范本图像的结构相似性数值,确定最高的结构相似性数值对应的范本图像所标记的缺陷类别,将所述待检测图像分类至所确定的缺陷类别。
9.一种电子设备,其特征在于:所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7中任一项所述缺陷检测分类方法。
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中任一项所述的缺陷检测分类方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633792.8A CN114764768A (zh) | 2020-12-31 | 2020-12-31 | 缺陷检测分类方法、装置、电子设备及存储介质 |
US17/566,159 US20220207687A1 (en) | 2020-12-31 | 2021-12-30 | Method of detecting and classifying defects and electronic device using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633792.8A CN114764768A (zh) | 2020-12-31 | 2020-12-31 | 缺陷检测分类方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114764768A true CN114764768A (zh) | 2022-07-19 |
Family
ID=82117240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633792.8A Pending CN114764768A (zh) | 2020-12-31 | 2020-12-31 | 缺陷检测分类方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20220207687A1 (zh) |
CN (1) | CN114764768A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616082A (zh) * | 2022-12-14 | 2023-01-17 | 杭州兆华电子股份有限公司 | 一种基于杂音检测的键盘缺陷分析方法 |
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 |
CN116883416A (zh) * | 2023-09-08 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
CN117291914A (zh) * | 2023-11-24 | 2023-12-26 | 南昌江铃华翔汽车零部件有限公司 | 汽车零部件缺陷检测方法、系统、计算机及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205288B (zh) * | 2022-09-14 | 2023-01-03 | 江苏智云天工科技有限公司 | 工业缺陷检测方法和装置 |
CN115205291B (zh) * | 2022-09-15 | 2023-02-24 | 广州镭晨智能装备科技有限公司 | 一种电路板检测方法、装置、设备和介质 |
-
2020
- 2020-12-31 CN CN202011633792.8A patent/CN114764768A/zh active Pending
-
2021
- 2021-12-30 US US17/566,159 patent/US20220207687A1/en active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616082A (zh) * | 2022-12-14 | 2023-01-17 | 杭州兆华电子股份有限公司 | 一种基于杂音检测的键盘缺陷分析方法 |
CN115616082B (zh) * | 2022-12-14 | 2023-04-28 | 杭州兆华电子股份有限公司 | 一种基于杂音检测的键盘缺陷分析方法 |
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 |
CN116883416A (zh) * | 2023-09-08 | 2023-10-13 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
CN116883416B (zh) * | 2023-09-08 | 2023-11-24 | 腾讯科技(深圳)有限公司 | 工业产品缺陷的检测方法、装置、设备及介质 |
CN117291914A (zh) * | 2023-11-24 | 2023-12-26 | 南昌江铃华翔汽车零部件有限公司 | 汽车零部件缺陷检测方法、系统、计算机及存储介质 |
CN117291914B (zh) * | 2023-11-24 | 2024-02-09 | 南昌江铃华翔汽车零部件有限公司 | 汽车零部件缺陷检测方法、系统、计算机及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20220207687A1 (en) | 2022-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114764768A (zh) | 缺陷检测分类方法、装置、电子设备及存储介质 | |
CN114764765A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
CN111506731B (zh) | 一种训练字段分类模型的方法、装置及设备 | |
CN112131322B (zh) | 时间序列分类方法及装置 | |
CN114943673A (zh) | 瑕疵图像生成方法、装置、电子设备及存储介质 | |
CN114764774A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
CN111612628A (zh) | 一种非平衡数据集的分类方法及系统 | |
US11983866B2 (en) | Image defect detection method, electronic device using the same | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
CN115859128B (zh) | 一种基于档案数据交互相似度的分析方法和系统 | |
US20220207892A1 (en) | Method and device for classifing densities of cells, electronic device using method, and storage medium | |
TWI764492B (zh) | 缺陷檢測分類方法、裝置、電子設備及存儲介質 | |
CN114881913A (zh) | 图像瑕疵检测方法、装置、电子设备及存储介质 | |
CN112926724A (zh) | 注塑成型产品良率的评分方法、装置及电子设备 | |
CN113093967A (zh) | 数据生成方法、装置、计算机装置及存储介质 | |
TWI755176B (zh) | 細胞密度分類方法及裝置、電子裝置及存儲介質 | |
TWI762193B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
TWI792134B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
TWI795729B (zh) | 圖像瑕疵檢測方法、電子設備及存儲介質 | |
CN114943671A (zh) | 图像瑕疵检测方法、电子设备及存储介质 | |
US20220207695A1 (en) | Method and device for detecting defects, electronic device using method, and non-transitory storage medium | |
CN116912634B (zh) | 目标追踪模型的训练方法及装置 | |
CN114549889A (zh) | 细胞密度分类方法及装置、电子装置及存储介质 | |
TW202226065A (zh) | 細胞密度分類方法及裝置、電子裝置及存儲介質 |
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 |