CN114764774A - 瑕疵检测方法、装置、电子设备及计算机可读存储介质 - Google Patents

瑕疵检测方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN114764774A
CN114764774A CN202110037669.8A CN202110037669A CN114764774A CN 114764774 A CN114764774 A CN 114764774A CN 202110037669 A CN202110037669 A CN 202110037669A CN 114764774 A CN114764774 A CN 114764774A
Authority
CN
China
Prior art keywords
image
detected
error
detection method
module
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
CN202110037669.8A
Other languages
English (en)
Inventor
陈怡桦
蔡东佐
郭锦斌
林子甄
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 CN202110037669.8A priority Critical patent/CN114764774A/zh
Priority to US17/572,859 priority patent/US20220222799A1/en
Publication of CN114764774A publication Critical patent/CN114764774A/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
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • 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
    • 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
    • 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
    • G06T9/00—Image coding
    • G06T9/002—Image coding using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G06T2207/20—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
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像检测技术，提供一种瑕疵检测方法、装置、电子设备及存储介质。该方法包括：(a)将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像；(b)将所述重构图像与对应的无瑕疵图像进行对比，以得到多组测试误差；(c)按照预设规则从多组测试误差中选取一误差阈值；(d)获得一待测图像，并重复步骤(a)至步骤(b)，得到一待测重构图像及一待测误差；(e)根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果；(f)当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，以输出分类结果。本发明提供的瑕疵检测方法不需要收集、标记负样本，有效降低人力成本。

Description

瑕疵检测方法、装置、电子设备及计算机可读存储介质
技术领域
本发明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。随着深度学习的研究逐渐深入，利用深度学习方法进行瑕疵检测，可有效降低因人工操作带来的漏检等情况的发生。然而目前采用的监督式学习检测模型，在前期需采集大量正负样本，并进行人工标注，人力成本投入较大。
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，以有效降低人力成本。
本发明第一方面提供一种瑕疵检测方法，所述瑕疵检测方法包括：
(a)将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像；
(b)将所述重构图像与对应的无瑕疵图像进行对比，以得到多组测试误差；
(c)按照预设规则从多组测试误差中选取一误差阈值；
(d)获得一待测图像，并重复步骤(a)至步骤(b)，得到一待测重构图像及一待测误差；
(e)根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果；
(f)当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，以输出分类结果。
可选的，所述自编码器包括编码器与解码器，步骤(a)包括如下子步骤：
利用所述编码器提取所述无瑕疵图像的图像特征，输出对应的潜在表征；
利用所述解码器对所述潜在表征进行解码，以得到对应的重构图像。
可选的，步骤(b)包括如下子步骤：
分别提取所述重构图像及对应的无瑕疵图像的所有像素点；
分别对所述重构图像及对应的所述无瑕疵图像的每一像素点的像素值进行比较，得到对应的每一像素点的像素值差值；
计算所述每一像素点的像素值差值的平方的期望值，以得到多组所述测试误差。
可选的，所述测试误差为所述重构图像与对应的所述无瑕疵图像的均方误差，所述待测误差为所述待测重构图像与所述待测图像的均方误差。
可选的，所述预设规则为：
根据多组所述测试误差，绘制累积分布函数；
获取一函数值，查找所述累积分布函数中与所述函数值对应的变量的值，将所述变量的值设为所述误差阈值。
可选的，步骤(e)包括：
当所述待测误差小于或等于所述误差阈值时，将所述检测结果确定为所述待测图像无瑕疵；或者
当所述待测误差大于所述误差阈值时，将所述检测结果确定为所述待测图像有瑕疵。
可选的，所述瑕疵检测方法还包括：当所述检测结果为所述待测图像无瑕疵时，输出所述检测结果。
本发明第二方面提供一种瑕疵检测装置，所述瑕疵检测装置包括：
训练模块，用以将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像；
比较模块，用以将所述重构图像与对应的无瑕疵图像进行对比，以得到多组测试误差；
确定模块，用以按照预设规则从多组测试误差中选取一误差阈值；
获取模块，用以获得一待测图像，并将所述待测图像导入所述训练模块，通过所述训练模块获得一待测重构图像；
所述比较模块还用以对比所述待测重构图像与所述待测图像，以获得一待测误差；所述确定模块还用以根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果；
所述瑕疵检测装置还包括分类模块，所述分类模块用以当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，并输出分类结果。
本发明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，用以执行所述存储器中存储的指令以实现所述瑕疵检测方法。
本发明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，本发明利用多张无瑕疵图像对所述自编码器进行训练，并通过所述自编码器获得与待测图像对应的待测重构图像。通过比较待测重构图像与待测图像，获得一待测误差，进而根据所述待测误差与误差阈值的对比，确定所述待检测图像是否含有瑕疵。相较于监督式学习，本发明提供的瑕疵检测方法减少人工标记负样本的步骤，有效降低人力成本。
附图说明
图1是本发明瑕疵检测方法的实施例的流程图。
图2为图1所示步骤S1的子步骤。
图3为图1所示步骤S2的子步骤。
图4是本发明瑕疵检测装置的实施例的功能模块图。
图5是本发明实现瑕疵检测方法的实施例的电子设备的结构示意图。
主要元件符号说明
瑕疵检测装置 100
训练模块 101
比较模块 102
确定模块 103
获取模块 104
分类模块 105
提示模块 106
电子设备 200
存储器 201
处理器 202
计算机程序 203
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了使本发明的目的、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发明进行详细描述。
如图1所示，是本发明瑕疵检测方法一实施例的流程图。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。
步骤S1：将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像。
可以理解，自编码器(autoencoder,AE)是一类在半监督学习和非监督学习中使用的人工神经网络(Artificial Neural Networks,ANNs)，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习(representation learning)。
可以理解，在本实施例中，并不对所述自编码器的类型进行限制，例如所述自编码器可以是收缩自编码器，也可以是正则自编码器或其他类型的自编码器。
可以理解，所述自编码器包括编码器与解码器。其中，在执行步骤S1时，请参阅图2，步骤S1包括如下子步骤：
步骤S11：利用所述编码器提取所述无瑕疵图像的图像特征，输出对应的潜在表征；
步骤S12：利用所述解码器对所述潜在表征进行解码，以得到对应的重构图像。
可以理解，所述编码器与所述解码器都是参数化的方程，所述潜在表征为所述无瑕疵图像经由所述编码器学习到的抽象特征。所述潜在表征代表了导入的所述无瑕疵图像的纹理特征。
步骤S2：将所述重构图像与对应的所述无瑕疵图像进行对比，以得到多组测试误差。其中，请参阅图3，步骤S2包括如下子步骤：
步骤S21：分别提取所述重构图像及对应的无瑕疵图像的所有像素点；
步骤S22：分别对所述重构图像及对应的无瑕疵图像的每一像素点的像素值进行比较，得到对应的每一像素点的像素值差值；
步骤S23：计算所述每一像素点的像素值差值的平方的期望值，以得到所述多组测试误差。
可以理解，在其他实施例中，执行步骤S21之前，还可先对所述重构图像及所述无瑕疵图像进行预处理，以使所述重构图像及所述无瑕疵图像的大小及方向一致，方便后续执行步骤S21至步骤S23。
可以理解，在本实施例中，所述测试误差为所述重构图像与所述无瑕疵图像的均方误差。
可以理解，本发明不对所述测试误差的类型进行限制，例如所述测试误差可以是峰值信噪比(Peak Signal to Noise Ratio，PSNR)，也可以是结构相似性(StructuralSimilarity，SSIM)指标。
步骤S3：按照预设规则从多组所述测试误差中选取一误差阈值。
在本实施例中，所述预设规则为：根据多组所述测试误差，绘制累积分布函数；
获取一函数值，查找所述累积分布函数中与所述函数值对应的变量的值，将所述变量的值设为所述误差阈值。
可以理解，所述累积分布函数的变量为所述测试误差，所述累积分布函数的函数值为[0,1]区间的任一值。所述累积分布函数表示多组所述测试误差中小于某一测试误差的概率。
例如，在一实施例中，通过多组所述测试误差绘制得到一累积分布函数。获取一函数值，例如为0.9，查找所述累积分布函数中与所述函数值对应的测试误差，例如为0.001，则将0.001确定为所述误差阈值。可以理解，在所述分布函数中，函数值0.9与对应的变量0.001表示：在多组所述测试误差中，90％的测试误差小于0.001。
步骤S4：获得一待测图像，并重复步骤S1与步骤S2，得到一待测重构图像及一待测误差。
可以理解，步骤S4获得所述待测重构图像与步骤S1中获得所述重构图像的方法相同，步骤S4获得所述待测误差与步骤S2获得所述测试误差的方法相同，在此不再赘述。
可以理解，所述待测误差为所述待测重构图像与所述待测图像的均方误差。
可以理解，在其他实施例中，所述待测误差与所述测试误差为同一类型的误差。本发明不对所述待测误差的类型进行限制，例如所述待测误差可以是峰值信噪比(PeakSignal to Noise Ratio，PSNR)，也可以是结构相似性(Structural Similarity，SSIM)指标。
步骤S5：根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果。
在本实施例中，步骤S5包括：
当所述待测误差小于或等于所述误差阈值时，将所述检测结果确定为所述待测图像无瑕疵；或者
当所述待测误差大于所述误差阈值时，将所述检测结果确定为所述待测图像有瑕疵。
步骤S6：当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，以输出分类结果。
可以理解，同一种类的待测图像，在实际生产应用过程中，可能产生不同类型的瑕疵。例如，在茶叶图像中，由于不同种类的虫害可以使茶叶产生不同类型的病变瑕疵，包括不同颜色、不同大小的斑纹等。如此，当待测图像为茶叶类图像时，所述分类结果包括各种类型的虫害。
可以理解，在本实施例中，所述分类器可以是经过训练的分类模型。本发明不对所述分类器的类型进行限制，例如，所述分类器可以是自编码器、也可以是全卷积神经网络模型或其他神经网络模型。
可以理解，当所述检测结果为所述待测图像无瑕疵时，输出所述检测结果，完成瑕疵检测。
可以理解，在其他实施例中，所述瑕疵检测方法还包括步骤S7：根据所述检测结果输出相应的报警信号或提示信号。
也就是说，根据检测结果可以采取不同的对应措施。例如，在本实施例中，当所述检测结果为有瑕疵时，根据所述待测图像生成提醒信息，并将所述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，能够在所述待测图像中有瑕疵时，及时通知所述指定联系人。
在本申请实施例中，以输入多张无瑕疵图像，例如N张无瑕疵图像为例，且所述无瑕疵图像为茶叶图像，对本案的瑕疵检测方法进行详细说明。
首先，将N张无瑕疵图像导入至一自编码器，分别记为无瑕疵图像1、无瑕疵图像2、无瑕疵图像3、……无瑕疵图像N，以得到相应的多张重构图像，分别记为重构图像1、重构图像2、重构图像3、……重构图像N。接着，将所述重构图像与对应的无瑕疵图像进行对比，以得到多组测试误差。例如，重构图像1与无瑕疵图像1对比，得到误差值0.01，记为测试误差1；重构图像2与无瑕疵图像2对比，得到误差值0.02，记为测试误差2；重构图像3与无瑕疵图像3对比，得到误差值0.001，记为测试误差3；……重构图像N与无瑕疵图像N对比得到的误差值记为测试误差N。根据所述N组测试误差绘制所述测试误差的累积分布函数。由所述累积分布函数确定所述测试误差的分布区间，并选择一误差阈值。例如，根据所述累积分布函数，可以得到所述N组测试误差中90％的测试误差的值小于其中一测试误差N，则将测试误差N的值记为误差阈值。获取一待测图像，将所述待测图像输入所述自编码器，得到一待测重构图像。对比所述待测重构图像与所述待测图像，得到一待测误差。对比所述待测误差与所述误差阈值，若所述待测误差小于或等于所述误差阈值，将检测结果确定为所述待测图像无瑕疵；若所述待测误差大于所述误差阈值，将检测结果确定为所述待测图像有瑕疵。当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一训练好的分类器，以对所述待测图像的瑕疵类型进行分类。在本实施例中，由于所述待测图像为茶叶图像，所述待测图像的瑕疵即为虫害造成的瑕疵，如此所述分类器输出的分类结果为所述待测图像相应的虫害类型。当所述检测结果为所述待测茶叶图像无瑕疵时，仅输出所述检测结果。
本发明利用自编码器进行图像重构，并利用多张无瑕疵图像对所述自编码器进行训练。当将待测图像导入至所述自编码器，且所述待测图像含有瑕疵时，所述自编码器将修复所述待测图像的瑕疵，并输出一已修复瑕疵区域的待测重构图像。如此，可根据所述待测重构图像与待测图像的对比，获得一待测误差，当所述待测误差大于所述误差阈值时，确定所述待测图像有瑕疵。可以理解，本发明提供的瑕疵检测方法无需负样本，只需输入无瑕疵图像，从而减少瑕疵检测的前期标注工作，有效降低人力成本。另一方面，所述误差阈值通过多组测试误差获得，有效提高所述瑕疵检测方法的精度。
请参阅图4，可以理解，本发明另一实施例还提供一种瑕疵检测装置100。所述瑕疵检测装置100包括训练模块101、比较模块102、确定模块103、获取模块104及分类模块105。
其中，所述训练模块101用以将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像。
所述比较模块102用以将所述重构图像与对应的所述无瑕疵图像进行对比，以得到多组测试误差。
所述确定模块103用以按照预设规则从多组所述测试误差中选取一误差阈值。
所述获取模块104用以获得一待测图像，并将所述待测图像导入所述训练模块101，通过所述训练模块101获得一待测重构图像。
所述比较模块102还用以对比所述待测重构图像与所述待测图像，以获得一待测误差。所述确定模块103还用以根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果。
所述分类模块105用以当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，并输出分类结果。
可以理解，所述确定模块103还用以当所述检测结果为所述待测图像无瑕疵时，输出所述检测结果。
可以理解，在其他实施例中，所述瑕疵检测装置100还包括提示模块106。所述提示模块106用以根据所述检测结果输出相应的报警信号或提示信号。例如，在本实施例中，当所述检测结果为有瑕疵时，所述提示模块106根据所述待测图像生成提醒信息，并将所述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，能够在所述待测图像中有瑕疵时，及时通知所述指定联系人。
可以理解，所述训练模块101、比较模块102、确定模块103、获取模块104、分类模块105及提示模块106用以共同实现上述瑕疵检测方法实施例中的步骤S1至步骤S7，在此不再赘述各所述功能模块的具体实现过程，具体请参阅上述步骤S1至步骤S7。
可以理解，请一并参阅图5，本发明另一实施例还提供一种电子设备200。所述电子设备200包括存储器201、处理器202以及存储在所述存储器201中并可在所述处理器202上运行的计算机程序203。
所述电子设备200可以为智能手机、平板电脑、膝上型便捷计算机、嵌入式电脑、台式计算机中的任意一种或服务器等。本领域技术人员可以理解，所述示意图仅仅是电子设备200的示例，并不构成对电子设备200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。
所述处理器202用以执行所述计算机程序203时实现上述瑕疵检测方法实施例中的步骤，例如第一实施例中所示的步骤S1-S7。或者，所述处理器202执行所述计算机程序203时实现上述瑕疵检测装置100实施例中各模块/单元的功能，例如第二实施例中的训练模块101、比较模块102、确定模块103、获取模块104、分类模块105及提示模块106。
示例性的，所述计算机程序203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201中，并由所述处理器202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203在所述电子设备200中的执行过程。例如，所述计算机程序203可以被分割成第二实施例中的训练模块101、比较模块102、确定模块103、获取模块104、分类模块105及提示模块106。
所述处理器202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202也可以是任何常规的处理器等，所述处理器202是所述电子设备200的控制中心，利用各种接口和线路连接整个电子设备200的各个部分。
所述存储器201可用于存储所述计算机程序203和/或模块/单元.所述处理器202通过运行或执行存储在所述存储器201内的计算机程序和/或模块/单元，以及调用存储在存储器201内的数据，实现所述电子设备200的各种功能。所述存储器201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200的使用所创建的数据(比如视频数据、音频数据、电话本等)等。此外，存储器201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 MediaCard，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200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、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)

1.一种瑕疵检测方法，其特征在于，所述瑕疵检测方法包括：
(a)将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像；
(b)将所述重构图像与对应的无瑕疵图像进行对比，以得到多组测试误差；
(c)按照预设规则从多组测试误差中选取一误差阈值；
(d)获得一待测图像，并重复步骤(a)至步骤(b)，得到一待测重构图像及一待测误差；
(e)根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果；
(f)当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，以输出分类结果。
2.如权利要求1所述的瑕疵检测方法，其特征在于：所述自编码器包括编码器与解码器，步骤(a)包括如下子步骤：
利用所述编码器提取所述无瑕疵图像的图像特征，输出对应的潜在表征；
利用所述解码器对所述潜在表征进行解码，以得到对应的重构图像。
3.如权利要求1所述的瑕疵检测方法，其特征在于：步骤(b)包括如下子步骤：
分别提取所述重构图像及对应的无瑕疵图像的所有像素点；
分别对所述重构图像及对应的所述无瑕疵图像的每一像素点的像素值进行比较，得到对应的每一像素点的像素值差值；
计算所述每一像素点的像素值差值的平方的期望值，以得到多组所述测试误差。
4.如权利要求3所述的瑕疵检测方法，其特征在于：所述测试误差为所述重构图像与对应的所述无瑕疵图像的均方误差，所述待测误差为所述待测重构图像与所述待测图像的均方误差。
5.如权利要求1所述的瑕疵检测方法，其特征在于，所述预设规则为：
根据多组所述测试误差，绘制累积分布函数；
获取一函数值，查找所述累积分布函数中与所述函数值对应的变量的值，将所述变量的值设为所述误差阈值。
6.如权利要求1所述的瑕疵检测方法，其特征在于，步骤(e)包括：
当所述待测误差小于或等于所述误差阈值时，将所述检测结果确定为所述待测图像无瑕疵；或者
当所述待测误差大于所述误差阈值时，将所述检测结果确定为所述待测图像有瑕疵。
7.如权利要求6所述的瑕疵检测方法，其特征在于，所述瑕疵检测方法还包括：当所述检测结果为所述待测图像无瑕疵时，输出所述检测结果。
8.一种瑕疵检测装置，其特征在于，所述瑕疵检测装置包括：
训练模块，用以将多张无瑕疵图像导入至一自编码器进行模型训练，以获得多张重构图像；
比较模块，用以将所述重构图像与对应的无瑕疵图像进行对比，以得到多组测试误差；
确定模块，用以按照预设规则从多组测试误差中选取一误差阈值；
获取模块，用以获得一待测图像，并将所述待测图像导入所述训练模块，通过所述训练模块获得一待测重构图像；
所述比较模块还用以对比所述待测重构图像与所述待测图像，以获得一待测误差；所述确定模块还用以根据所述待测误差与所述误差阈值，确定所述待测图像的检测结果；
所述瑕疵检测装置还包括分类模块，所述分类模块用以当所述检测结果为所述待测图像有瑕疵时，将所述待测图像导入至一分类器进行瑕疵分类，并输出分类结果。
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，用以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。
CN202110037669.8A 2021-01-12 2021-01-12 瑕疵检测方法、装置、电子设备及计算机可读存储介质 Pending CN114764774A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110037669.8A CN114764774A (zh) 2021-01-12 2021-01-12 瑕疵检测方法、装置、电子设备及计算机可读存储介质
US17/572,859 US20220222799A1 (en) 2021-01-12 2022-01-11 Method for detecting defect in products and electronic device using method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110037669.8A CN114764774A (zh) 2021-01-12 2021-01-12 瑕疵检测方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114764774A true CN114764774A (zh) 2022-07-19

Family

ID=82322037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110037669.8A Pending CN114764774A (zh) 2021-01-12 2021-01-12 瑕疵检测方法、装置、电子设备及计算机可读存储介质

Country Status (2)

Country Link
US (1) US20220222799A1 (zh)
CN (1) CN114764774A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11688059B2 (en) * 2021-05-27 2023-06-27 International Business Machines Corporation Asset maintenance prediction using infrared and regular images
CN115308517B (zh) * 2022-10-10 2023-01-24 杭州三海电子有限公司 一种元器件的老化检测方法、系统、存储介质和设备
CN116228769B (zh) * 2023-05-09 2023-10-17 和峻（广州）胶管有限公司 一种适用于钢丝编织管瑕疵检测的装置及检测方法

Also Published As

Publication number Publication date
US20220222799A1 (en) 2022-07-14

Similar Documents

Publication Publication Date Title
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
JP7000627B2 (ja) 標的細胞標識方法、装置、記憶媒体及び端末デバイス
CN114663335A (zh) 图像瑕疵检测方法、装置、电子设备及介质
CN112329702B (zh) 一种快速人脸密度预测和人脸检测方法、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
CN111680750B (zh) 图像识别方法、装置和设备
CN116453438B (zh) 一种显示屏参数检测方法、装置、设备及存储介质
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN111144425B (zh) 检测拍屏图片的方法、装置、电子设备及存储介质
CN110427978B (zh) 面向小样本学习的变分自编码器网络模型和装置
CN114862740A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN112199542B (zh) 基于目标检测的车辆图像过滤方法、系统、装置及介质
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN113256608A (zh) 工件缺陷检测方法和装置
CN111611781B (zh) 数据标注方法、问答方法、装置及电子设备
CN111753729A (zh) 一种假脸检测方法、装置、电子设备及存储介质
US11762939B2 (en) Measure GUI response time
CN112990350B (zh) 目标检测网络训练方法及基于目标检测网络煤矸识别方法
TW202228019A (zh) 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質
CN112258513A (zh) 核电试验视频分割方法、装置、计算机设备和存储介质
CN112464810A (zh) 一种基于注意力图的吸烟行为检测方法及装置
TWI804798B (zh) 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質
US20230419653A1 (en) Method for detecting defect of images and electronic device
TWI755176B (zh) 細胞密度分類方法及裝置、電子裝置及存儲介質
CN115393846B (zh) 一种血细胞识别方法、装置、设备及可读存储介质

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