CN114862740A - 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
CN114862740A
CN114862740A CN202110062706.0A CN202110062706A CN114862740A CN 114862740 A CN114862740 A CN 114862740A CN 202110062706 A CN202110062706 A CN 202110062706A CN 114862740 A CN114862740 A CN 114862740A
Authority
CN
China
Prior art keywords
image
detected
error
images
reconstructed
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
CN202110062706.0A
Other languages
English (en)
Inventor
王薇钧
郭锦斌
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 CN202110062706.0A priority Critical patent/CN114862740A/zh
Priority to US17/573,836 priority patent/US20220230291A1/en
Publication of CN114862740A publication Critical patent/CN114862740A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • 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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Image Processing (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、电子设备及计算机可读存储介质。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)对所述多张无瑕疵图像进行处理，以获得多张目标图像；(c)将所述重构图像与对应的所述目标图像进行对比，以得到多组测试误差；(d)按照预设规则从多组所述测试误差中选取一误差阈值；(e)获得一待测图像，并重复步骤(a)至步骤(c)，得到一待测重构图像、一待测目标图像及所述待测重构图像与所述待测目标图像的待测误差；(f)根据所述待测误差与误差阈值，确定所述待测图像的检测结果。本发明提供的方法有效提高瑕疵检测的精度。

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
本发明涉及瑕疵检测技术领域，具体涉及一种瑕疵检测方法及装置、电子装置及计算机可读存储介质。
背景技术
瑕疵检测已成为现代工业生产过程中的重要环节，如纺织行业的织物瑕疵检测，电子行业的印刷电路板瑕疵检测等。传统的人工检测方法耗时耗力，且检测质量严重依赖检测员的视觉及经验，且检测精度不高。
发明内容
鉴于此，有必要提供一种瑕疵检测方法及装置、电子装置及计算机可读存储介质，以提高瑕疵图像的检测精度。
本申请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)对所述多张无瑕疵图像进行处理，以获得多张目标图像；
(c)将所述重构图像与对应的目标图像进行对比，以得到多组测试误差；
(d)按照预设规则从多组测试误差中选取一误差阈值；
(e)获得一待测图像，并重复步骤(a)至步骤(c)，以获得一待测重构图像、一待测目标图像及所述待测重构图像与所述待测目标图像的待测误差；
(f)根据所述待测误差与误差阈值，确定所述待测图像的检测结果。
进一步地，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。
进一步地，步骤(b)包括以下子步骤：
利用特征提取函数对将多张所述无瑕疵图像进行处理，以获取每一所述无瑕疵图像的纹理特征；
将获取的每一无瑕疵图像的纹理特征进行转换，以获得每一所述无瑕疵图像对应的目标图像。
进一步地，所述特征提取函数包括Gabor函数及灰度共生矩阵函数，所述纹理特征包括灰度共生矩阵。
进一步地，所述测试误差为所述重构图像与所述目标图像的均方误差，所述待测误差为所述待测重构图像与所述待测目标图像的均方误差。
进一步地，所述预设规则为：选取所述多组测试误差中的最大值为误差阈值。
进一步地，步骤(f)包括：
当所述待测误差小于所述误差阈值时，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或者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有瑕疵。
本申请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；
图像处理模块，用以对所述多张无瑕疵图像进行处理，以获得多张目标图像；
比较模块，用以将所述重构图像与对应的目标图像进行对比，以得到多组测试误差；
确定模块，用以按照预设规则从多组所述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；
所述图像处理模块还用以对所述待测图像进行处理，以获得一待测目标图像，所述比较模块还用以对比所述待测重构图像与待测目标图像，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。
本申请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。
本申请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。
本发明提供的瑕疵检测方法，利用特征提取函数处理待测图像以提取纹理特征，进一步藉由所述纹理特征重构所述待测图像，从而获得一待测目标图像，有效减少了所述待测图像的冗余信息，放大所述待测图像的纹理特征信息，从而提高所述待测目标图像与待测重构图像对比时的精度，进而提高瑕疵检测的检测精度。
附图说明
图1是本发明瑕疵检测方法的较佳实施例的流程图。
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为图1所示步骤S3的子步骤。
图5是本发明瑕疵检测装置的较佳实施例的功能模块图。
图6是应用本发明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。
如下具体实施方式将结合上述附图进一步说明本发明。
主要元件符号说明
瑕疵检测装置 100
训练模块 101
图像处理模块 102
比较模块 103
确定模块 104
获取模块 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。
请参阅图1，图1是本发明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。
步骤S1，将多张无瑕疵图像导入至一自编码器(autoencoder,AE)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无瑕疵图像的纹理特征。
步骤S2，对所述多张无瑕疵图像进行处理，以获得多张目标图像。其中，请参阅图3，在本实施例中，步骤S2包括如下子步骤：
步骤S21，利用特征提取函数对多张所述无瑕疵图像进行处理，以获取每一所述无瑕疵图像的纹理特征。
步骤S22，将获取的每一所述无瑕疵图像的纹理特征进行转换，以获得每一所述无瑕疵图像对应的目标图像。
在一实施例，步骤S21与步骤S22中，所述特征提取函数为Gabor函数及灰度共生矩阵函数，所述纹理特征为所述无瑕疵图像的灰度共生矩阵。
可以理解，Gabor函数是一种加窗傅立叶变换函数，Gabor函数可以在图像频域不同尺度、不同方向上提取相关的特征。灰度共生矩阵函数是涉及像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点之间的灰度的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。
由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两像素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵是一种通过统计灰度值的空间相关特性来描述纹理的常用方法。
如此，在本实施例中，步骤S2先利用所述Gabor函数对所述无瑕疵图像进行处理得到对应的复数信号，再利用所述灰度共生矩阵函数对所述复数信号的虚部进行处理，得到所述无瑕疵图像对应的灰度共生矩阵，即得到所述无瑕疵图像对应的纹理特征。再藉由所述灰度共生矩阵的灰度关系重构图像，得到对应的目标图像。
可以理解，在其他实施例中，可以先执行步骤S2再执行步骤S1，或者同时执行步骤S1与步骤S2。
步骤S3，将所述重构图像与对应的目标图像进行对比，以得到多组测试误差。其中，请参阅图4，在本实施例中，步骤S3包括如下子步骤：
步骤S31：分别提取所述重构图像及对应的目标图像的所有像素点；
步骤S32：分别对所述重构图像及对应的目标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S33：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S31之前，还可先对所述重构图像及所述目标图像进行预处理，以使所述重构图像及所述目标图像的大小及方向一致，方便后续执行步骤S31至步骤S33。
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目标图像的均方误差。
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S4，按照预设规则从多组测试误差中选取一误差阈值。
其中，在本实施例中，所述预设规则为：选取所述多组测试误差中的最大值为误差阈值。
步骤S5：获得一待测图像，并重复步骤S1至步骤S3，以获得一待测重构图像及、一待测目标图像及所述待测重构图像与所述待测目标图像的待测误差。
可以理解，步骤S5中，获取所述待测重构图像的方法与步骤S1中获取所述重构图像的方法相同，获取所述待测目标图像的方法与步骤S2中获取所述目标图像的方法相同，获取所述待测误差的方法与步骤S3中获取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目标图像的均方误差。
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S6：根据所述待测误差与误差阈值，确定所述待测图像的检测结果。
在本实施例中，步骤S6包括：
当所述待测误差小于所述误差阈值时，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或者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有瑕疵。
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，以输入多个无瑕疵图像，例如N张无瑕疵图像为例，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，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，利用所述Gabor函数及灰度共生矩阵函数对所述N张无瑕疵图像进行处理，以得到相应的多张目标图像，分别记为目标图像1、目标图像2、目标图像3、……目标图像N。再将所述重构图像与对应的目标图像进行对比，以得到多组测试误差。例如，重构图像1与目标图像1对比，得到误差值0.01，记为测试误差1；重构图像2与目标图像2对比，得到误差值0.02，记为测试误差2；重构图像3与目标图像3对比，得到误差值0.0001，记为测试误差3；……重构图像N与目标图像N对比得到的误差值记为测试误差N。选取所述N组测试误差中的最大值为误差阈值。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；利用所述Gabor函数及灰度共生矩阵函数对所述待测图像进行处理，得到一待测目标图像。对比所述待测重构图像与所述待测目标图像，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或等于所述误差阈值，将检测结果确定为所述待测图像有瑕疵。
可以理解，在本发明中，所述自编码器经过多张所述无瑕疵图像训练后，当输入含有瑕疵的图像时，所述自编码器将修复部分瑕疵，进而输出修复瑕疵后的重构图像。进一步地，本发明利用所述特征提取函数处理所述待测图像(或无瑕疵图像)以获得所述待测目标图像(或目标图像)，从而减少所述待测图像(或无瑕疵图像)的冗余信息，放大所述待测图像(或无瑕疵图像)的特征信息。因此，同一张待测图像，导入所述自编码器获得的待测重构图像，与经由特征提取函数处理得到的待测目标图像之间的待测误差应当在某个范围内，若超过所述范围，则可认为是由所述自编码器修复了部分瑕疵，导致所述待测重构图像与所述待测目标图像之间的误差较大。本发明通过多张重构图像与多张目标图像的对比，确认一误差阈值。即所述误差阈值为所述自编码器重构无瑕疵图像时可以接受的最大的误差。因此，当所述待测重构图像与待测目标图像的待测误差超过所述误差阈值时，可认为所述待测图像有瑕疵，导致所述自编码器重构图像时的误差超过所述误差阈值。
可以理解，本发明利用特征提取函数处理待测图像以提取纹理特征，进一步藉由所述纹理特征重构所述待测图像，从而获得一待测目标图像，有效减少了所述待测图像的冗余信息，放大所述待测图像的纹理特征信息，从而提高所述待测目标图像与待测重构图像对比时的精度，进而提高瑕疵检测的检测精度。
请参阅图5，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、图像处理模块102、比较模块103、确定模块104及获取模块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。
所述图像处理模块102用以对所述多张无瑕疵图像进行处理，以获得多张目标图像。
所述比较模块103用以将所述重构图像与对应的目标图像进行对比，以得到多组测试误差。
所述确定模块104用以按照预设规则从多组测试误差中选取一误差阈值。
所述获取模块105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。
所述图像处理模块102还用以对所述待测图像进行处理，以获得一待测目标图像。所述比较模块103还用以对比所述待测重构图像与待测目标图像，以获得一待测误差。所述确定模块104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。
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、图像处理模块102、比较模块103、确定模块104、获取模块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6，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、图像处理模块102、比较模块103、确定模块104、获取模块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、图像处理模块102、比较模块103、确定模块104、获取模块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)对所述多张无瑕疵图像进行处理，以获得多张目标图像；
(c)将所述重构图像与对应的目标图像进行对比，以得到多组测试误差；
(d)按照预设规则从多组测试误差中选取一误差阈值；
(e)获得一待测图像，并重复步骤(a)至步骤(c)，以获得一待测重构图像、一待测目标图像及所述待测重构图像与所述待测目标图像的待测误差；
(f)根据所述待测误差与误差阈值，确定所述待测图像的检测结果。
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)包括以下子步骤：
利用特征提取函数对多张所述无瑕疵图像进行处理，以获取每一所述无瑕疵图像的纹理特征；
将获取的每一无瑕疵图像的纹理特征进行转换，以获得每一所述无瑕疵图像对应的目标图像。
4.如权利要求3所述的瑕疵检测方法，其特征在于：所述特征提取函数包括Gabor函数及灰度共生矩阵函数，所述纹理特征包括灰度共生矩阵。
5.如权利要求1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所述目标图像的均方误差，所述待测误差为所述待测重构图像与所述待测目标图像的均方误差。
6.如权利要求1所述的瑕疵检测方法，其特征在于，所述预设规则为：选取所述多组测试误差中的最大值为误差阈值。
7.如权利要求1所述的瑕疵检测方法，其特征在于，步骤(f)包括：
当所述待测误差小于所述误差阈值时，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或者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：
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；
图像处理模块，用以对所述多张无瑕疵图像进行处理，以获得多张目标图像；
比较模块，用以将所述重构图像与对应的目标图像进行对比，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；
所述图像处理模块还用以对所述待测图像进行处理，以获得一待测目标图像，所述比较模块还用以对比所述待测重构图像与待测目标图像，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。
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。
CN202110062706.0A 2021-01-18 2021-01-18 瑕疵检测方法、装置、电子设备及计算机可读存储介质 Pending CN114862740A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110062706.0A CN114862740A (zh) 2021-01-18 2021-01-18 瑕疵检测方法、装置、电子设备及计算机可读存储介质
US17/573,836 US20220230291A1 (en) 2021-01-18 2022-01-12 Method for detecting defects in images, apparatus applying method, and non-transitory computer-readable storage medium applying method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110062706.0A CN114862740A (zh) 2021-01-18 2021-01-18 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
CN114862740A true CN114862740A (zh) 2022-08-05

Family

ID=82406456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110062706.0A Pending CN114862740A (zh) 2021-01-18 2021-01-18 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) US20220230291A1 (zh)
CN (1) CN114862740A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115147A (zh) * 2023-10-19 2023-11-24 山东华盛创新纺织科技有限公司 一种基于机器视觉的纺织品检测方法及系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115908402B (zh) * 2022-12-30 2023-10-03 胜科纳米(苏州)股份有限公司 一种缺陷分析方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115147A (zh) * 2023-10-19 2023-11-24 山东华盛创新纺织科技有限公司 一种基于机器视觉的纺织品检测方法及系统
CN117115147B (zh) * 2023-10-19 2024-01-26 山东华盛创新纺织科技有限公司 一种基于机器视觉的纺织品检测方法及系统

Also Published As

Publication number Publication date
US20220230291A1 (en) 2022-07-21

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
CN114862740A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN114764774A (zh) 瑕疵检测方法、装置、电子设备及计算机可读存储介质
CN113965359B (zh) 面向联邦学习数据投毒攻击的防御方法及装置
CN114764768A (zh) 缺陷检测分类方法、装置、电子设备及存储介质
CN114663335A (zh) 图像瑕疵检测方法、装置、电子设备及介质
CN111680750B (zh) 图像识别方法、装置和设备
US20220189008A1 (en) Method for detecting data defects and computing device utilizing method
CN114943673A (zh) 瑕疵图像生成方法、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
CN116468680A (zh) 一种元器件反极缺陷检测方法、系统、设备及存储介质
CN113468905B (zh) 图形码识别方法、装置、计算机设备和存储介质
CN112116568A (zh) 一种图像质量评价方法、装置及存储介质
CN116091874B (zh) 图像校验方法、训练方法、装置、介质、设备及程序产品
TWI804798B (zh) 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質
CN111353526A (zh) 一种图像匹配方法、装置以及相关设备
CN109685757B (zh) 一种基于灰度差分统计的无参考图像质量评价方法及系统
CN111709951B (zh) 目标检测网络训练方法及系统及网络及装置及介质
TW202228019A (zh) 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質
CN112926724A (zh) 注塑成型产品良率的评分方法、装置及电子设备
CN112435210A (zh) 一种环形器件的质量检测方法及装置
US20230401691A1 (en) Image defect detection method, electronic device and readable storage medium
CN114881864B (zh) 印章修复网络模型的训练方法及装置
CN114943855A (zh) 图像分类标注方法、装置、电子设备及存储介质
TWI771908B (zh) 圖像分類標注方法、裝置、電子設備及存儲介質

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