CN114881913A - 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
CN114881913A
CN114881913A CN202110164687.2A CN202110164687A CN114881913A CN 114881913 A CN114881913 A CN 114881913A CN 202110164687 A CN202110164687 A CN 202110164687A CN 114881913 A CN114881913 A CN 114881913A
Authority
CN
China
Prior art keywords
latent
encoder
self
sample image
latent features
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
CN202110164687.2A
Other languages
English (en)
Inventor
郭锦斌
蔡东佐
简士超
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 CN202110164687.2A priority Critical patent/CN114881913A/zh
Priority to US17/584,736 priority patent/US20220254002A1/en
Publication of CN114881913A publication Critical patent/CN114881913A/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
    • 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
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • 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
    • 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
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20228—Disparity calculation for image-based rendering
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
    • H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
    • H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
    • H03M7/3082—Vector coding

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明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：获取样本图像训练数据；选择自编码器的潜特征维度并得到分数，通过将所述分数与基准分数比较以确定最优的潜特征维度；将所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器获得重建图像；计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；否则输出所述测试图像为正常图像的判断结果。本发明可以直接得到具有区分能力的潜特征维度，提高了图像瑕疵检测的效率。

Description

图像瑕疵检测方法、装置、电子设备及存储介质
技术领域
本发明涉及产品良率检测技术领域，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
现有技术中，可使用算法模型对产品的图像进行检测，以判断是否存在瑕疵，然而，目前对自编码器的潜特征维度调整方法，难以直接设定潜特征维度大小，使得瑕疵图像的判断效率较低。
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、装置及电子设备以提高瑕疵图像的判断效率。
本申请的第一方面提供一种图像瑕疵检测方法，所述方法包括：
获取样本图像训练数据；
选择自编码器的潜特征维度并得到分数，包括：
设定自编码器的潜特征维度；
使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器；
分别输入正常样本图像数据与瑕疵样本图像数据到所述训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征；
将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征；
根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点；
分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到所述分数；
判断所述分数是否大于基准分数，并当所述分数大于所述基准分数时，将所述分数作为新的基准分数，重新执行所述选择自编码器的潜特征维度并得到分数，或者当所述分数小于或等于所述基准分数时，将当前设定的潜特征维度作为最优的潜特征维度；
将所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器，使用所述自编码器获得重建图像；
计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；或当所述重建误差小于或等于所述阈值时，输出所述测试图像为正常图像的判断结果。
优选地，所述设定自编码器的潜特征维度包括：
设定所述自编码器的编码层提取到的潜特征的维度。
优选地，所述使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器包括：
将所述样本图像训练数据进行向量化处理，得到所述样本图像训练数据的特征向量；
利用所述自编码器的编码层对所述特征向量进行运算，得到所述样本图像训练数据的潜特征；
利用所述自编码器的解码层对所述潜特征进行运算，并对运算后得到的潜特征进行还原处理；
优化所述自编码器得到训练完成的自编码器。
优选地，所述分别输入正常样本图像数据与瑕疵样本图像数据到训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征包括：
输入正常样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述正常样本图像数据的潜特征；及
输入瑕疵样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述瑕疵样本图像数据的潜特征。
优选地，所述将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征包括：
使用T随机分布邻近嵌入(t-SNE)算法将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征。
优选地，所述根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点包括：
计算所述多个第一潜特征在三维的每个维度的平均值，将所述三维的每个维度的平均值组成的坐标对应的点作为所述多个第一潜特征的中心点。
优选地，所述分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到分数包括：
分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的欧氏距离，并对所述多个第二潜特征距离所述分布中心点的欧氏距离求和，得到所述分数。
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：
训练数据获取模块，用于获取样本图像训练数据；
潜特征维度选择模块，用于选择自编码器的潜特征维度并得到分数，包括：
设定模块，用于设定自编码器的潜特征维度；
训练模块，使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器；
潜特征获取模块，用于分别输入正常样本图像数据与瑕疵样本图像数据到训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征；
降维模块，用于将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征；
中心点计算模块，用于根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点；
分数计算模块，用于分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到分数；
判断模块，用于判断所述分数是否大于基准分数，并当所述分数大于所述基准分数时，将所述分数作为新的基准分数并重新调用所述潜特征维度选择模块，或者当所述分数小于或等于所述基准分数时，将当前设定的潜特征维度作为最优的潜特征维度；
重建模块，用于将输出所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器，使用所述自编码器获得重建图像；
输出模块，用于计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；或当所述重建误差小于或等于所述阈值时，输出所述测试图像为正常图像的判断结果。
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的图像瑕疵检测方法。
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。
本发明可以对具有区分能力的潜特征维度进行有效确认，提高了图像瑕疵判断的效率。
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选择自编码器的潜特征维度并得到分数的流程图。
图3为本发明一实施方式中图像瑕疵检测装置的结构图。
图4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 BDA0002937301860000031
Figure BDA0002937301860000041
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在电子设备中。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，获取样本图像训练数据。
本实施方式中，所述样本图像训练数据包括瑕疵样本训练图像和正常样本训练图像。
步骤S12，选择自编码器的潜特征维度并得到分数。
结合图2，所述选择自编码器的潜特征维度并得到分数包括：
步骤S21，设定自编码器的潜特征维度。
本实施方式中，所述设定自编码器的潜特征维度包括：
设定所述自编码器的编码层提取到的潜特征的维度。本实施方式中，所述自编码器根据图像数据提取得到潜特征。
步骤S22，使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器。
本实施方式中，所述使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器包括：
将所述样本图像训练数据进行向量化处理，得到所述样本图像训练数据的第一特征向量；
利用所述自编码器的编码层对所述第一特征向量进行运算，得到所述样本图像训练数据的潜特征；
利用所述自编码器的解码层对所述潜特征进行运算，并对运算后得到的潜特征进行还原处理；
优化所述自编码器得到训练完成的自编码器。
本实施方式中，所述样本图像训练数据的潜特征的维度与步骤S21中设定的自编码器的潜特征维度相同。
所述优化所述自编码器得到训练完成的自编码器包括：
设定损失函数，并训练所述自编码器以最小化所述损失函数得到所述训练完成的自编码器。本实施方式中，所述损失函数可以包括交叉熵函数或均方差函数。
步骤S23，分别输入正常样本图像数据与瑕疵样本图像数据到所述训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征。
本实施方式中，所述分别输入正常样本图像数据与瑕疵样本图像数据到训练完成的自编码器中，并获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征包括：
输入正常样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述正常样本图像数据的潜特征；及输入瑕疵样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述瑕疵样本图像数据的潜特征。
本实施方式中，所述正常样本图像数据的潜特征维度与步骤S21中设定的自编码器的潜特征维度相同，所述瑕疵样本图像数据的潜特征维度与步骤S21中设定的自编码器的潜特征维度相同。
步骤S24，将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征。
本实施方式中，所述将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征包括：
使用T随机分布邻近嵌入(t-SNE)算法将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征。
本实施方式中，使用T随机分布邻近嵌入(t-SNE)算法将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，包括：
求解所述正常样本图像数据的潜特征的高斯概率分布矩阵P1；
随机初始化低维潜特征Y1，求解所述低维潜特征Y1的t分布概率矩阵Q1，其中，所述低维潜特征Y1是随机生成的向量，所述低维潜特征Y1的维度与步骤S11中设定的自编码器的潜特征维度相同；
以所述高斯概率分布矩阵P1和所述t分布概率矩阵Q1的KL散度为损失函数，基于所述损失函数使用梯度下降法对所述低维潜特征Y1进行迭代求解，将迭代完成后得到的所述低维潜特征Y1作为所述多个第一潜特征。
本实施方式中，使用T随机分布邻近嵌入(t-SNE)算法将所述瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本图像数据对应的多个第二潜特征，包括：
求解所述瑕疵样本图像数据的潜特征的高斯概率分布矩阵P2；
随机初始化低维潜特征Y2，求解所述低维潜特征Y2的t分布概率矩阵Q2，其中，所述低维潜特征Y2是随机生成的向量，所述低维潜特征Y2的维度与步骤S11中设定的自编码器的潜特征维度相同；
以所述高斯概率分布矩阵P2和所述t分布概率矩阵Q2的KL散度为损失函数，基于所述损失函数使用梯度下降法对所述低维潜特征Y2进行迭代求解，将迭代完成后得到的所述低维潜特征Y2作为所述多个第二潜特征。
步骤S25，根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点。
本实施方式中，所述根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点包括：
计算所述多个第一潜特征在三维的每个维度的平均值，将所述三维的每个维度的平均值组成的坐标对应的点作为所述多个第一潜特征的分布中心点。
例如，所述多个第一潜特征[A1,A2,…,AN]的坐标为[(x1,y1,z1),(x2,y2,z2),…,(xN,yN,zN)]时，所述多个第一潜特征[A1,A2,…,AN]的分布中心点的坐标为
Figure BDA0002937301860000061
步骤S26，分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到所述分数。
本实施方式中，所述分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到分数包括：
分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的欧氏距离，并对所述多个第二潜特征距离所述分布中心点的欧氏距离求和，得到所述分数。
例如，所述多个第二潜特征[B1,B2,…,BN]的坐标为[(X1,Y1,Z1),(X2,Y2,Z2),…,(XN,YN,ZN)]时，特征Bj(Xj,Yj,Zj)到所述分布中心点
Figure BDA0002937301860000062
的欧氏距离为
Figure BDA0002937301860000063
所述分数为
Figure BDA0002937301860000064
步骤S13，判断所述分数是否大于基准分数，并当所述分数大于所述基准分数时，将所述分数作为新的基准分数，重新执行所述选择自编码器的潜特征维度并得到分数，或者当所述分数小于或等于所述基准分数时，将当前设定的潜特征维度作为最优的潜特征维度。
步骤S14，将所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器，使用所述自编码器获得重建图像。
本实施方式中，将测试图像输入所述自编码器，使用所述自编码器获得重建图像包括：
将所述测试图像进行向量化处理，得到所述测试图像的第二特征向量；
利用所述自编码器的编码层对所述第二特征向量进行运算，得到所述测试图像的潜特征；
利用所述自编码器的解码层对所述测试图像的潜特征进行运算，并对运算后得到的潜特征进行还原处理，得到所述重建图像。
步骤S15，计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；或当所述重建误差小于或等于所述阈值时，输出所述测试图像为正常图像的判断结果。
本实施方式中，计算所述测试图像和所述重建图像的重建误差包括：
计算所述测试图像与所述重建图像的均方差，将所述均方差作为所述重建误差。
其他实施方式中，计算所述测试图像和所述重建图像的重建误差可以包括：
计算所述测试图像与所述重建图像的交叉熵，将所述交叉熵作为所述重建误差。
本发明可以对具有区分能力的潜特征维度进行有效确认，提高了图像瑕疵判断的效率。
实施例2
图3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3所示，所述图像瑕疵检测装置30可以包括训练数据获取模块301、潜特征维度选择模块302、判断模块303、重建模块304及输出模块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。
所述训练数据获取模块301获取样本图像训练数据。
本实施方式中，所述样本图像训练数据包括瑕疵样本训练图像和正常样本训练图像。
所述潜特征维度选择模块302选择自编码器的潜特征维度并得到分数。
本实施方式中，所述潜特征维度选择模块302包括设定模块311、训练模块312、潜特征获取模块313、降维模块314、中心点计算模块315及分数计算模块316。
所述设定模块311设定自编码器的潜特征维度。
本实施方式中，所述设定自编码器的潜特征维度包括：
设定所述自编码器的编码层提取到的潜特征的维度。本实施方式中，所述自编码器根据图像数据提取得到潜特征。
所述训练模块312使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器。
本实施方式中，所述使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器包括：
将所述样本图像训练数据进行向量化处理，得到所述样本图像训练数据的第一特征向量；
利用所述自编码器的编码层对所述第一特征向量进行运算，得到所述样本图像训练数据的潜特征；
利用所述自编码器的解码层对所述潜特征进行运算，并对运算后得到的潜特征进行还原处理；
优化所述自编码器得到训练完成的自编码器。
本实施方式中，所述样本图像训练数据的潜特征的维度与所述设定模块311中设定的自编码器的潜特征维度相同。
所述优化所述自编码器得到训练完成的自编码器包括：
设定损失函数，并训练所述自编码器以最小化所述损失函数得到所述训练完成的自编码器。本实施方式中，所述损失函数可以包括交叉熵函数或均方差函数。
所述潜特征获取模块313分别输入正常样本图像数据与瑕疵样本图像数据到所述训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征。
本实施方式中，所述分别输入正常样本图像数据与瑕疵样本图像数据到训练完成的自编码器中，并获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征包括：
输入正常样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述正常样本图像数据的潜特征；及输入瑕疵样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述瑕疵样本图像数据的潜特征。
本实施方式中，所述正常样本图像数据的潜特征维度与所述设定模块311中设定的自编码器的潜特征维度相同，所述瑕疵样本图像数据的潜特征维度及所述设定模块311中设定的自编码器的潜特征维度相同。
所述降维模块314将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征。
本实施方式中，所述将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征包括：
使用T随机分布邻近嵌入(t-SNE)算法将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征。
本实施方式中，使用T随机分布邻近嵌入(t-SNE)算法将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，包括：
求解所述正常样本图像数据的潜特征的高斯概率分布矩阵P1；
随机初始化低维潜特征Y1，求解所述低维潜特征Y1的t分布概率矩阵Q1，其中，所述低维潜特征Y1是随机生成的向量，所述低维潜特征Y1的维度与步骤S11中设定的自编码器的潜特征维度相同；
以所述高斯概率分布矩阵P1和所述t分布概率矩阵Q1的KL散度为损失函数，基于所述损失函数使用梯度下降法对所述低维潜特征Y1进行迭代求解，将迭代完成后得到的所述低维潜特征Y1作为所述多个第一潜特征。
本实施方式中，使用T随机分布邻近嵌入(t-SNE)算法将所述瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本图像数据对应的多个第二潜特征，包括：
求解所述瑕疵样本图像数据的潜特征的高斯概率分布矩阵P2；
随机初始化低维潜特征Y2，求解所述低维潜特征Y2的t分布概率矩阵Q2，其中，所述低维潜特征Y2是随机生成的向量，所述低维潜特征Y2的维度与步骤S11中设定的自编码器的潜特征维度相同；
以所述高斯概率分布矩阵P2和所述t分布概率矩阵Q2的KL散度为损失函数，基于所述损失函数使用梯度下降法对所述低维潜特征Y2进行迭代求解，将迭代完成后得到的所述低维潜特征Y2作为所述多个第二潜特征。
所述中心点计算模块315根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点。
本实施方式中，所述根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点包括：
计算所述多个第一潜特征在三维的每个维度的平均值，将所述三维的每个维度的平均值组成的坐标对应的点作为所述多个第一潜特征的分布中心点。
所述分数计算模块316分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到所述分数。
本实施方式中，所述分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到分数包括：
分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的欧氏距离，并对所述多个第二潜特征距离所述分布中心点的欧氏距离求和，得到所述分数。
所述判断模块303判断所述分数是否大于基准分数，并当所述分数大于所述基准分数时，将所述分数作为新的基准分数，重新调用所述潜特征维度选择模块，或者当所述分数小于或等于所述基准分数时，将当前设定的潜特征维度作为最优的潜特征维度。
所述重建模块304将所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器，使用所述自编码器获得重建图像。
本实施方式中，将测试图像输入所述自编码器，使用所述自编码器获得重建图像包括：
将所述测试图像进行向量化处理，得到所述测试图像的第二特征向量；
利用所述自编码器的编码层对所述第二特征向量进行运算，得到所述测试图像的潜特征；
利用所述自编码器的解码层对所述测试图像的潜特征进行运算，并对运算后得到的潜特征进行还原处理，得到所述重建图像。
所述输出模块305计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；或当所述重建误差小于或等于所述阈值时，输出所述测试图像为正常图像的判断结果。
本实施方式中，计算所述测试图像和所述重建图像的重建误差包括：
计算所述测试图像与所述重建图像的均方差，将所述均方差作为所述重建误差。
其他实施方式中，计算所述测试图像和所述重建图像的重建误差可以包括：
计算所述测试图像与所述重建图像的交叉熵，将所述交叉熵作为所述重建误差。
本发明可以对具有区分能力的潜特征维度进行有效确认，提高了图像瑕疵判断的效率。
实施例3
图4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3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3中的训练数据获取模块301、潜特征维度选择模块302、判断模块303、重建模块304及输出模块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：
获取样本图像训练数据；
选择自编码器的潜特征维度并得到分数，包括：
设定自编码器的潜特征维度；
使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器；
分别输入正常样本图像数据与瑕疵样本图像数据到所述训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征；
将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征；
根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点；
分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到所述分数；
判断所述分数是否大于基准分数，并当所述分数大于所述基准分数时，将所述分数作为新的基准分数，重新执行所述选择自编码器的潜特征维度并得到分数，或者当所述分数小于或等于所述基准分数时，将当前设定的潜特征维度作为最优的潜特征维度；
将所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器，使用所述自编码器获得重建图像；
计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；或当所述重建误差小于或等于所述阈值时，输出所述测试图像为正常图像的判断结果。
2.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述设定自编码器的潜特征维度包括：
设定所述自编码器的编码层提取到的潜特征的维度。
3.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器包括：
将所述样本图像训练数据进行向量化处理，得到所述样本图像训练数据的特征向量；
利用所述自编码器的编码层对所述特征向量进行运算，得到所述样本图像训练数据的潜特征；
利用所述自编码器的解码层对所述潜特征进行运算，并对运算后得到的潜特征进行还原处理；
优化所述自编码器得到训练完成的自编码器。
4.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述分别输入正常样本图像数据与瑕疵样本图像数据到训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征包括：
输入正常样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述正常样本图像数据的潜特征；及
输入瑕疵样本图像数据到训练完成的自编码器中，通过训练完成的自编码器的编码层获得所述瑕疵样本图像数据的潜特征。
5.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征包括：
使用T随机分布邻近嵌入算法将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征。
6.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点包括：
计算所述多个第一潜特征在三维的每个维度的平均值，将所述三维的每个维度的平均值组成的坐标对应的点作为所述多个第一潜特征的中心点。
7.如权利要求6所述的图像瑕疵检测方法，其特征在于，所述分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到分数包括：
分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的欧氏距离，并对所述多个第二潜特征距离所述分布中心点的欧氏距离求和，得到所述分数。
8.一种自编码器的图像瑕疵检测装置，其特征在于，所述装置包括：
训练数据获取模块，用于获取样本图像训练数据；
潜特征维度选择模块，用于选择自编码器的潜特征维度并得到分数，包括：
设定模块，用于设定自编码器的潜特征维度；
训练模块，使用样本图像训练数据训练所述自编码器，并得到训练完成的自编码器；
潜特征获取模块，用于分别输入正常样本图像数据与瑕疵样本图像数据到训练完成的自编码器中，并经所述训练完成的自编码器获得所述正常样本图像数据的潜特征与所述瑕疵样本的潜特征；
降维模块，用于将所述正常样本图像数据的潜特征降维得到与所述正常样本图像数据对应的多个第一潜特征，及将瑕疵样本图像数据的潜特征降维得到与所述瑕疵样本对应的多个第二潜特征；
中心点计算模块，用于根据所述多个第一潜特征计算得到所述多个第一潜特征的分布中心点；
分数计算模块，用于分别计算所述多个第二潜特征中的每个第二潜特征距离所述分布中心点的距离值，并对所述多个第二潜特征距离所述分布中心点的距离值求和得到分数；
判断模块，用于判断所述分数是否大于基准分数，并当所述分数大于所述基准分数时，将所述分数作为新的基准分数并重新调用所述潜特征维度选择模块，或者当所述分数小于或等于所述基准分数时，将当前设定的潜特征维度作为最优的潜特征维度；
重建模块，用于将输出所述最优的潜特征维度作为所述自编码器的潜特征维度，将测试图像输入所述自编码器，使用所述自编码器获得重建图像；
输出模块，用于计算所述测试图像和所述重建图像的重建误差，当所述重建误差大于预设的阈值时，输出所述测试图像为瑕疵图像的判断结果；或当所述重建误差小于或等于所述阈值时，输出所述测试图像为正常图像的判断结果。
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，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。
CN202110164687.2A 2021-02-05 2021-02-05 图像瑕疵检测方法、装置、电子设备及存储介质 Pending CN114881913A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110164687.2A CN114881913A (zh) 2021-02-05 2021-02-05 图像瑕疵检测方法、装置、电子设备及存储介质
US17/584,736 US20220254002A1 (en) 2021-02-05 2022-01-26 Method for improving efficiency of defect detection in images, image defect detection apparatus, and computer readable storage medium employing method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110164687.2A CN114881913A (zh) 2021-02-05 2021-02-05 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
CN114881913A true CN114881913A (zh) 2022-08-09

Family

ID=82667765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110164687.2A Pending CN114881913A (zh) 2021-02-05 2021-02-05 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) US20220254002A1 (zh)
CN (1) CN114881913A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958126B (zh) * 2023-09-18 2023-12-12 深圳市深奇浩实业有限公司 基于计算机视觉的模具注塑检测方法及系统

Also Published As

Publication number Publication date
US20220254002A1 (en) 2022-08-11

Similar Documents

Publication Publication Date Title
CN109242033B (zh) 晶片缺陷模式分类方法及装置、存储介质、电子设备
US20220198228A1 (en) Method for detecting defects in multi-scale images and computing device utilizing method
CN114764765A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
CN110503682B (zh) 矩形控件识别方法、装置、终端及存储介质
CN111832449A (zh) 工程图纸的显示方法及相关装置
CN114943673A (zh) 瑕疵图像生成方法、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
CN112257578A (zh) 人脸关键点检测方法、装置、电子设备及存储介质
CN112967272A (zh) 基于改进U-net的焊接缺陷检测方法、装置及终端设备
CN115795000A (zh) 基于联合相似度算法对比的围标识别方法和装置
US11983866B2 (en) Image defect detection method, electronic device using the same
CN114881913A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
CN110569230A (zh) 数据库设计模型与设计文档互相转换方法、系统及设备
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
CN111862343B (zh) 一种三维重建方法、装置、设备及计算机可读存储介质
CN116051811B (zh) 区域识别方法、装置、计算机设备及计算机可读存储介质
CN114821272A (zh) 图像识别方法、系统、介质、电子设备及目标检测模型
CN115374502A (zh) 处理标准单体图纸的方法和系统
TWI748867B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN113065597A (zh) 一种聚类方法、装置、设备及存储介质
CN112347723A (zh) 基于版图的rom代码提取验证方法及装置
CN112381458A (zh) 项目评审方法、项目评审装置、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
TWI792134B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
US12002197B2 (en) Error reduction in reconstructed images in defect detection method, electronic device and storage medium

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