CN114943672A - 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
CN114943672A
CN114943672A CN202110183338.5A CN202110183338A CN114943672A CN 114943672 A CN114943672 A CN 114943672A CN 202110183338 A CN202110183338 A CN 202110183338A CN 114943672 A CN114943672 A CN 114943672A
Authority
CN
China
Prior art keywords
image
calculating
probability distribution
encoder
self
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
CN202110183338.5A
Other languages
English (en)
Inventor
简士超
郭锦斌
蔡东佐
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 CN202110183338.5A priority Critical patent/CN114943672A/zh
Priority to US17/585,855 priority patent/US11983866B2/en
Publication of CN114943672A publication Critical patent/CN114943672A/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
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • 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
    • G06V10/82—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]

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，该方法将无瑕疵样本训练图像输入自编码器，通过自编码器的编码层计算得到第一潜特征，将第一潜特征输入自编码器的解码层得到第一重构图像，使用误差函数计算得到第一重构误差，将第一潜特征输入深度学习模型和高斯混合模型得到第一概率分布和第二概率分布，计算第一概率分布和第二概率分布的散度，根据第一重构误差和散度得到总损失，根据总损失设定阈值，获取测试样本图像并计算总误差，以判断测试样本图像是否为瑕疵图像。利用本发明可以提升瑕疵图像识别效率。

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。由于目前的基于高斯混合模型的瑕疵检测方法通常有庞大的计算量，使得程序速度无法优化，执行时间无法减少。
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升瑕疵图像检测效率。
本申请的第一方面提供一种图像瑕疵检测方法，包括：
获取无瑕疵样本训练图像；
将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征；
将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差；
将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布；
将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布；
计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度；
根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值；
获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差；
当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。
优选地，所述通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征包括：
将所述无瑕疵样本训练图像进行向量化处理，得到所述无瑕疵样本训练图像的特征向量；
利用所述自编码器中的所述编码层对所述无瑕疵样本训练图像的所述特征向量进行运算，得到所述第一潜特征。
优选地，所述将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像包括：
利用所述自编码器中的所述解码层对所述第一潜特征进行运算；
对运算后得到的向量进行还原处理，得到所述第一重建图像。
优选地，所述将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布包括：
将所述第一潜特征输入所述深度学习模型；
通过所述深度学习模型中卷积层、池化层和至少一个隐藏层中的一个或多个对所述第一潜特征进行运算，得到所述第一概率分布。
优选地，所述计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度包括：
根据公式
Figure BDA0002942060560000021
计算所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，其中，DKL(P||Q)为所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，P(i)为所述第二概率分布，Q(i)为所述第一概率分布。
优选地，所述根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型包括：
计算所述第一重构误差与所述库尔贝克-莱布勒散度的乘积，得到所述总损失；
调整所述自编码器、所述深度学习模型及所述高斯混合模型的参数对所述总损失进行最小化处理。
优选地，所述根据所述第三概率分布和所述第二重构误差计算总误差包括：
对所述第三概率分布和所述第二重构误差求和得到总误差。
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：
训练图像获取模块，用于获取无瑕疵样本训练图像；
第一潜特征获取模块，用于将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征；
第一重构误差获取模块，用于将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差；
第一概率分布计算模块，用于将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布；
第二概率分布计算模块，用于将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布；
散度计算模块，用于计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度；
模型训练模块，用于根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值；
总误差计算模块，用于获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差；
判断模块，用于当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。
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，通过同时训练自编码器、深度学习模型和高斯混合模型，使得深度学习模型和高斯混合模型可以输出相同的概率分布预测，从而可以使用深度学习模型替代高斯混合模型，在进行瑕疵检测时实现更高的效率。
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
图像瑕疵检测装置 30
训练图像获取模块 301
第一潜特征获取模块 302
第一重构误差获取模块 303
第一概率分布计算模块 304
第二概率分布计算模块 305
散度计算模块 306
模型训练模块 307
总误差计算模块 308
判断模块 309
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，获取无瑕疵样本训练图像。
步骤S12，将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征。
在本发明的至少一个实施例中，所述通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征包括：
将所述无瑕疵样本训练图像进行向量化处理，得到所述无瑕疵样本训练图像的特征向量；
利用所述自编码器中的所述编码层对所述无瑕疵样本训练图像的所述特征向量进行运算，得到所述第一潜特征。
步骤S13，将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差。
优选地，所述将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像包括：
利用所述自编码器中的所述解码层对所述第一潜特征进行运算；
对运算后得到的向量进行还原处理，得到所述第一重建图像。
步骤S14，将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布。
在本发明的至少一个实施例中，所述将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布包括：
将所述第一潜特征输入所述深度学习模型；
通过所述深度学习模型中卷积层、池化层和至少一个隐藏层中的一个或多个对所述第一潜特征进行运算，得到所述第一概率分布。
步骤S15，将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布。
在本发明的至少一个实施例中，将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布包括：
将所述第一潜特征输入所述高斯混合模型；
通过所述高斯混合模型拟合所述第一潜特征的概率分布，得到所述第二概率分布。
具体地，所述高斯混合模型为
Figure BDA0002942060560000051
其中，xj表示第一潜特征对应的向量，t＝1，2，3...，M，M为第一潜特征的维度，αk为第k个高斯分布的权重，μk，σk分别时第k个高斯分布的均值和方差，N(xi|μk，σk)表示向量xi符合均值为μk且方差为σk的正态分布，K至少为3。
步骤S16，计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度。
优选地，所述计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度包括：
根据公式
Figure BDA0002942060560000052
计算所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，其中，DKL(P||Q)为所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，P(i)为所述第二概率分布，Q(i)为所述第一概率分布。
步骤S17，根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值。
在本发明的至少一个实施例中，所述根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型包括：
计算所述第一重构误差与所述库尔贝克-莱布勒散度的乘积，得到所述总损失；
调整所述自编码器、所述深度学习模型及所述高斯混合模型的参数对所述总损失进行最小化处理。
在本发明的至少一个实施例中，调整所述自编码器、所述深度学习模型及所述高斯混合模型的参数对所述总损失进行最小化处理的目的是优化所述自编码器、所述深度学习模型及所述高斯混合模型，使得所述深度学习模型与所述高斯混合模型根据所述自编码器生成的重构图像具有相同的概率分布。
步骤S18，获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差。
在本发明的至少一个实施例中，所述根据所述第三概率分布和所述第二重构误差计算总误差包括：
对所述第三概率分布和所述第二重构误差求和得到总误差。
步骤S19，当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。
本发明中，通过同时训练自编码器、深度学习模型和高斯混合模型，使得深度学习模型和高斯混合模型可以输出相同的概率分布预测，从而可以使用深度学习模型替代高斯混合模型，在进行瑕疵检测时实现更高的效率。
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可以包括训练图像获取模块301，第一潜特征获取模块302，第一重构误差获取模块303，第一概率分布计算模块304、第二概率分布计算模块305、散度计算模块306、模型训练模块307、总误差计算模块308及判断模块309。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。
所述训练图像获取模块301获取无瑕疵样本训练图像。
所述第一潜特征获取模块302将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征。
在本发明的至少一个实施例中，所述第一潜特征获取模块302通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征包括：
将所述无瑕疵样本训练图像进行向量化处理，得到所述无瑕疵样本训练图像的特征向量；
利用所述自编码器中的所述编码层对所述无瑕疵样本训练图像的所述特征向量进行运算，得到所述第一潜特征。
所述第一重构误差获取模块303将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差。
在本发明的至少一个实施例中，所述第一重构误差获取模块303将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像包括：
利用所述自编码器中的所述解码层对所述第一潜特征进行运算；
对运算后得到的向量进行还原处理，得到所述第一重建图像。
所述第一概率分布计算模块304将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布。
在本发明的至少一个实施例中，所述第一概率分布计算模块304将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布包括：
将所述第一潜特征输入所述深度学习模型；
通过所述深度学习模型中卷积层、池化层和至少一个隐藏层中的一个或多个对所述第一潜特征进行运算，得到所述第一概率分布。
所述第二概率分布计算模块305将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布。
在本发明的至少一个实施例中，所述第二概率分布计算模块305将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布包括：
将所述第一潜特征输入所述高斯混合模型；
通过所述高斯混合模型拟合所述第一潜特征的概率分布，得到所述第二概率分布。
具体地，所述高斯混合模型为
Figure BDA0002942060560000071
其中，xi表示第一潜特征对应的向量，t＝1，2，3...，M，M为第一潜特征的维度，αk为第k个高斯分布的权重，μk，σk分别时第k个高斯分布的均值和方差，N(xi|μk，σk)表示向量xi符合均值为μk且方差为σk的正态分布，K至少为3。
所述散度计算模块306计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度。
优选地，所述计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度包括：
根据公式
Figure BDA0002942060560000072
计算所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，其中，DKL(P||Q)为所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，P(i)为所述第二概率分布，Q(i)为所述第一概率分布。
所述模型训练模块307根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值。
在本发明的至少一个实施例中，所述模型训练模块307根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型包括：
计算所述第一重构误差与所述库尔贝克-莱布勒散度的乘积，得到所述总损失；
调整所述自编码器、所述深度学习模型及所述高斯混合模型的参数对所述总损失进行最小化处理。
在本发明的至少一个实施例中，调整所述自编码器、所述深度学习模型及所述高斯混合模型的参数对所述总损失进行最小化处理的目的是优化所述自编码器、所述深度学习模型及所述高斯混合模型，使得所述深度学习模型与所述高斯混合模型根据所述自编码器生成的重构图像具有相同的概率分布。
所述总误差计算模块308获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差。
在本发明的至少一个实施例中，所述总误差计算模块308根据所述第三概率分布和所述第二重构误差计算总误差包括：
对所述第三概率分布和所述第二重构误差求和得到总误差。
所述判断模块309当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。
本发明中，通过同时训练自编码器、深度学习模型和高斯混合模型，使得深度学习模型和高斯混合模型可以输出相同的概率分布预测，从而可以使用深度学习模型替代高斯混合模型，在进行瑕疵检测时实现更高的效率。
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～S19。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301～309。
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中的训练图像获取模块301，第一潜特征获取模块302，第一重构误差获取模块303，第一概率分布计算模块304、第二概率分布计算模块305、散度计算模块306、模型训练模块307、总误差计算模块308及判断模块309，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：
获取无瑕疵样本训练图像；
将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征；
将所述第一潜特征输入所述自编码器的解码层并并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差；
将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布；
将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布；
计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度；
根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值；
获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差；
当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。
2.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征包括：
将所述无瑕疵样本训练图像进行向量化处理，得到所述无瑕疵样本训练图像的特征向量；
利用所述自编码器中的所述编码层对所述无瑕疵样本训练图像的所述特征向量进行运算，得到所述第一潜特征。
3.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像包括：
利用所述自编码器中的所述解码层对所述第一潜特征进行运算；
对运算后得到的向量进行还原处理，得到所述第一重建图像。
4.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布包括：
将所述第一潜特征输入所述深度学习模型；
通过所述深度学习模型中卷积层、池化层和至少一个隐藏层中的一个或多个对所述第一潜特征进行运算，得到所述第一概率分布。
5.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度包括：
根据公式
Figure FDA0002942060550000021
计算所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，其中，DKL(P||Q)为所述第一概率分布和所述第二概率分布的库尔贝克-莱布勒散度，P(i)为所述第二概率分布，Q(i)为所述第一概率分布。
6.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型包括：
计算所述第一重构误差与所述库尔贝克-莱布勒散度的乘积，得到所述总损失；
调整所述自编码器、所述深度学习模型及所述高斯混合模型的参数对所述总损失进行最小化处理。
7.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述根据所述第三概率分布和所述第二重构误差计算总误差包括：
对所述第三概率分布和所述第二重构误差求和得到总误差。
8.一种图像瑕疵检测装置，其特征在于，所述装置包括：
训练图像获取模块，用于获取无瑕疵样本训练图像；
第一潜特征获取模块，用于将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征；
第一重构误差获取模块，用于将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差；
第一概率分布计算模块，用于将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布；
第二概率分布计算模块，用于将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布；
散度计算模块，用于计算所述第一概率分布和所述第二概率分布之间的库尔贝克-莱布勒散度；
模型训练模块，用于根据所述第一重构误差和所述库尔贝克-莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值；
总误差计算模块，用于获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差；
判断模块，用于当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。
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。
CN202110183338.5A 2021-02-09 2021-02-09 图像瑕疵检测方法、装置、电子设备及存储介质 Pending CN114943672A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110183338.5A CN114943672A (zh) 2021-02-09 2021-02-09 图像瑕疵检测方法、装置、电子设备及存储介质
US17/585,855 US11983866B2 (en) 2021-02-09 2022-01-27 Image defect detection method, electronic device using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110183338.5A CN114943672A (zh) 2021-02-09 2021-02-09 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
CN114943672A true CN114943672A (zh) 2022-08-26

Family

ID=82703312

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110183338.5A Pending CN114943672A (zh) 2021-02-09 2021-02-09 图像瑕疵检测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114943672A (zh)

Also Published As

Publication number Publication date
US20220253998A1 (en) 2022-08-11

Similar Documents

Publication Publication Date Title
US20210209410A1 (en) Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device
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
US20220198228A1 (en) Method for detecting defects in multi-scale images 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
CN110969600A (zh) 一种产品缺陷检测方法、装置、电子设备及存储介质
CN111931809A (zh) 数据的处理方法、装置、存储介质及电子设备
CN111354354B (zh) 一种基于语义识别的训练方法、训练装置及终端设备
CN115035017A (zh) 细胞密度分群方法、装置、电子设备及存储介质
CN114881913A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
CN114943672A (zh) 图像瑕疵检测方法、装置、电子设备及存储介质
US20220207892A1 (en) Method and device for classifing densities of cells, electronic device using method, and storage medium
TWI762193B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN110083807B (zh) 合同的修改影响自动预测方法、装置、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
CN112926724A (zh) 注塑成型产品良率的评分方法、装置及电子设备
CN114943671A (zh) 图像瑕疵检测方法、电子设备及存储介质
US11983866B2 (en) Image defect detection method, electronic device using the same
US20220198645A1 (en) Model input size determination method, electronic device and storage medium
TWI795729B (zh) 圖像瑕疵檢測方法、電子設備及存儲介質
TWI764492B (zh) 缺陷檢測分類方法、裝置、電子設備及存儲介質
TWI755176B (zh) 細胞密度分類方法及裝置、電子裝置及存儲介質
TWI755212B (zh) 模型輸入尺寸確定方法及相關設備
CN114238583B (zh) 自然语言处理方法、装置、计算机设备及存储介质
CN116541252B (zh) 一种机房故障日志数据处理方法及装置

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