CN117557550A - 缺陷检测方法、设备、存储介质及装置 - Google Patents
缺陷检测方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN117557550A CN117557550A CN202311736533.1A CN202311736533A CN117557550A CN 117557550 A CN117557550 A CN 117557550A CN 202311736533 A CN202311736533 A CN 202311736533A CN 117557550 A CN117557550 A CN 117557550A
- Authority
- CN
- China
- Prior art keywords
- picture
- sample
- detected
- defect detection
- feature
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 130
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000002950 deficient Effects 0.000 claims abstract description 35
- 230000005856 abnormality Effects 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000012216 screening Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 239000003814 drug Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
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
- G06V10/40—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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
- G06V10/70—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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及视觉技术领域,公开了一种缺陷检测方法、设备、存储介质及装置,该方法包括:对待检测图片进行特征提取,获得待检测图片特征;基于预设正样本特征库确定各待检测图片特征对应的异常程度;预设正样本特征库通过对无缺陷样本图片构建得到;根据各异常程度确定待检测图片的缺陷检测结果。由于本发明预设正样本特征库中的特征为无缺陷图片的特征,因此相比于现有的需通过带缺陷的样本实现缺陷检测,本发明可仅通过无缺陷图片的样本实现,提升了用户体验。
Description
技术领域
本发明涉及视觉技术领域,尤其涉及一种缺陷检测方法、设备、存储介质及装置。
背景技术
目前,缺陷检测(例如对药瓶的标签进行缺陷检测)是工业生产中不可或缺的环节,它可以有效地保证产品的质量和安全性。随着人工智能技术的发展,缺陷检测也开始向智能化方向发展,这有助于提升检测效率和准确性。
现有的缺陷检测一般是采用有监督的深度学习的方式实现,即预先通过带有缺陷的样本对深度学习模型进行训练,在训练完成后通过获得的模型进行缺陷检测,确定产品是否存在缺陷。但该方式在训练时需较多负样本(即上述带有缺陷的样本)进行训练,而负样本获得较为困难,进而导致用户体验较差。
发明内容
本发明的主要目的在于提供一种缺陷检测方法、设备、存储介质及装置,旨在解决现有的缺陷检测需通过负样本对模型进行训练,再通过训练后的模型实现,而负样本获得较为困难导致用户体验较差的技术问题。
为实现上述目的,本发明提供一种缺陷检测方法,所述方法包括以下步骤:
对待检测图片进行特征提取,获得待检测图片特征;
基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到;
根据各所述异常程度确定所述待检测图片的缺陷检测结果。
可选地,所述基于预设正样本特征库确定各所述待检测图片特征对应的异常程度的步骤,包括:
获取预设正样本特征库中的正样本特征,并确定各所述待检测图片特征与对应的正样本特征之间的待检测损失绝对值;
对各所述待检测损失绝对值进行排序,并根据排序结果确定目标损失绝对值;
基于所述目标损失绝对值确定各所述待检测图片特征对应的异常程度。
可选地,所述根据各所述异常程度确定所述待检测图片的缺陷检测结果的步骤,包括:
根据各所述异常程度确定所述待检测图片的异常得分图;
通过预设得分阈值以及所述异常得分图对所述待检测图片进行二值化处理;
根据二值化处理结果获得所述待检测图片的缺陷检测结果。
可选地,所述对待检测图片进行特征提取,获得待检测图片特征的步骤之前,还包括:
对无缺陷样本图片进行降采样,并对降采样后的无缺陷样本图片进行特征提取,获得各尺度下的样本图片特征;
对各所述样本图片特征进行特征融合,并对各融合后的样本图片特征进行筛选;
将各筛选后的样本图片特征作为正样本特征,并基于各所述正样本特征构建预设正样本特征库。
可选地,所述对各所述样本图片特征进行特征融合的步骤,包括:
对各所述样本图片特征进行插值处理,并对各插值处理后的样本图片特征进行升采样;
将各升采样后的样本图片特征进行叠加,并将各叠加后的样本图片特征作为融合后的样本图片特征。
可选地,所述对各融合后的样本图片特征进行筛选的步骤,包括:
对各融合后的样本图片特征进行聚类处理,确定聚类中心;
基于所述聚类中心对各所述融合后的样本图片特征进行筛选。
可选地,所述基于所述聚类中心对各所述融合后的样本图片特征进行筛选的步骤,包括:
确定各所述融合后的样本图片特征与所述聚类中心之间的样本损失绝对值;
基于各所述样本损失绝对值对各所述融合后的样本图片特征进行筛选。
此外,为实现上述目的,本发明还提出一种缺陷检测设备,所述缺陷检测设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序,所述缺陷检测程序配置为实现如上文所述的缺陷检测方法。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法。
此外,为实现上述目的,本发明还提出一种缺陷检测装置,所述缺陷检测装置包括:特征提取模块、异常确定模块以及缺陷确定模块;
所述特征提取模块,用于对待检测图片进行特征提取,获得待检测图片特征;
所述异常确定模块,用于基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到;
所述缺陷确定模块,用于根据各所述异常程度确定所述待检测图片的缺陷检测结果。
本发明提供一种缺陷检测方法、设备、存储介质及装置,该方法包括:对待检测图片进行特征提取,获得待检测图片特征;基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到;根据各所述异常程度确定所述待检测图片的缺陷检测结果。本发明通过对无缺陷样本图片构建得到预设正样本特征库,在实际运用时,可基于预设正样本特征库确定待检测图片中的待检测图片特征的异常程度,根据异常程度确定缺陷检测结果,由于本发明预设正样本特征库中的特征为无缺陷图片的特征,因此相比于现有的需通过带缺陷的样本实现缺陷检测,本发明可仅通过无缺陷图片的样本实现,提升了用户体验。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图;
图2为本发明缺陷检测方法第一实施例的流程示意图;
图3为本发明缺陷检测方法第一实施例的组成框图;
图4为本发明缺陷检测方法第一实施例中推理流程示意图;
图5为本发明缺陷检测方法第二实施例的流程示意图;
图6为本发明缺陷检测方法第二实施例中训练流程示意图;
图7为本发明缺陷检测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的缺陷检测设备结构示意图。
如图1所示,该缺陷检测设备可以包括:处理器1001,例如中央处理器(CentralProcessing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的存储器(Non-volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对缺陷检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及缺陷检测程序。
在图1所示的缺陷检测设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述缺陷检测设备通过处理器1001调用存储器1005中存储的缺陷检测程序,并执行本发明实施例提供的缺陷检测方法。
需要说明的是,目前,缺陷检测(例如对药瓶的标签进行缺陷检测)是工业生产中不可或缺的环节,它可以有效地保证产品的质量和安全性。随着人工智能技术的发展,缺陷检测也开始向智能化方向发展,这有助于提升检测效率和准确性。
现有的缺陷检测一般是采用有监督的深度学习的方式实现,即预先通过带有缺陷的样本对深度学习模型进行训练,在训练完成后通过获得的模型进行缺陷检测,确定产品是否存在缺陷。但该方式在训练时需较多负样本(即上述带有缺陷的样本)进行训练,而负样本获得较为困难,进而导致用户体验较差。
为了解决上述缺陷,本实施例提供一种缺陷检测方法,通过对无缺陷样本图片构建得到预设正样本特征库,在实际运用时,可基于预设正样本特征库确定待检测图片中的待检测图片特征的异常程度,根据异常程度确定缺陷检测结果,由于本实施例预设正样本特征库中的特征为无缺陷图片的特征,因此相比于现有的需通过带缺陷的样本实现缺陷检测,本实施例可仅通过无缺陷图片的样本实现,提升了用户体验。
为了便于理解,以下结合图2至图6对本申请实施例提供的缺陷检测方法进行具体介绍。
参照图2,图2为本发明缺陷检测方法第一实施例的流程示意图,提出本发明缺陷检测方法第一实施例。
如图2所示,在本实施例中,上述缺陷检测方法包括以下步骤:
步骤S10:对待检测图片进行特征提取,获得待检测图片特征。
需要说明的是,本实施例方法可以是应用在对药瓶上的标签进行缺陷检测的场景中,当然还可以是其它需要进行缺陷检测的场景中,本实施例对此不加以限制。本实施例方法的执行主体可以是具有缺陷检测、网络通信以及程序运行功能的设备,例如电脑等,还可以是实现相同或相似功能的其他电子设备。以下以上述缺陷检测设备(简称设备)对本实施例和下述各实施例进行说明。
可理解的是,上述待检测图片可以是待检测标签对应的图片,上述设备若需对某标签进行缺陷检测时,可对其进行拍摄,获得该标签对应的待检测图片。
应理解的是,在获取到待检测图片后,可提取待检测图片中的特征,并将获得的特征作为上述待检测图片特征。在此需要强调的是,为了提取到足够的抽象信息作为上述待检测图片特征,本实施例可通过经过大规模数据训练的降采样编码器网络进行提取获得,且可将不同降采样阶段提取到的特征作为上述待检测图片特征,由于涉及不同降采样阶段,进而获得的各待检测图片特征可以是不同尺度(分辨率)下的待检测图片特征,具体尺度可根据实际情况自行设置,本实施例对此不加以限制。
参照图3,图3为本发明缺陷检测方法第一实施例的组成框图,如图3所示,上述设备在获得待检测图片(即图3中待检测图片)后,可通过上述降采样编码器网络对其进行特征提取(即图3中特征提取)。
还需要强调的是,本实施例可将融合inception结构的ResNet作为上述降采样编码器网络进行特征提取,当然还可采用其它用于进行特征提取的网络,本实施例对此不加以限制。
在提取到不同尺度下的待检测图片特征后,接着可对不同尺度下的样本图片特征进行特征融合(即图3中特征融合),使其融合为同一尺度下的待检测图片特征,以便于后续进行异常值计算。
在具体实现中,上述设备可通过降采样编码器网络对待检测图片进行特征提取,获得不同尺度下的待检测图片特征,并对不同尺度下的待检测图片特征进行特征融合,获得同一尺度下的待检测图片特征。
步骤S20:基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到。
需要说明的是,上述预设正样本特征库中可存储有无缺陷样本图片中的样本图片特征,其中上述无缺陷样本图片可以是不带有缺陷、正常情况下的标签对应的图片,上述样本图片特征可以是无缺陷样本图片内所包含的特征。
在实际缺陷检测之前,上述设备可预先接收若干无缺陷样本图片(即图3中无缺陷样本图片),并同样采用上述融合inception结构的ResNet对若干无缺陷样本图片进行特征提取(即图3中特征提取),获得不同尺度下的样本图片特征;接着可对不同尺度下的样本图片特征进行特征融合(即图3中特征融合),使其融合为同一尺度下的样本图片特征;由于输入的均是无缺陷的样本图片,进而在融合后的样本图片特征中可能存在相似度较高的特征,因此上述设备还可对获得的融合后的样本图片特征进行筛选(即图3中特征筛选),并基于筛选后的样本图片特征构建上述预设正样本特征库(即图3中预设正样本特征库),同时本实施例可将构建预设正样本特征库的过程称为训练过程(即图3中训练过程)。
进而在实际缺陷检测时,上述设备可将待检测图片特征与预设正样本特征库中的样本图片特征进行异常值计算(即图3中异常值计算),确定待检测图片特征与样本图片特征之间的异常程度,若异常程度较大,则可说明待检测图片特征与样本图片特征之间的差异较大,可能为存在缺陷的标签,若异常程度较小,则可说明待检测图片特征与样本图片特征之间的差异较小,可能为正常的标签,在本实施例中可将确定异常程度的过程称为推理过程(即图3中推理过程)。
进一步地,为了准确确定异常程度,在本实施例中,上述基于预设正样本特征库确定各所述待检测图片特征对应的异常程度的步骤,包括:
步骤S21:获取预设正样本特征库中的正样本特征,并确定各所述待检测图片特征与对应的正样本特征之间的待检测损失绝对值。
可理解的是,本实施例可将筛选后的样本图片特征记作正样本特征,即上述设备在对融合后的样本图片特征进行筛选后,根据获得的正样本特征构建上述预设正样本特征库。
进而在确定异常程度时,为了将异常程度量化,上述设备可先获取预设正样本特征库中的正样本特征,并通过预设异常值计算公式确定各待检测图片特征与对应的正样本特征之间的差异,作为上述待检测损失绝对值。
上述预设异常值计算公式如下:
其中,上述L(Y|f(x))则为待检测损失绝对值,Y为正样本特征对应的向量,f(x)为待检测图片特征对应的向量,n为特征维度,也可理解为待检测图片特征对应的通道数,Yi则为第i个特征维度下正样本特征对应的向量,f(xi)则为第i个特征维度下待检测图片特征对应的向量。
上述预设异常值计算公式也可以是L1损失对应的公式,通过上述预设异常值计算公式,上述设备可确定每一个待检测图片特征与预设正样本特征库中与该待检测图片特征对应的所有正样本特征之间的待检测损失绝对值。
步骤S22:对各所述待检测损失绝对值进行排序,并根据排序结果确定目标损失绝对值。
由于一个待检测图片特征会与预设正样本特征库中对应的所有正样本特征进行异常值计算,进而一个待检测图片特征会获得若干个待检测损失绝对值;在获得若干个待检测损失绝对值之后,上述设备可对获得的待检测损失绝对值按从小到大或从大到小的方式进行排序,并从中选取最小的待检测损失绝对值作为上述目标损失绝对值,这是由于若最小的待检测损失绝对值体现的异常程度较大,则其余待检测损失绝对值体现的异常程度则会更大,进而选取最小的待检测损失绝对值可减少后续判断过程,进而减少计算量。
步骤S23:基于所述目标损失绝对值确定各所述待检测图片特征对应的异常程度。
在具体实现中,上述设备可获取预设正样本特征库中该待检测图片特征对应的所有正样本特征,并通过上述预设异常值计算公式计算,获得待检测图片特征与正样本特征之间的待检测损失绝对值,并从所有的待检测损失绝对值中选取最小的待检测损失绝对值作为上述目标损失绝对值,则可通过该目标损失绝对值作为上述异常程度,使异常程度量化。
步骤S30:根据各所述异常程度确定所述待检测图片的缺陷检测结果。
需要说明的是,由于存在缺陷的待检测图片特征与正样本特征之间的目标损失绝对值会相比于正常的待检测图片特征与正样本特征之间的目标损失绝对值更大,进而上述设备内可设置一个预设得分阈值,若该目标损失绝对值高于预设得分阈值,则可说明存在缺陷,若不高于,则可说明不存在缺陷。
进而在进行推理之前,上述设备可预先设置一个预设得分阈值,参照图4,图4为本发明缺陷检测方法第一实施例中推理流程示意图,如图4所示,上述设备在采集到待检测图片(即图4中采集待检测图片)后,可加载预先获得的预设正样本特征库(即图4中加载预设正样本特征库),接着可设置预设得分阈值(即图4中设置预设得分阈值),进而执行推理(即图4中执行推理),获得异常程度,根据异常程度确定该待检测图片的缺陷检测结果。
进一步地,为了便于后续用户了解待检测图片的缺陷信息,例如缺陷位置、缺陷面积等,本实施例上述设备还可根据异常程度对缺陷位置进行标记,具体过程为:上述步骤S30包括:
步骤S31:根据各所述异常程度确定所述待检测图片的异常得分图。
由于本实施例中待检测图片中的每一个像素均会对应一个待检测图片特征,进而在获得每一个待检测图片特征对应的目标损失绝对值后,可将其标记在对应的像素处,获得上述整个待检测图片的异常得分图(即图3中异常得分图)并显示,该过程可称为后处理量化过程(即图3中后处理量化)。
步骤S32:通过预设得分阈值以及所述异常得分图对所述待检测图片进行二值化处理。
在具体实现中,上述设备可将目标损失绝对值大于预设得分阈值的像素标记为1,将目标损失绝对值小于预设得分阈值的像素标记为0,进而可实现对待检测图片的二值化处理。
步骤S33:根据二值化处理结果获得所述待检测图片的缺陷检测结果。
在对待检测图片进行二值化处理后,由于整个待检测图片上均仅标记为0和1,进而可将上述标记为0的区域作为存在缺陷的区域,并同时可根据标记为0的区域的面积作为存在缺陷的区域的面积;同时在确定存在缺陷的区域后,上述设备可通过外接矩形框标记并进行显示,存在缺陷的面积以及位置等均可作为缺陷信息(即图3中缺陷信息),以便用户查看。
在具体实现中,通过预设得分阈值对异常得分图进行二值化处理后,即可显示存在缺陷的区域,便于用户观察。
本实施例上述设备通过对无缺陷样本图片中的样本图片特征进行特征融合,再对融合后的样本图片特征进行筛选,基于筛选后的样本图片特征构建预设正样本特征库,在实际缺陷检测时,可基于预设正样本特征库确定待检测图片中的待检测图片特征的异常程度,根据异常程度确定缺陷检测结果,由于本实施例预设正样本特征库中的特征为无缺陷图片的样本图片特征,因此相比于现有的需通过带缺陷的样本实现缺陷检测,本实施例可仅通过无缺陷图片的样本实现,提升了用户体验。
还需要强调的是,由于现有的在通过带缺陷的样本进行训练时,需要对其进行标注,进而会导致标注成本较高,而本实施例由于采用无缺陷样本图片进行训练,无需标注,进而降低了标注成本,同时提升了灵活性以及训练和使用效率,实际场景部署也较为简单。
参照图5,图5为本发明缺陷检测方法第二实施例的流程示意图,基于上述第一实施例。
如图5所示,为了构建预设正样本特征库,在本实施例中,上述步骤S10之前,还包括:
步骤S01:对无缺陷样本图片进行降采样,并对降采样后的无缺陷样本图片进行特征提取,获得各尺度下的样本图片特征。
需要说明的是,本实施例在进行降采样以及特征提取时,均可通过上述融合inception结构的ResNet实现,进而可提取到足够多的样本图片特征,当然还可以采用其它方式,本实施例对此不加以限制。
步骤S02:对各所述样本图片特征进行特征融合,并对各融合后的样本图片特征进行筛选。
由于获得的样本图片特征为不同尺度下的特征,为了便于后续异常值计算,可将不同尺度下的样本图片特征拉伸至同一尺度,具体尺度可根据实际情况自行设置,本实施例对此不加以限制。
进一步地,在进行拉伸时,具体过程为:上述对各所述样本图片特征进行特征融合的步骤,包括:
对各所述样本图片特征进行插值处理,并对各插值处理后的样本图片特征进行升采样;将各升采样后的样本图片特征进行叠加,并将各叠加后的样本图片特征作为融合后的样本图片特征。
需要说明的是,本实施例中的插值处理可采用最近邻插值方式、双线性插值方式或双三次插值方式等,本实施例对此不加以限制。
在具体实现中,上述设备可先确定需要拉伸至的目标尺度,再根据目标尺度以及当前尺度计算样本图片特征对应的像素在目标尺度下对应的像素的位置,接着对每个像素位置进行插值计算,即可完成升采样,获得目标尺寸下的样本图片特征。
由于获得的目标尺寸下的样本图片特征数量并非一个,进而上述设备可对获得的各样本图片特征进行叠加,整合为一个目标尺寸下的样本图片特征,作为上述融合后的样本图片特征。
当输入的无缺陷样本图片的数量不唯一时,获得的带有融合后的样本图片特征的图片的数量可与无缺陷样本图片的数量对应,例如输入30张无缺陷样本图片的数量,经过上述特征提取以及特征融合后,即可获得30张带有融合后的样本图片特征的图片,而由于均为无缺陷样本图片,进而这30张中的融合后的样本图片特征之间可能存在相似度较高的特征,为了减少内存的占用以及后续的计算量,本实施例上述设备则可对获得的融合后的样本图片特征进行筛选,去除相似度较高的特征,具体过程为:上述对各融合后的样本图片特征进行筛选的步骤,包括:
对各融合后的样本图片特征进行聚类处理,确定聚类中心;基于所述聚类中心对各所述融合后的样本图片特征进行筛选。
可理解的是,上述设备可通过K-means或DBSCAN等方式对获得的所有融合后的样本图片特征进行聚类处理,根据预设的聚类数目,也即上述预设正样本特征库中保存的正样本特征的数目,获得每个聚类簇,参照图6,图6为本发明缺陷检测方法第二实施例中训练流程示意图,如图6所示,上述设备在获取到无缺陷样本图片(即图6中采集无缺陷样本图片)后,可先确定想要获得正样本特征的数量(即图6中设置预设聚类数目),接着可对每个聚类簇计算簇内融合后的样本图片特征的均值,即簇内融合后的样本图片特征对应的向量之和除以簇内融合后的样本图片特征的数量,并将获得的均值作为该簇的聚类中心。
还可理解的是,在确定聚类中心后,即可基于聚类中心对各个融合后的样本图片特征进行筛选,具体过程为:上述基于所述聚类中心对各所述融合后的样本图片特征进行筛选的步骤,包括:
确定各所述融合后的样本图片特征与所述聚类中心之间的样本损失绝对值;基于各所述样本损失绝对值对各所述融合后的样本图片特征进行筛选。
需要说明的是,上述样本损失绝对值可以是融合后样本图片特征与所述聚类中心之间的距离对应的值,在确定聚类中心后,即可确定各融合后的样本图片特征与对应的聚类中心之间的距离,作为上述样本损失绝对值。
在确定样本损失绝对值后,接着可从所有的样本损失绝对值中选取最大的样本损失绝对值对应的融合后样本图片特征以实现特征筛选(即图6中执行训练),这是由于样本损失绝对值越大,说明该融合后样本图片特征与其它融合后样本图片特征之间差异越大,相似度越低。
步骤S03:将各筛选后的样本图片特征作为正样本特征,并基于各所述正样本特征构建预设正样本特征库。
由于筛选后获得的样本图片特征对应的样本损失绝对值最大,进而可将该筛选后的样本图片特征作为正样本特征,存储至预设正样本特征库中,直至预设正样本特征库中的正样本特征的数目达到上述预设的聚类数目,并获得的预设正样本特征库进行保存(即图6中保存预设正样本特征库)。
本实施例可先对无缺陷样本图片进行特征提取以及特征融合,并通过特征筛选去除相似度较高的特征后,构建上述预设正样本特征库。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有缺陷检测程序,所述缺陷检测程序被处理器执行时实现如上文所述的缺陷检测方法。
此外,参照图7,图7为本发明缺陷检测装置第一实施例的结构框图;本发明实施例还提出一种缺陷检测装置,所述缺陷检测装置包括:特征提取模块701、异常确定模块702以及缺陷确定模块703;
所述特征提取模块701,用于对待检测图片进行特征提取,获得待检测图片特征;
所述异常确定模块702,用于基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到;
所述缺陷确定模块703,用于根据各所述异常程度确定所述待检测图片的缺陷检测结果。
本实施例上述设备通过对无缺陷样本图片中的样本图片特征进行特征融合,再对融合后的样本图片特征进行筛选,基于筛选后的样本图片特征构建预设正样本特征库,在实际缺陷检测时,可基于预设正样本特征库确定待检测图片中的待检测图片特征的异常程度,根据异常程度确定缺陷检测结果,由于本实施例预设正样本特征库中的特征为无缺陷图片的样本图片特征,因此相比于现有的需通过带缺陷的样本实现缺陷检测,本实施例可仅通过无缺陷图片的样本实现,提升了用户体验。
作为一种实施方式,所述异常确定模块702,还用于获取预设正样本特征库中的正样本特征,并确定各所述待检测图片特征与对应的正样本特征之间的待检测损失绝对值;对各所述待检测损失绝对值进行排序,并根据排序结果确定目标损失绝对值;基于所述目标损失绝对值确定各所述待检测图片特征对应的异常程度。
作为一种实施方式,所述缺陷确定模块703,还用于根据各所述异常程度确定所述待检测图片的异常得分图;通过预设得分阈值以及所述异常得分图对所述待检测图片进行二值化处理;根据二值化处理结果获得所述待检测图片的缺陷检测结果。
基于本发明上述缺陷检测装置第一实施例,提出本发明缺陷检测装置的第二实施例。
在本实施例中,所述特征提取模块701,还用于对无缺陷样本图片进行降采样,并对降采样后的无缺陷样本图片进行特征提取,获得各尺度下的样本图片特征;对各所述样本图片特征进行特征融合,并对各融合后的样本图片特征进行筛选;将各筛选后的样本图片特征作为正样本特征,并基于各所述正样本特征构建预设正样本特征库。
作为一种实施方式,所述特征提取模块701,还用于对各所述样本图片特征进行插值处理,并对各插值处理后的样本图片特征进行升采样;将各升采样后的样本图片特征进行叠加,并将各叠加后的样本图片特征作为融合后的样本图片特征。
作为一种实施方式,所述特征提取模块701,还用于对各融合后的样本图片特征进行聚类处理,确定聚类中心;基于所述聚类中心对各所述融合后的样本图片特征进行筛选。
作为一种实施方式,所述特征提取模块701,还用于确定各所述融合后的样本图片特征与所述聚类中心之间的样本损失绝对值;基于各所述样本损失绝对值对各所述融合后的样本图片特征进行筛选。
本发明所述缺陷检测装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种缺陷检测方法,其特征在于,所述方法包括以下步骤:
对待检测图片进行特征提取,获得待检测图片特征;
基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到;
根据各所述异常程度确定所述待检测图片的缺陷检测结果。
2.如权利要求1所述的缺陷检测方法,其特征在于,所述基于预设正样本特征库确定各所述待检测图片特征对应的异常程度的步骤,包括:
获取预设正样本特征库中的正样本特征,并确定各所述待检测图片特征与对应的正样本特征之间的待检测损失绝对值;
对各所述待检测损失绝对值进行排序,并根据排序结果确定目标损失绝对值;
基于所述目标损失绝对值确定各所述待检测图片特征对应的异常程度。
3.如权利要求2所述的缺陷检测方法,其特征在于,所述根据各所述异常程度确定所述待检测图片的缺陷检测结果的步骤,包括:
根据各所述异常程度确定所述待检测图片的异常得分图;
通过预设得分阈值以及所述异常得分图对所述待检测图片进行二值化处理;
根据二值化处理结果获得所述待检测图片的缺陷检测结果。
4.如权利要求2或3所述的缺陷检测方法,其特征在于,所述对待检测图片进行特征提取,获得待检测图片特征的步骤之前,还包括:
对无缺陷样本图片进行降采样,并对降采样后的无缺陷样本图片进行特征提取,获得各尺度下的样本图片特征;
对各所述样本图片特征进行特征融合,并对各融合后的样本图片特征进行筛选;
将各筛选后的样本图片特征作为正样本特征,并基于各所述正样本特征构建预设正样本特征库。
5.如权利要求4所述的缺陷检测方法,其特征在于,所述对各所述样本图片特征进行特征融合的步骤,包括:
对各所述样本图片特征进行插值处理,并对各插值处理后的样本图片特征进行升采样;
将各升采样后的样本图片特征进行叠加,并将各叠加后的样本图片特征作为融合后的样本图片特征。
6.如权利要求5所述的缺陷检测方法,其特征在于,所述对各融合后的样本图片特征进行筛选的步骤,包括:
对各融合后的样本图片特征进行聚类处理,确定聚类中心;
基于所述聚类中心对各所述融合后的样本图片特征进行筛选。
7.如权利要求6所述的缺陷检测方法,其特征在于,所述基于所述聚类中心对各所述融合后的样本图片特征进行筛选的步骤,包括:
确定各所述融合后的样本图片特征与所述聚类中心之间的样本损失绝对值;
基于各所述样本损失绝对值对各所述融合后的样本图片特征进行筛选。
8.一种缺陷检测设备,其特征在于,所述缺陷检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的缺陷检测程序,所述缺陷检测程序被所述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方法。
9.一种存储介质,其特征在于,所述存储介质上存储有缺陷检测程序,所述缺陷检测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方法。
10.一种缺陷检测装置,其特征在于,所述缺陷检测装置包括:特征提取模块、异常确定模块以及缺陷确定模块;
所述特征提取模块,用于对待检测图片进行特征提取,获得待检测图片特征;
所述异常确定模块,用于基于预设正样本特征库确定各所述待检测图片特征对应的异常程度;所述预设正样本特征库通过对无缺陷样本图片构建得到;
所述缺陷确定模块,用于根据各所述异常程度确定所述待检测图片的缺陷检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311736533.1A CN117557550A (zh) | 2023-12-15 | 2023-12-15 | 缺陷检测方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311736533.1A CN117557550A (zh) | 2023-12-15 | 2023-12-15 | 缺陷检测方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557550A true CN117557550A (zh) | 2024-02-13 |
Family
ID=89821794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311736533.1A Pending CN117557550A (zh) | 2023-12-15 | 2023-12-15 | 缺陷检测方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557550A (zh) |
-
2023
- 2023-12-15 CN CN202311736533.1A patent/CN117557550A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
CN110046550B (zh) | 基于多层特征学习的行人属性识别系统及方法 | |
CN111680690B (zh) | 一种文字识别方法及装置 | |
CN115272330B (zh) | 基于电池表面图像的缺陷检测方法、系统及相关设备 | |
CN112906794A (zh) | 一种目标检测方法、装置、存储介质及终端 | |
CN114742799B (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN114419029B (zh) | 表面缺陷检测模型的训练方法、表面缺陷检测方法及装置 | |
CN111598889A (zh) | 均压环倾斜故障的识别方法、装置、计算机设备 | |
CN114862764A (zh) | 瑕疵检测模型训练方法、装置、设备和存储介质 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
JP2021086379A (ja) | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 | |
CN113139906B (zh) | 一种生成器的训练方法、装置与存储介质 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN111178445A (zh) | 图像处理方法及装置 | |
CN114005019A (zh) | 一种翻拍图像识别方法及其相关设备 | |
US20220414827A1 (en) | Training apparatus, training method, and medium | |
CN117557550A (zh) | 缺陷检测方法、设备、存储介质及装置 | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN115439446A (zh) | 一种外观缺陷检测方法、装置、存储介质及电子设备 | |
CN111127327B (zh) | 一种图片倾斜检测方法及装置 | |
CN114581722A (zh) | 一种基于孪生残差网络的二阶段多分类工业图像缺陷检测方法 | |
CN114494678A (zh) | 文字识别方法和电子设备 | |
CN114332814A (zh) | 一种停车框识别方法、装置、电子设备及存储介质 | |
CN114511702A (zh) | 一种基于多尺度分权注意力的遥感图像分割方法和系统 | |
WO2022019747A1 (en) | System and method for identification of text region in video |
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 |