TW202226059A - 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質 - Google Patents

缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質 Download PDF

Info

Publication number
TW202226059A
TW202226059A TW109146981A TW109146981A TW202226059A TW 202226059 A TW202226059 A TW 202226059A TW 109146981 A TW109146981 A TW 109146981A TW 109146981 A TW109146981 A TW 109146981A TW 202226059 A TW202226059 A TW 202226059A
Authority
TW
Taiwan
Prior art keywords
training
test
autoencoder
defect detection
detection method
Prior art date
Application number
TW109146981A
Other languages
English (en)
Inventor
蔡東佐
郭錦斌
林子甄
簡士超
Original Assignee
鴻海精密工業股份有限公司
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 鴻海精密工業股份有限公司 filed Critical 鴻海精密工業股份有限公司
Priority to TW109146981A priority Critical patent/TW202226059A/zh
Publication of TW202226059A publication Critical patent/TW202226059A/zh

Links

Images

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一種缺陷檢測方法，所述缺陷檢測方法包括：獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重；載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵；將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。本案還提供一種缺陷檢測裝置、一種電子裝置及一種電腦可讀存儲介質，可避免缺陷之確定之誤差。

Description

缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質
本發明涉及缺陷檢測技術領域，具體涉及一種缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質。
目前之缺陷檢測方法為將測試樣本輸入至訓練好之自編碼器來獲得與所述測試樣本對應之重構圖像，並根據所述重構圖像與所述測試樣本之間之差異來確定所述測試樣本是否有缺陷。但是，因為所述測試樣本中會存在較多之雜訊，使得所述缺陷之確定有誤差。
鑒於此，有必要提供一種缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質，可避免缺陷之確定之誤差。
本申請之第一方面提供一種缺陷檢測方法，所述缺陷檢測方法包括：
獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重；
載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵；
將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
較佳地，所述自編碼器及所述自回歸網路為增加有自回歸網路之所述自編碼器之架構。
較佳地，所述將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果包括：
將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出概率值；
根據所述概率值輸出測試結果。
較佳地，所述自回歸網路之輸出層為softmax層。
較佳地，所述自回歸網路包括依序連接之7x7卷積核、多個殘差模組、多個1x1卷積層及所述softmax層。
較佳地，若所述概率值趨近於0，所述測試結果為所述測試樣本不存在缺陷；
若所述概率值趨近於1，所述測試結果為所述測試樣本存在缺陷。
較佳地，所述缺陷檢測方法還包括：
獲取正常訓練樣本；
將所述正常訓練樣本輸入至所述自編碼器來對所述正常訓練樣本進行編碼得到訓練編碼特徵；
將所述訓練編碼特徵輸入至所述自回歸網路進行訓練來產生所述自編碼器及所述自回歸網路之訓練權重。
本申請之第二方面提供一種缺陷檢測裝置，所述缺陷檢測裝置包括：
訓練權重獲取模組，用於獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重；
測試編碼模組，用於載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵；
輸出模組，用於將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
本申請之第三方面提供一種電子裝置，所述電子裝置包括一個或多個處理器及記憶體，所述處理器用於執行所述記憶體中存儲之至少一個指令時實現如上任意一項所述之缺陷檢測方法。
本申請之第四方面提供一種電腦可讀存儲介質，所述電腦可讀存儲介質存儲有至少一個指令，所述至少一個指令被處理器執行以實現如上任意一項所述之缺陷檢測方法。
本案藉由獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重，載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵，將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種，可直接利用測試樣本之精華來確定所述測試樣本是否存在缺陷，不是直接利用測試樣本來確定所述測試樣本是否存在缺陷，且無需與測試樣本進行比較，從而避免了所述測試樣本中之雜訊，可避免缺陷之確定之誤差。
為了能夠更清楚地理解本發明之上述目的、特徵和優點，下面結合附圖和具體實施例對本發明進行詳細描述。需要說明之是，在不衝突之情況下，本申請之實施例及實施例中之特徵可以相互組合。
在下面之描述中闡述了很多具體細節以便於充分理解本發明，所描述之實施例僅是本發明一部分實施例，而不是全部之實施例。基於本發明中之實施例，本領域具有通常技藝者在沒有做出創造性勞動前提下所獲得之所有其他實施例，都屬於本發明保護之範圍。
除非另有定義，本文所使用之所有之技術和科學術語與屬於本發明之技術領域之技術人員通常理解之含義相同。本文中在本發明之說明書中所使用之術語只是為了描述具體之實施例之目的，不是旨在於限制本發明。
圖1是本發明實施例一提供之缺陷檢測裝置之方框圖。所述缺陷檢測裝置10應用於電子裝置上。所述電子裝置可為智慧手機、桌上電腦、平板電腦等。所述缺陷檢測裝置10包括訓練權重獲取模組101、測試編碼模組102及輸出模組103。所述訓練權重獲取模組101用於獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重。所述測試編碼模組102用於載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵。所述輸出模組103用於將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
圖2是本發明實施例二提供之缺陷檢測裝置之方框圖。所述缺陷檢測裝置20應用於電子裝置上。所述電子裝置可為智慧手機、桌上電腦、平板電腦等。所述缺陷檢測裝置20包括訓練樣本獲取模組201、訓練編碼模組202、訓練權重產生模組203、訓練權重獲取模組204、測試編碼模組205及輸出模組206。所述訓練樣本獲取模組201用於獲取正常訓練樣本。所述訓練編碼模組202用於將所述正常訓練樣本輸入至所述自編碼器來對所述正常訓練樣本進行編碼得到訓練編碼特徵。所述訓練權重產生模組203用於將所述子訓練編碼特徵輸入至所述自回歸網路進行訓練來產生所述自編碼器及所述自回歸網路之訓練權重。所述訓練權重獲取模組204用於獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重。所述測試編碼模組205用於載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵。所述輸出模組206用於將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
以下將結合一種缺陷檢測方法之流程圖來詳細描述模組101~103及模組201~206之具體功能。
圖3是本發明實施例三提供之缺陷檢測方法之流程圖。所述缺陷檢測方法可包括以下步驟：
S31：獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重。
所述正常訓練樣本為沒有任何缺陷之產品表面之圖像。所述自編碼器及所述自回歸網路為增加有所述自回歸網路之所述自編碼器之架構。所述訓練權重為訓練所述增加有所述自回歸網路之所述自編碼器之架構之最優權重。
S32：載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵。
所述自編碼器包括編碼器。所述測試編碼特徵為載入所述訓練權重之所述自編碼器之編碼器對所述測試樣本編碼時所產生之特徵，即隱藏層特徵。所述測試編碼特徵為所述測試樣本之精華，去除了所述測試樣本中之很多雜訊。所述載入所述訓練權重至所述自編碼器及所述自回歸網路中可得到訓練後之增加有所述自回歸網路之所述自編碼器之架構。所述測試樣本為產品表面之測試圖像。
S33：將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
在本實施例中，所述自回歸網路包括依序連接之卷積核、多個殘差模組、多個卷積層及softmax層。所述卷積核為7x7卷積核。所述自回歸網路藉由所述7x7卷積核與輸入之所述子測試編碼特徵連接來提取所述子測試編碼特徵之特徵。多個所述殘差模組用於對提取之所述子測試編碼特徵之特徵進行處理。所述卷積層為1x1卷積層。所述1x1卷積層之數量為兩個。所述自回歸網路之輸出層為softmax層。所述自回歸網路藉由所述softmax層輸出概率值。
所述將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果包括：將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出概率值；根據所述概率值輸出測試結果。其中，若所述概率值趨近於0，所述測試結果為所述測試樣本不存在缺陷；若所述概率值趨近於1，所述測試結果為所述測試樣本存在缺陷。所述趨近於1優選之為1，0.99，0.98等，可根據使用者之需求而設置。所述趨近於0優選之為0，0.01，0.02等，可根據使用者之需求而設置。
實施例三藉由獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重，載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵，將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。從而，本案可直接利用測試樣本之精華來確定所述測試樣本是否存在缺陷，不是直接利用測試樣本來確定所述測試樣本是否存在缺陷，且無需與測試樣本進行比較，從而避免了所述測試樣本中之雜訊，可避免缺陷之確定之誤差。
圖4是本發明實施例四提供之缺陷檢測方法之流程圖。所述缺陷檢測方法可包括以下步驟：
S41：獲取正常訓練樣本。
所述正常訓練樣本為沒有任何缺陷之產品表面之圖像。
S42：將所述正常訓練樣本輸入至所述自編碼器來對所述正常訓練樣本進行編碼得到訓練編碼特徵。
所述自編碼器包括編碼器。所述訓練編碼特徵為所述自編碼器之編碼器對所述正常訓練樣本編碼時所產生之特徵，即隱藏層特徵。所述訓練編碼特徵為所述正常訓練樣本之精華，去除了所述正常訓練樣本之很多雜訊。
S43：將所述訓練編碼特徵輸入至所述自回歸網路進行訓練來產生所述自編碼器及所述自回歸網路之訓練權重。
所述訓練權重為對增加有所述自回歸網路之所述自編碼器之架構進行訓練時損失函數不斷反覆運算直至所述架構收斂時所述損失函數對應之權重。
S44：獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重。
本實施例之步驟S44與實施例三之步驟S31相似，具體請參閱實施例三中對步驟S31之詳細描述，在此不進行贅述。
S45：載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵。
本實施例之步驟S45與實施例三之步驟S32相似，具體請參閱實施例三中對步驟S32之詳細描述，在此不進行贅述。
S46：將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
本實施例之步驟S46與實施例三之步驟S33相似，具體請參閱實施例三中對步驟S33之詳細描述，在此不進行贅述。
實施例四藉由獲取正常訓練樣本，將所述正常訓練樣本輸入至所述自編碼器來對所述正常訓練樣本進行編碼得到訓練編碼特徵，將所述訓練編碼特徵輸入至所述自回歸網路進行訓練來產生所述自編碼器及所述自回歸網路之訓練權重，獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重，載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵，將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。從而，本案可根據正常訓練樣本藉由訓練增加有所述自回歸網路之所述自編碼器之架構來得到訓練權重。本案還可直接利用測試樣本之精華來確定所述測試樣本是否存在缺陷，不是直接利用測試樣本來確定所述測試樣本是否存在缺陷，且無需與測試樣本進行比較，從而避免了所述測試樣本中之雜訊，可避免缺陷之確定之誤差。
圖5是本發明實施例五提供之電子裝置之方框圖。所述電子裝置5包括：記憶體51、至少一個處理器52、及存儲在所述記憶體51中並可在所述至少一個處理器52上運行之電腦程式53。所述至少一個處理器52執行所述電腦程式53時實現上述方法實施例中之步驟。或者，所述至少一個處理器52執行所述電腦程式53時實現上述裝置實施例中之各模組之功能。
示例性之，所述電腦程式53可以被分割成一個或多個模組/單元，所述一個或者多個模組/單元被存儲在所述記憶體51中，並由所述至少一個處理器52執行，以完成本發明。所述一個或多個模組/單元可以是能夠完成特定功能之一系列電腦程式指令段，該指令段用於描述所述電腦程式53在所述電子裝置5中之執行過程。例如，所述電腦程式53可以被分割成圖1所示之模組或圖2所示之模組，各模組具體功能參見實施例一或實施例二。
所述電子裝置5可以為任何一種電子產品，例如，個人電腦、平板電腦、智慧手機、個人數位助理（Personal Digital Assistant，PDA）等。本領域技術人員可以理解，所述示意圖5僅是電子裝置5之示例，並不構成對電子裝置5之限定，可以包括比圖示更多或更少之部件，或者組合某些部件，或者不同之部件，例如所述電子裝置5還可以包括匯流排等。
所述至少一個處理器52可以是中央處理單元（Central Processing Unit，CPU），還可以是其他通用處理器、數字信號處理器（Digital Signal Processor，DSP）、專用積體電路（Application Specific Integrated Circuit，ASIC）、現成可程式設計閘陣列（Field-Programmable Gate Array，FPGA）或者其他可程式設計邏輯器件、分立門或者電晶體邏輯器件、分立硬體元件等。該處理器52可以是微處理器或者該處理器52也可以是任何常規之處理器等，所述處理器52是所述電子裝置5之控制中心，利用各種介面和線路連接整個電子裝置5之各個部分。
所述記憶體51可用於存儲所述電腦程式53和/或模組/單元，所述處理器52藉由運行或執行存儲在所述記憶體51內之電腦可讀指令和/或模組/單元，以及調用存儲在記憶體51內之資料，實現所述電子裝置5之各種功能。所述記憶體51可主要包括存儲程式區和存儲資料區，其中，存儲程式區可存儲作業系統、至少一個功能所需之應用程式（比如聲音播放功能、圖像播放功能等）等；存儲資料區可存儲根據電子裝置5之使用所創建之資料（比如音訊資料等）等。此外，記憶體51可以包括非易失性電腦可讀記憶體，例如硬碟、記憶體、插接式硬碟，智慧存儲卡（Smart Media Card，SMC），安全數位（Secure Digital，SD）卡，快閃記憶體卡（Flash Card）、至少一個磁碟記憶體件、快閃記憶體器件、或其他非易失性固態記憶體件。
所述電子裝置5集成之模組/單元如果以軟體功能單元之形式實現並作為獨立之產品銷售或使用時，可以存儲在一個電腦可讀存儲介質中。基於這樣之理解，本發明實現上述實施例方法中之全部或部分流程，也可以藉由電腦程式來指令相關之硬體來完成，所述之電腦程式可存儲於一電腦可讀存儲介質中，該電腦程式在被處理器執行時，可實現上述各個方法實施例之步驟。其中，所述電腦程式包括電腦程式代碼，所述電腦程式代碼可以為原始程式碼形式、物件代碼形式、可執行檔或某些中間形式等。所述電腦可讀介質可以包括：能夠攜帶所述電腦程式代碼之任何實體或裝置、記錄介質、隨身碟、移動硬碟、磁碟、光碟、電腦記憶體、唯讀記憶體（ROM，Read-Only Memory）等。
最後應說明之是，以上實施例僅用以說明本發明之技術方案而非限制，儘管參照較佳實施例對本發明進行了詳細說明，本領域具有通常技藝者應當理解，可以對本發明之技術方案進行修改或等同替換，而不脫離本發明技術方案之精神範圍。
10, 20:缺陷檢測裝置 101, 204:訓練權重獲取模組 102, 205:測試編碼模組 103, 206:輸出模組 201:訓練樣本獲取模組 202:訓練編碼模組 203:訓練權重產生模組 S31~S33:步驟 S41~S46:步驟 5:電子裝置 51:記憶體 52:處理器 53:電腦程式
圖1係本發明實施例一提供之缺陷檢測裝置之方框圖。 圖2係本發明實施例二提供之缺陷檢測裝置之方框圖。 圖3係本發明實施例三提供之缺陷檢測方法之流程圖。 圖4係本發明實施例四提供之缺陷檢測方法之流程圖。 圖5係本發明實施例五提供之電子裝置之方框圖。
無
S31~S33:步驟

Claims (10)

  1. 一種缺陷檢測方法，其中，所述缺陷檢測方法包括： 獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重； 載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵； 將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
  2. 如請求項1所述之缺陷檢測方法，其中：所述自編碼器及所述自回歸網路為增加有自回歸網路之所述自編碼器之架構。
  3. 如請求項1所述之缺陷檢測方法，其中，所述將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果包括： 將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出概率值； 根據所述概率值輸出測試結果。
  4. 如請求項3所述之缺陷檢測方法，其中：所述自回歸網路之輸出層為softmax層。
  5. 如請求項4所述之缺陷檢測方法，其中：所述自回歸網路包括依序連接之7x7卷積核、多個殘差模組、多個1x1卷積層及所述softmax層。
  6. 如請求項3所述之缺陷檢測方法，其中： 若所述概率值趨近於0，所述測試結果為所述測試樣本不存在缺陷； 若所述概率值趨近於1，所述測試結果為所述測試樣本存在缺陷。
  7. 如請求項1所述之缺陷檢測方法，其中，所述缺陷檢測方法還包括： 獲取正常訓練樣本； 將所述正常訓練樣本輸入至所述自編碼器來對所述正常訓練樣本進行編碼得到訓練編碼特徵； 將所述訓練編碼特徵輸入至所述自回歸網路進行訓練來產生所述自編碼器及所述自回歸網路之訓練權重。
  8. 一種缺陷檢測裝置，其中，所述缺陷檢測裝置包括： 訓練權重獲取模組，用於獲取利用正常訓練樣本訓練自編碼器及自回歸網路時得到之訓練權重； 測試編碼模組，用於載入所述訓練權重至所述自編碼器及所述自回歸網路中以藉由載入所述訓練權重之所述自編碼器對測試樣本進行編碼得到測試編碼特徵； 輸出模組，用於將所述測試編碼特徵輸入至載入所述訓練權重之所述自回歸網路來輸出測試結果，所述測試結果包括所述測試樣本存在缺陷及所述測試樣本不存在缺陷中之一種。
  9. 一種電子裝置，其中，所述電子裝置包括一個或多個處理器及記憶體，所述處理器用於執行所述記憶體中存儲之至少一個指令時實現如請求項1至7中任意一項所述之缺陷檢測方法。
  10. 一種電腦可讀存儲介質，其中，所述電腦可讀存儲介質存儲有至少一個指令，所述至少一個指令被處理器執行以實現如請求項1至7中任意一項所述之缺陷檢測方法。
TW109146981A 2020-12-30 2020-12-30 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質 TW202226059A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW109146981A TW202226059A (zh) 2020-12-30 2020-12-30 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109146981A TW202226059A (zh) 2020-12-30 2020-12-30 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質

Publications (1)

Publication Number Publication Date
TW202226059A true TW202226059A (zh) 2022-07-01

Family

ID=83436766

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109146981A TW202226059A (zh) 2020-12-30 2020-12-30 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質

Country Status (1)

Country Link
TW (1) TW202226059A (zh)

Similar Documents

Publication Publication Date Title
US20220207707A1 (en) Image defect detection method, electronic device using the same
CN112801122B (zh) 异常检测模型的训练方法及使用此方法的电子装置
US11983866B2 (en) Image defect detection method, electronic device using the same
CN112967272A (zh) 基于改进U-net的焊接缺陷检测方法、装置及终端设备
CN117319091B (zh) 基于深度学习的企业软件网络安全漏洞检测方法及系统
JP2020123308A (ja) 再修理用基板の検出装置、方法およびコンピュータ読み取り可能な記憶媒体
CN113222813A (zh) 图像超分辨率重建方法、装置、电子设备及存储介质
TWI762193B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
TW202226059A (zh) 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質
TWI792135B (zh) 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質
JP6622369B1 (ja) 訓練データを生成する方法、コンピュータおよびプログラム
US20220198645A1 (en) Model input size determination method, electronic device and storage medium
CN114764764A (zh) 缺陷检测方法及装置、电子装置及计算机可读存储介质
TWI792134B (zh) 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
TW202232380A (zh) 圖像瑕疵檢測方法、電子設備及存儲介質
US12094096B2 (en) Method and device for detecting defects, electronic device using method, and non-transitory storage medium
CN114443375A (zh) 测试方法及装置、电子装置及计算机可读存储介质
US20230419653A1 (en) Method for detecting defect of images and electronic device
TWI810510B (zh) 多模態資料處理方法及裝置、電子裝置及存儲介質
TWI755213B (zh) 瑕疵檢測方法、裝置、電腦裝置及儲存介質
TWI748867B (zh) 圖像瑕疵檢測方法、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
TWI766419B (zh) 測試方法及裝置、電子裝置及電腦可讀存儲介質
TWI778519B (zh) 瑕疵圖像生成方法、裝置、電子設備及存儲介質
TWI844873B (zh) 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體