TW202232374A - 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 - Google Patents

Abstract

本發明提供一種圖像瑕疵檢測方法、裝置、電子設備及存儲介質，所述方法包括：獲取樣本圖像訓練資料；選擇自編碼器的潛特徵維度並得到分數，通過將所述分數與基準分數比較以確定最優的潛特徵維度；將所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器獲得重建圖像；計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；否則輸出所述測試圖像為正常圖像的判斷結果。本發明可以提高了圖像瑕疵檢測的效率。

Description

圖像瑕疵檢測方法、裝置、電子設備及存儲介質

本發明涉及產品良率檢測技術領域，具體涉及一種圖像瑕疵檢測方法、裝置及電子設備。

現有技術中，可使用演算法模型對產品的圖像進行檢測，以判斷是否存在瑕疵，然而，目前對自編碼器的潛特徵維度調整方法，難以直接設定潛特徵維度大小，使得瑕疵圖像的判斷效率較低。

鑒於以上內容，有必要提出一種圖像瑕疵檢測方法、裝置及電子設備以提高瑕疵圖像的判斷效率。

本申請的第一方面提供一種圖像瑕疵檢測方法，所述方法包括： 獲取樣本圖像訓練資料； 選擇自編碼器的潛特徵維度並得到分數，包括： 設定自編碼器的潛特徵維度； 使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器； 分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到所述訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵； 將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵； 根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點； 分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到所述分數； 判斷所述分數是否大於基準分數，並當所述分數大於所述基準分數時，將所述分數作為新的基準分數，重新執行所述選擇自編碼器的潛特徵維度並得到分數，或者當所述分數小於或等於所述基準分數時，將當前設定的潛特徵維度作為最優的潛特徵維度； 將所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像； 計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；或當所述重建誤差小於或等於所述閾值時，輸出所述測試圖像為正常圖像的判斷結果。

優選地，所述設定自編碼器的潛特徵維度包括：設定所述自編碼器的編碼層提取到的潛特徵的維度。

優選地，所述使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器包括： 將所述樣本圖像訓練資料進行向量化處理，得到所述樣本圖像訓練資料的特徵向量； 利用所述自編碼器的編碼層對所述特徵向量進行運算，得到所述樣本圖像訓練資料的潛特徵； 利用所述自編碼器的解碼層對所述潛特徵進行運算，並對運算後得到的潛特徵進行還原處理； 優化所述自編碼器得到訓練完成的自編碼器。

優選地，所述分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵包括： 輸入正常樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述正常樣本圖像資料的潛特徵；及 輸入瑕疵樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述瑕疵樣本圖像資料的潛特徵。

優選地，所述將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵包括： 使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵。

優選地，所述根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點包括： 計算所述多個第一潛特徵在三維的每個維度的平均值，將所述三維的每個維度的平均值組成的座標對應的點作為所述多個第一潛特徵的中心點。

優選地，所述分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到分數包括： 分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的歐氏距離，並對所述多個第二潛特徵距離所述分佈中心點的歐氏距離求和，得到所述分數。

本申請的第二方面提供一種圖像瑕疵檢測裝置，所述裝置包括： 訓練資料獲取模組，用於獲取樣本圖像訓練資料； 潛特徵維度選擇模組，用於選擇自編碼器的潛特徵維度並得到分數，包括： 設定模組，用於設定自編碼器的潛特徵維度； 訓練模組，使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器； 潛特徵獲取模組，用於分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵； 降維模組，用於將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵； 中心點計算模組，用於根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點； 分數計算模組，用於分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到分數； 判斷模組，用於判斷所述分數是否大於基準分數，並當所述分數大於所述基準分數時，將所述分數作為新的基準分數並重新調用所述潛特徵維度選擇模組，或者當所述分數小於或等於所述基準分數時，將當前設定的潛特徵維度作為最優的潛特徵維度； 重建模組，用於將輸出所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像； 輸出模組，用於計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；或當所述重建誤差小於或等於所述閾值時，輸出所述測試圖像為正常圖像的判斷結果。

本申請的第三方面提供一種電子設備，所述電子設備包括： 記憶體，存儲至少一個指令；及 處理器，執行所述記憶體中存儲的指令以實現所述的圖像瑕疵檢測方法。

本申請的第四方面提供一種存儲介質，其上存儲有電腦程式，所述電腦程式被處理器執行時實現所述的圖像瑕疵檢測方法。

本申請可以對具有區分能力的潛特徵維度進行有效確認，提高了圖像瑕疵判斷的效率。

為了能夠更清楚地理解本發明的上述目的、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。需要說明的是，在不衝突的情況下，本申請的實施例及實施例中的特徵可以相互組合。

在下面的描述中闡述了很多具體細節以便於充分理解本發明，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。

除非另有定義，本文所使用的所有的技術和科學術語與屬於本發明的技術領域的技術人員通常理解的含義相同。本文中在本發明的說明書中所使用的術語只是為了描述具體的實施例的目的，不是旨在於限制本發明。

優選地，本發明圖像瑕疵檢測方法應用在一個或者多個電子設備中。所述電子設備是一種能夠按照事先設定或存儲的指令，自動進行數值計算和/或資訊處理的設備，其硬體包括但不限於微處理器、專用積體電路(Application Specific Integrated Circuit，ASIC)、可程式設計閘陣列(Field－Programmable Gate Array，FPGA)、數位訊號處理器(Digital Signal Processor，DSP)、嵌入式設備等。

所述電子設備可以是桌上型電腦、筆記型電腦、平板電腦及雲端伺服器等計算設備。所述設備可以與使用者通過鍵盤、滑鼠、遙控器、觸控板或聲控設備等方式進行人機交互。

實施例1

圖1是本發明一實施方式中圖像瑕疵檢測方法的流程圖。所述圖像瑕疵檢測方法應用在電子設備中。根據不同的需求，所述流程圖中步驟的順序可以改變，某些步驟可以省略。

參閱圖1所示，所述圖像瑕疵檢測方法具體包括以下步驟。

步驟S11，獲取樣本圖像訓練資料。

本實施方式中，所述樣本圖像訓練資料包括瑕疵樣本訓練圖像和正常樣本訓練圖像。

步驟S12，選擇自編碼器的潛特徵維度並得到分數。

結合圖2，所述選擇自編碼器的潛特徵維度並得到分數包括：

步驟S21，設定自編碼器的潛特徵維度。

本實施方式中，所述設定自編碼器的潛特徵維度包括： 設定所述自編碼器的編碼層提取到的潛特徵的維度。本實施方式中，所述自編碼器根據圖像資料提取得到潛特徵。

步驟S22，使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器。

本實施方式中，所述使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器包括： 將所述樣本圖像訓練資料進行向量化處理，得到所述樣本圖像訓練資料的第一特徵向量； 利用所述自編碼器的編碼層對所述第一特徵向量進行運算，得到所述樣本圖像訓練資料的潛特徵； 利用所述自編碼器的解碼層對所述潛特徵進行運算，並對運算後得到的潛特徵進行還原處理； 優化所述自編碼器得到訓練完成的自編碼器。

本實施方式中，所述樣本圖像訓練資料的潛特徵的維度與步驟S21中設定的自編碼器的潛特徵維度相同。

所述優化所述自編碼器得到訓練完成的自編碼器包括：設定損失函數，並訓練所述自編碼器以最小化所述損失函數得到所述訓練完成的自編碼器。本實施方式中，所述損失函數可以包括交叉熵函數或均方差函數。

步驟S23，分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到所述訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵。

本實施方式中，所述分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到訓練完成的自編碼器中，並獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵包括：輸入正常樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述正常樣本圖像資料的潛特徵；及輸入瑕疵樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述瑕疵樣本圖像資料的潛特徵。

本實施方式中，所述正常樣本圖像資料的潛特徵維度與步驟S21中設定的自編碼器的潛特徵維度相同，所述瑕疵樣本圖像資料的潛特徵維度與步驟S21中設定的自編碼器的潛特徵維度相同。

步驟S24，將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵。

本實施方式中，所述將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵包括：

使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵。

本實施方式中，使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，包括： 求解所述正常樣本圖像資料的潛特徵的高斯概率分佈矩陣P1； 隨機初始化低維潛特徵Y1，求解所述低維潛特徵Y1的t分佈概率矩陣Q1，其中，所述低維潛特徵Y1是隨機生成的向量，所述低維潛特徵Y1的維度與步驟S11中設定的自編碼器的潛特徵維度相同； 以所述高斯概率分佈矩陣P1和所述t分佈概率矩陣Q1的KL散度為損失函數，基於所述損失函數使用梯度下降法對所述低維潛特徵Y1進行反覆運算求解，將反覆運算完成後得到的所述低維潛特徵Y1作為所述多個第一潛特徵。

本實施方式中，使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本圖像資料對應的多個第二潛特徵，包括： 求解所述瑕疵樣本圖像資料的潛特徵的高斯概率分佈矩陣P2； 隨機初始化低維潛特徵Y2，求解所述低維潛特徵Y2的t分佈概率矩陣Q2，其中，所述低維潛特徵Y2是隨機生成的向量，所述低維潛特徵Y2的維度與步驟S11中設定的自編碼器的潛特徵維度相同； 以所述高斯概率分佈矩陣P2和所述t分佈概率矩陣Q2的KL散度為損失函數，基於所述損失函數使用梯度下降法對所述低維潛特徵Y2進行反覆運算求解，將反覆運算完成後得到的所述低維潛特徵Y2作為所述多個第二潛特徵。

步驟S25，根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點。

本實施方式中，所述根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點包括： 計算所述多個第一潛特徵在三維的每個維度的平均值，將所述三維的每個維度的平均值組成的座標對應的點作為所述多個第一潛特徵的分佈中心點。

例如，所述多個第一潛特徵

的座標為

時，所述多個第一潛特徵

的分佈中心點的座標為

。

步驟S26，分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到所述分數。

本實施方式中，所述分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到分數包括： 分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的歐氏距離，並對所述多個第二潛特徵距離所述分佈中心點的歐氏距離求和，得到所述分數。

例如，所述多個第二潛特徵

的座標為

时，特征

到所述分佈中心點

的歐氏距離為

，所述分數為

。

步驟S13，判斷所述分數是否大於基準分數，並當所述分數大於所述基準分數時，將所述分數作為新的基準分數，重新執行所述選擇自編碼器的潛特徵維度並得到分數，或者當所述分數小於或等於所述基準分數時，將當前設定的潛特徵維度作為最優的潛特徵維度。

步驟S14，將所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像。

本實施方式中，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像包括： 將所述測試圖像進行向量化處理，得到所述測試圖像的第二特徵向量； 利用所述自編碼器的編碼層對所述第二特徵向量進行運算，得到所述測試圖像的潛特徵； 利用所述自編碼器的解碼層對所述測試圖像的潛特徵進行運算，並對運算後得到的潛特徵進行還原處理，得到所述重建圖像。

步驟S15，計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；或當所述重建誤差小於或等於所述閾值時，輸出所述測試圖像為正常圖像的判斷結果。

本實施方式中，計算所述測試圖像和所述重建圖像的重建誤差包括：計算所述測試圖像與所述重建圖像的均方差，將所述均方差作為所述重建誤差。

其他實施方式中，計算所述測試圖像和所述重建圖像的重建誤差可以包括：計算所述測試圖像與所述重建圖像的交叉熵，將所述交叉熵作為所述重建誤差。

本發明可以對具有區分能力的潛特徵維度進行有效確認，提高了圖像瑕疵判斷的效率。

實施例2

圖3為本發明一實施方式中圖像瑕疵檢測裝置30的結構圖。

在一些實施例中，所述圖像瑕疵檢測裝置30運行於電子設備中。所述圖像瑕疵檢測裝置30可以包括多個由程式碼段所組成的功能模組。所述圖像瑕疵檢測裝置30中的各個程式段的程式碼可以存儲於記憶體中，並由至少一個處理器所執行，以執行圖像瑕疵檢測功能。

本實施例中，所述圖像瑕疵檢測裝置30根據其所執行的功能，可以被劃分為多個功能模組。參閱圖3所示，所述圖像瑕疵檢測裝置30可以包括訓練資料獲取模組301、潛特徵維度選擇模組302、判斷模組303、重建模組304及輸出模組305。本發明所稱的模組是指一種能夠被至少一個處理器所執行並且能夠完成固定功能的一系列電腦程式段，其存儲在記憶體中。所述在一些實施例中，關於各模組的功能將在後續的實施例中詳述。

所述訓練資料獲取模組301獲取樣本圖像訓練資料。

本實施方式中，所述樣本圖像訓練資料包括瑕疵樣本訓練圖像和正常樣本訓練圖像。

所述潛特徵維度選擇模組302選擇自編碼器的潛特徵維度並得到分數。

本實施方式中，所述潛特徵維度選擇模組302包括設定模組311、訓練模組312、潛特徵獲取模組313、降維模組314、中心點計算模組315及分數計算模組316。

所述設定模組311設定自編碼器的潛特徵維度。

本實施方式中，所述設定自編碼器的潛特徵維度包括：設定所述自編碼器的編碼層提取到的潛特徵的維度。本實施方式中，所述自編碼器根據圖像資料提取得到潛特徵。

所述訓練模組312使用樣本圖像訓練資料訓練所述自編碼器，並得到訓

練完成的自編碼器。 本實施方式中，所述使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器包括： 將所述樣本圖像訓練資料進行向量化處理，得到所述樣本圖像訓練資料的第一特徵向量； 利用所述自編碼器的編碼層對所述第一特徵向量進行運算，得到所述樣本圖像訓練資料的潛特徵； 利用所述自編碼器的解碼層對所述潛特徵進行運算，並對運算後得到的潛特徵進行還原處理； 優化所述自編碼器得到訓練完成的自編碼器。

本實施方式中，所述樣本圖像訓練資料的潛特徵的維度與所述設定模組311中設定的自編碼器的潛特徵維度相同。

所述優化所述自編碼器得到訓練完成的自編碼器包括：設定損失函數，並訓練所述自編碼器以最小化所述損失函數得到所述訓練完成的自編碼器。本實施方式中，所述損失函數可以包括交叉熵函數或均方差函數。

所述潛特徵獲取模組313分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到所述訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵。

本實施方式中，所述分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到訓練完成的自編碼器中，並獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵包括：輸入正常樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述正常樣本圖像資料的潛特徵；及輸入瑕疵樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述瑕疵樣本圖像資料的潛特徵。

本實施方式中，所述正常樣本圖像資料的潛特徵維度與所述設定模組311中設定的自編碼器的潛特徵維度相同，所述瑕疵樣本圖像資料的潛特徵維度及所述設定模組311中設定的自編碼器的潛特徵維度相同。

所述降維模組314將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵。

本實施方式中，所述將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵包括：使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵。

本實施方式中，使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，包括： 求解所述正常樣本圖像資料的潛特徵的高斯概率分佈矩陣P1； 隨機初始化低維潛特徵Y1，求解所述低維潛特徵Y1的t分佈概率矩陣Q1，其中，所述低維潛特徵Y1是隨機生成的向量，所述低維潛特徵Y1的維度與步驟S11中設定的自編碼器的潛特徵維度相同； 以所述高斯概率分佈矩陣P1和所述t分佈概率矩陣Q1的KL散度為損失函數，基於所述損失函數使用梯度下降法對所述低維潛特徵Y1進行反覆運算求解，將反覆運算完成後得到的所述低維潛特徵Y1作為所述多個第一潛特徵。

本實施方式中，使用T隨機分佈鄰近嵌入（t-SNE）演算法將所述瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本圖像資料對應的多個第二潛特徵，包括： 求解所述瑕疵樣本圖像資料的潛特徵的高斯概率分佈矩陣P2； 隨機初始化低維潛特徵Y2，求解所述低維潛特徵Y2的t分佈概率矩陣Q2，其中，所述低維潛特徵Y2是隨機生成的向量，所述低維潛特徵Y2的維度與步驟S11中設定的自編碼器的潛特徵維度相同； 以所述高斯概率分佈矩陣P2和所述t分佈概率矩陣Q2的KL散度為損失函數，基於所述損失函數使用梯度下降法對所述低維潛特徵Y2進行反覆運算求解，將反覆運算完成後得到的所述低維潛特徵Y2作為所述多個第二潛特徵。

所述中心點計算模組315根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點。

本實施方式中，所述根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點包括：計算所述多個第一潛特徵在三維的每個維度的平均值，將所述三維的每個維度的平均值組成的座標對應的點作為所述多個第一潛特徵的分佈中心點。

所述分數計算模組316分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到所述分數。

本實施方式中，所述分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到分數包括：分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的歐氏距離，並對所述多個第二潛特徵距離所述分佈中心點的歐氏距離求和，得到所述分數。

所述判斷模組303判斷所述分數是否大於基準分數，並當所述分數大於所述基準分數時，將所述分數作為新的基準分數，重新調用所述潛特徵維度選擇模組，或者當所述分數小於或等於所述基準分數時，將當前設定的潛特徵維度作為最優的潛特徵維度。

所述重建模組304將所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像。

本實施方式中，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像包括： 將所述測試圖像進行向量化處理，得到所述測試圖像的第二特徵向量； 利用所述自編碼器的編碼層對所述第二特徵向量進行運算，得到所述測試圖像的潛特徵； 利用所述自編碼器的解碼層對所述測試圖像的潛特徵進行運算，並對運算後得到的潛特徵進行還原處理，得到所述重建圖像。

所述輸出模組305計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；或當所述重建誤差小於或等於所述閾值時，輸出所述測試圖像為正常圖像的判斷結果。

本實施方式中，計算所述測試圖像和所述重建圖像的重建誤差包括：計算所述測試圖像與所述重建圖像的均方差，將所述均方差作為所述重建誤差。

其他實施方式中，計算所述測試圖像和所述重建圖像的重建誤差可以包括：計算所述測試圖像與所述重建圖像的交叉熵，將所述交叉熵作為所述重建誤差。

本發明可以對具有區分能力的潛特徵維度進行有效確認，提高了圖像瑕疵判斷的效率。

實施例3

圖4為本發明一實施方式中電子設備6的示意圖。

所述電子設備6包括記憶體61、處理器62以及存儲在所述記憶體61中並可在所述處理器62上運行的電腦程式63。所述處理器62執行所述電腦程式63時實現上述圖像瑕疵檢測方法實施例中的步驟，例如圖1所示的步驟S11~S15。或者，所述處理器62執行所述電腦程式63時實現上述圖像瑕疵檢測裝置實施例中各模組/單元的功能，例如圖3中的模組301~305。

示例性的，所述電腦程式63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61中，並由所述處理器62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的一系列電腦程式指令段，所述指令段用於描述所述電腦程式63在所述電子設備6中的執行過程。例如，所述電腦程式63可以被分割成圖3中的訓練資料獲取模組301、潛特徵維度選擇模組302、判斷模組303、重建模組304及輸出模組305，各模組具體功能參見實施例2。

本實施方式中，所述電子設備6可以是桌上型電腦、筆記本、掌上型電腦、伺服器及雲端終端裝置等計算設備。本領域技術人員可以理解，所述示意圖僅僅是電子設備6的示例，並不構成對電子設備6的限定，可以包括比圖示更多或更少的部件，或者組合某些部件，或者不同的部件，例如所述電子設備6還可以包括輸入輸出設備、網路接入設備、匯流排等。

所稱處理器62可以是中央處理模組(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器 (Digital Signal Processor，DSP)、專用積體電路 (Application Specific Integrated Circuit，ASIC)、現場可程式設計閘陣列 (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。通用處理器可以是微處理器或者所述處理器62也可以是任何常規的處理器等，所述處理器62是所述電子設備6的控制中心，利用各種介面和線路連接整個電子設備6的各個部分。

所述記憶體61可用於存儲所述電腦程式63和/或模組/單元，所述處理器62通過運行或執行存儲在所述記憶體61內的電腦程式和/或模組/單元，以及調用存儲在記憶體61內的資料，實現所述電子設備6的各種功能。所述記憶體61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、至少一個功能所需的應用程式（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設備6的使用所創建的資料（比如音訊資料、電話本等）等。此外，記憶體61可以包括高速隨機存取記憶體，還可以包括非易失性記憶體，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、或其他易失性固態記憶體件。

所述電子設備6集成的模組/單元如果以軟體功能模組的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個電腦可讀取存儲介質中。基於這樣的理解，本發明實現上述實施例方法中的全部或部分流程，也可以通過電腦程式來指令相關的硬體來完成，所述的電腦程式可存儲於一電腦可讀存儲介質中，所述電腦程式在被處理器執行時，可實現上述各個方法實施例的步驟。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的任何實體或裝置、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）、隨機存取記憶體（RAM，Random Access Memory）、電載波信號、電信信號以及軟體分發介質等。

在本發明所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以通過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模組的劃分，僅僅為一種邏輯功能劃分，實際實現時可以有另外的劃分方式。

另外，在本發明各個實施例中的各功能模組可以集成在相同處理模組中，也可以是各個模組單獨物理存在，也可以兩個或兩個以上模組集成在相同模組中。上述集成的模組既可以採用硬體的形式實現，也可以採用硬體加軟體功能模組的形式實現。

對於本領域技術人員而言，顯然本發明不限於上述示範性實施例的細節，而且在不背離本發明的精神或基本特徵的情況下，能夠以其他的具體形式實現本發明。因此，無論從哪一點來看，均應將實施例看作是示範性的，而且是非限制性的，本發明的範圍由所附請求項而不是上述說明限定，因此旨在將落在請求項的等同要件的含義和範圍內的所有變化涵括在本發明內。不應將請求項中的任何附圖標記視為限制所涉及的請求項。此外，顯然“包括”一詞不排除其他模組或步驟，單數不排除複數。電子設備請求項中陳述的多個模組或電子設備也可以由同一個模組或電子設備通過軟體或者硬體來實現。第一，第二等詞語用來表示名稱，而並不表示任何特定的順序。

綜上所述，本發明符合發明專利要件，爰依法提出專利申請。惟，以上所述僅為本發明之較佳實施方式，舉凡熟悉本案技藝之人士，在援依本案創作精神所作之等效修飾或變化，皆應包含於以下之申請專利範圍內。

30:圖像瑕疵檢測裝置 301:訓練資料獲取模組 302:潛特徵維度選擇模組 311:設定模組 312:訓練模組 313:潛特徵獲取模組 314:降維模組 315:中心點計算模組 316:分數計算模組 303:判斷模組 304:重建模組 305:輸出模組 6:電子設備 61:記憶體 62:處理器 63:電腦程式 S11~S15、S21~S26:步驟

圖1為本發明一實施方式中圖像瑕疵檢測方法的流程圖。

圖2為本發明一實施方式中選擇自編碼器的潛特徵維度並得到分數的流程圖。

圖3為本發明一實施方式中圖像瑕疵檢測裝置的結構圖。

圖4為本發明一實施方式中電子設備的示意圖。

S11~S15:步驟

Claims (10)

1. 一種圖像瑕疵檢測方法，其中，所述方法包括： 獲取樣本圖像訓練資料； 選擇自編碼器的潛特徵維度並得到分數，包括： 設定自編碼器的潛特徵維度； 使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器； 分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到所述訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵； 將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵； 根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點； 分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到所述分數； 判斷所述分數是否大於基準分數，並當所述分數大於所述基準分數時，將所述分數作為新的基準分數，重新執行所述選擇自編碼器的潛特徵維度並得到分數，或者當所述分數小於或等於所述基準分數時，將當前設定的潛特徵維度作為最優的潛特徵維度； 將所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像； 計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；或當所述重建誤差小於或等於所述閾值時，輸出所述測試圖像為正常圖像的判斷結果。
2. 如請求項1所述的圖像瑕疵檢測方法，其中，所述設定自編碼器的潛特徵維度包括： 設定所述自編碼器的編碼層提取到的潛特徵的維度。
3. 如請求項1所述的圖像瑕疵檢測方法，其中，所述使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器包括： 將所述樣本圖像訓練資料進行向量化處理，得到所述樣本圖像訓練資料的特徵向量； 利用所述自編碼器的編碼層對所述特徵向量進行運算，得到所述樣本圖像訓練資料的潛特徵； 利用所述自編碼器的解碼層對所述潛特徵進行運算，並對運算後得到的潛特徵進行還原處理； 優化所述自編碼器得到訓練完成的自編碼器。
4. 如請求項1所述的圖像瑕疵檢測方法，其中，所述分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵包括： 輸入正常樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述正常樣本圖像資料的潛特徵；及 輸入瑕疵樣本圖像資料到訓練完成的自編碼器中，通過訓練完成的自編碼器的編碼層獲得所述瑕疵樣本圖像資料的潛特徵。
5. 如請求項1所述的圖像瑕疵檢測方法，其中，所述將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵包括： 使用T隨機分佈鄰近嵌入演算法將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵。
6. 如請求項1所述的圖像瑕疵檢測方法，其中，所述根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點包括： 計算所述多個第一潛特徵在三維的每個維度的平均值，將所述三維的每個維度的平均值組成的座標對應的點作為所述多個第一潛特徵的中心點。
7. 如請求項6所述的圖像瑕疵檢測方法，其中，所述分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到分數包括： 分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的歐氏距離，並對所述多個第二潛特徵距離所述分佈中心點的歐氏距離求和，得到所述分數。
8. 一種自編碼器的圖像瑕疵檢測裝置，其中，所述裝置包括： 訓練資料獲取模組，用於獲取樣本圖像訓練資料； 潛特徵維度選擇模組，用於選擇自編碼器的潛特徵維度並得到分數，包括： 設定模組，用於設定自編碼器的潛特徵維度； 訓練模組，使用樣本圖像訓練資料訓練所述自編碼器，並得到訓練完成的自編碼器； 潛特徵獲取模組，用於分別輸入正常樣本圖像資料與瑕疵樣本圖像資料到訓練完成的自編碼器中，並經所述訓練完成的自編碼器獲得所述正常樣本圖像資料的潛特徵與所述瑕疵樣本的潛特徵； 降維模組，用於將所述正常樣本圖像資料的潛特徵降維得到與所述正常樣本圖像資料對應的多個第一潛特徵，及將瑕疵樣本圖像資料的潛特徵降維得到與所述瑕疵樣本對應的多個第二潛特徵； 中心點計算模組，用於根據所述多個第一潛特徵計算得到所述多個第一潛特徵的分佈中心點； 分數計算模組，用於分別計算所述多個第二潛特徵中的每個第二潛特徵距離所述分佈中心點的距離值，並對所述多個第二潛特徵距離所述分佈中心點的距離值求和得到分數； 判斷模組，用於判斷所述分數是否大於基準分數，並當所述分數大於所述基準分數時，將所述分數作為新的基準分數並重新調用所述潛特徵維度選擇模組，或者當所述分數小於或等於所述基準分數時，將當前設定的潛特徵維度作為最優的潛特徵維度； 重建模組，用於將輸出所述最優的潛特徵維度作為所述自編碼器的潛特徵維度，將測試圖像輸入所述自編碼器，使用所述自編碼器獲得重建圖像； 輸出模組，用於計算所述測試圖像和所述重建圖像的重建誤差，當所述重建誤差大於預設的閾值時，輸出所述測試圖像為瑕疵圖像的判斷結果；或當所述重建誤差小於或等於所述閾值時，輸出所述測試圖像為正常圖像的判斷結果。
9. 一種電子設備，其中，所述電子設備包括： 記憶體，存儲至少一個指令；及 處理器，執行所述記憶體中存儲的指令以實現如請求項1至7中任一項所述的圖像瑕疵檢測方法。
10. 一種存儲介質，其上存儲有電腦程式，其中：所述電腦程式被處理器執行時實現如請求項1至7中任一項所述的圖像瑕疵檢測方法。

Images