TW202232380A - 圖像瑕疵檢測方法、電子設備及存儲介質 - Google Patents

Abstract

本申請涉及圖像檢測領域，提供一種圖像瑕疵檢測方法、電子設備及存儲介質。所述方法包括：將無瑕疵樣本圖像資料集輸入自編碼器，得到第一隱向量集和第一重構圖像向量集，計算得到第一重構誤差集，根據第一重構誤差集與第一隱向量集得到訓練圖像特徵集，訓練高斯混合模型得到圖像瑕疵檢測模型與參考誤差值；將待檢測圖像輸入自編碼器得到所述待檢測圖像的預測分數，根據預測分數和參考誤差值判斷待檢測圖像是否存在瑕疵。本申請可以藉由自編碼器和高斯混合模型，實現對瑕疵樣本分佈的預測，提高瑕疵檢測的準確率。

Description

圖像瑕疵檢測方法、電子設備及存儲介質

本發明涉及圖像檢測領域，具體涉及一種圖像瑕疵檢測方法、電子設備及存儲介質。

為了提高工業產品的品質，在對工業產品進行打包前，通常會對工業產品進行一定的瑕疵檢測。由於目前的圖像瑕疵檢測方法需要依靠大量的瑕疵樣本，而實際生產中瑕疵樣本數量較少，從而導致瑕疵檢測的準確度不高。

鑒於以上內容，有必要提出一種圖像瑕疵檢測方法、電子設備及存儲介質以提高對瑕疵圖像的判斷準確率。

本申請的第一方面提供一種圖像瑕疵檢測方法，包括： 將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集； 計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集； 根據所述第一重構誤差集與所述第一隱向量集得到訓練圖像特徵集； 使用所述訓練圖像特徵集訓練高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值； 獲取待檢測圖像，將所述待檢測圖像輸入所述自編碼器，得到所述待檢測圖像的第二隱向量和第二重構圖像，根據所述待檢測圖像與所述第二重構圖像計算第二重構誤差，根據所述第二重構誤差與所述第二隱向量得到所述待檢測圖像的測試圖像特徵，將所述測試圖像特徵輸入所述圖像瑕疵檢測模型，得到所述待檢測圖像的預測分數； 當所述待檢測圖像的預測分數小於或等於所述參考誤差值時，確定所述待檢測圖像為瑕疵樣本圖像，或者，當所述待檢測圖像的預測分數大於所述參考誤差值時，確定所述待檢測圖像為無瑕疵樣本圖像。

可選地，所述將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集包括： 獲取所述每個無瑕疵樣本圖像的圖像向量； 將所述無瑕疵樣本圖像資料集中的所述每個無瑕疵樣本圖像的圖像向量輸入所述自編碼器的編碼層進行編碼，得到所述每個無瑕疵樣本圖像的所述第一隱向量，由所述第一隱向量組成所述第一隱向量集； 將所述每個第一隱向量輸入所述自編碼器的解碼層進行解碼，得到所述每個無瑕疵樣本圖像的所述第一重構圖像向量，由所述第一重構圖像組成第一重構圖像向量集。

可選地，所述計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集包括： 使用預設的誤差計算函數計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的誤差函數值，作為所述第一重構誤差，由所有所述第一重構誤差組成所述第一重構誤差集。

可選地，所述使用所述訓練圖像特徵集訓練所述高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值包括： 使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值，所述參數包括混合加權值、平均向量、共變異矩陣、分佈個數； 使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型； 根據所述圖像瑕疵檢測模型對所述訓練圖像特徵集的預測數值集設定所述參考誤差值。

可選地，所述使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值包括： 中心選擇步驟，從所述訓練圖像特徵集中選擇預設數量的聚類中心； 聚類步驟，對所述訓練圖像特徵集執行聚類操作直至滿足第二預設條件，得到預設數量的聚類群，所述每個聚類群對應一個聚類中心，所述聚類操作包括： 按所述預設數量的聚類中心對所述訓練圖像特徵集進行聚類； 對聚類後的所述訓練圖像特徵集計算向量平均值，作為更新的聚類中心； 聚類數量調整步驟，當所述聚類群不滿足所述第三預設條件時，調整所述預設數量，並執行所述中心選擇步驟和所述聚類步驟，直至滿足所述第三預設條件； 參數獲得步驟，當所述聚類群滿足所述第二預設條件和所述第三預設條件時，將預設數量的所述聚類群的參數作為所述高斯混合模型的參數的初始值。

可選地，所述第二預設條件為所述聚類中心保持不變，所述第三預設條件為所述預設數量的聚類群中任意兩個聚類群的聚類中心距離大於第一閾值且所述每個聚類群中訓練圖像特徵的數量大於第二閾值。

可選地，所述使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型包括： 相似函數值計算步驟，根據所述高斯混合模型的參數的初始值計算相似函數最大值； 參數調整步驟，根據所述高斯混合模型的參數的偏微分調整所述高斯混合模型的參數，將調整後的所述高斯混合模型的參數作為所述高斯混合模型的參數的初始值； 迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件。

可選地，所述迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件包括： 所述相似函數值收斂或執行所述參數調整步驟或所述相似函數值計算步驟的次數達到預設反覆運算次數。

本申請的第二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圖像瑕疵檢測方法。

本申請的第三方面提供一種電腦存儲介質，其上存儲有電腦程式，其特徵在於：所述電腦程式被處理器執行時實現所述圖像瑕疵檢測方法。 本發明中，藉由自編碼器獲取構建圖像特徵對高斯混合模型進行訓練，可以使用無瑕疵樣本圖像建立圖像瑕疵檢測模型，實現對瑕疵樣本分佈的預測，提高瑕疵檢測的準確率。

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地實施例的目的，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。所述電子設備可以與使用者藉由鍵盤、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於電子設備中。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，將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集。

在本發明的至少一個實施例中，所述將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集包括： 獲取所述每個無瑕疵樣本圖像的圖像向量； 將所述無瑕疵樣本圖像資料集中的所述每個無瑕疵樣本圖像的圖像向量輸入所述自編碼器的編碼層進行編碼，得到所述每個無瑕疵樣本圖像的所述第一隱向量，由所述第一隱向量組成所述第一隱向量集； 將所述每個第一隱向量輸入所述自編碼器的解碼層進行解碼，得到所述每個無瑕疵樣本圖像的所述第一重構圖像向量，由所述第一重構圖像組成第一重構圖像向量集。

在本發明的至少一個實施例中，所述獲取所述每個無瑕疵樣本圖像的圖像向量包括： 讀取所述每個無瑕疵樣本圖像； 獲取所述每個無瑕疵樣本圖像中的圖元點； 所述每個無瑕疵樣本圖像中的圖元點的三原色編碼值組成所述無瑕疵樣本圖像的無瑕疵樣本圖像的圖像向量。

例如，所述無瑕疵樣本圖像的圖像向量可以是

，將所述無瑕疵樣本圖像的圖像向量

輸入所述自編碼器的編碼層進行編碼，得到所述第一隱向量

,將所述第一隱向量

輸入所述自編碼器的解碼層進行解碼，得到所述第一重構圖像向量

，其中，f為所述編碼層，g為所述解碼層。

步驟S12，計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集。

在本發明的至少一個實施例中，所述計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集包括： 使用預設的誤差計算函數計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的誤差函數值，作為所述第一重構誤差，由所有所述第一重構誤差組成所述第一重構誤差集。

在本發明的至少一個實施例中，所述使用預設的誤差計算函數計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的誤差函數值包括：計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的均方差。

例如，所述無瑕疵樣本圖像的圖像向量為

，所述第一重構圖像向量為

時，計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的均方差

，其中，

為所述無瑕疵樣本圖像的圖像向量中的第i個向量，

為所述第一重構向量中的第i個向量，n為所述無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量的維度。

步驟S13，根據所述第一重構誤差集與所述第一隱向量集得到訓練圖像特徵集。

在本發明的至少一個實施例中，所述根據所述第一重構誤差集與所述第一隱向量集得到訓練圖像特徵集包括：拼接所述第一重構誤差集中的每個第一重構誤差與對應的第一隱向量得到訓練圖像特徵集。

例如，所述第一重構誤差集為

，所述第一隱向量集為

，拼接所述第一重構誤差集中的每個第一重構誤差與對應的第一隱向量得到訓練圖像特徵集

，其中，

為所述第一重構誤差集中的m個第一重構誤差，

為第一隱向量集

中的m個第一隱向量。

步驟S14，使用所述訓練圖像特徵集訓練高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值。

在本發明的至少一個實施例中，所述使用所述訓練圖像特徵集訓練所述高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值包括： 使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值，所述參數包括混合加權值、平均向量、共變異矩陣、分佈個數； 使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型； 根據所述圖像瑕疵檢測模型對所述訓練圖像特徵集的預測數值集設定所述參考誤差值。

在本發明的至少一個實施例中，所述使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值包括： 中心選擇步驟，從所述訓練圖像特徵集中選擇預設數量的聚類中心； 聚類步驟，對所述訓練圖像特徵集執行聚類操作直至滿足第二預設條件，得到預設數量的聚類群，所述每個聚類群對應一個聚類中心，所述聚類操作包括： 按所述預設數量的聚類中心對所述訓練圖像特徵集進行聚類； 對聚類後的所述訓練圖像特徵集計算向量平均值，作為更新的聚類中心； 聚類數量調整步驟，當所述聚類群不滿足所述第三預設條件時，調整所述預設數量，並執行所述中心選擇步驟和所述聚類步驟，直至滿足所述第三預設條件； 參數獲得步驟，當所述聚類群滿足所述第二預設條件和所述第三預設條件時，將預設數量的所述聚類群的參數作為所述高斯混合模型的參數的初始值。

在本發明的至少一個實施例中，所述第二預設條件為所述聚類中心保持不變，所述第三預設條件為所述預設數量的聚類群中任意兩個聚類群的聚類中心距離大於第一閾值且所述每個聚類群中訓練圖像特徵的數量大於第二閾值。

例如，當所述預設數量是8，所述第一閾值為3，所述第二閾值為1時，所述使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值包括： 中心選擇步驟，從所述訓練圖像特徵集中選擇8個聚類中心； 聚類步驟，對所述訓練圖像特徵集執行聚類操作直至所述聚類中心保持不變，得到8個聚類群，所述每個聚類群對應一個聚類中心，所述聚類操作包括： 按8個聚類中心對所述訓練圖像特徵集進行聚類； 對聚類後的所述訓練圖像特徵集計算向量平均值，作為更新的聚類中心； 聚類數量調整步驟，判斷所述聚類群是否滿足任意兩個聚類群的聚類中心距離大於3且所述每個聚類群中訓練圖像特徵的數量大於1的條件，當存在兩個聚類群的聚類中心距離小於或等於3或存在聚類群中訓練圖像特徵的數量等於1時，將所述預設數量調整為7，並執行所述中心選擇步驟和所述聚類步驟，直至任意兩個聚類群的聚類中心距離大於3且所述每個聚類群中訓練圖像特徵的數量大於1； 參數獲得步驟，當聚類群滿足任意兩個聚類群的聚類中心距離大於3且所述每個聚類群中訓練圖像特徵的數量大於1的條件，且所述聚類中心保持不變時，將預設數量的所述聚類群的參數作為所述高斯混合模型的參數的初始值，即聚類群分群的個數作為高斯混合模型的分佈個數，每個群的訓練圖像特徵數量作為高斯混合模型的混合加權值，聚類中心作為高斯混合模型的平均向量，聚類群的變異數作為高斯混合模型的共變異矩陣。

在本發明的至少一個實施例中，所述使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型包括： 相似函數值計算步驟，根據所述高斯混合模型的參數的初始值計算相似函數最大值； 參數調整步驟，根據所述高斯混合模型的參數的偏微分調整所述高斯混合模型的參數，將調整後的所述高斯混合模型的參數作為所述高斯混合模型的參數的初始值； 迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件。

例如，當高斯混合模型由3個高斯分佈函數構成時，該高斯混合模型的概率密度函數可以表示為

，其中，w為混合加權值，

為平均向量，

為共變異矩陣，g表示高斯分佈。所述相似函數最大值可以表示為

，其中，n為特徵數量，P為高斯混合模型的概率密度函數，

為相似函數最大值時的參數。

又例如，根據所述高斯混合模型的參數的偏微分調整所述高斯混合模型的參數可包括： 對第j個高斯分佈的平均向量

求偏微分，得到高斯混合模型的新的平均向量

； 對第j個高斯分佈的共變異矩陣

求偏微分，得到高斯混合模型的新的共變異矩陣

； 對第j個高斯分佈的混合加權值

求偏微分，得到高斯混合模型的新的混合加權值

。

在本發明的至少一個實施例中，所述迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件包括：所述相似函數值收斂或執行所述參數調整步驟或所述相似函數值計算步驟的次數達到預設反覆運算次數。

步驟S15，獲取待檢測圖像，將所述待檢測圖像輸入所述自編碼器，得到所述待檢測圖像的第二隱向量和第二重構圖像，根據所述待檢測圖像與所述第二重構圖像計算第二重構誤差，根據所述第二重構誤差與所述第二隱向量得到所述待檢測圖像的測試圖像特徵，將所述測試圖像特徵輸入所述圖像瑕疵檢測模型，得到所述待檢測圖像的預測分數。

步驟S16，當所述待檢測圖像的預測分數小於或等於所述參考誤差值時，確定所述待檢測圖像為瑕疵樣本圖像，或者，當所述待檢測圖像的預測分數大於所述參考誤差值時，確定所述待檢測圖像為無瑕疵樣本圖像。

例如，所述參考誤差值可以是0.8，當所述待檢測圖像的預測分數小於或等於0.8時，確定所述待檢測圖像為瑕疵樣本圖像，或者，當所述待檢測圖像的預測分數大於0.8時，確定所述待檢測圖像為無瑕疵樣本圖像。

本發明中，藉由自編碼器獲取構建圖像特徵對高斯混合模型進行訓練，可以使用無瑕疵樣本圖像建立圖像瑕疵檢測模型，實現對瑕疵樣本分佈的預測，提高瑕疵檢測的準確率。

實施例2

圖2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2所示，所述圖像瑕疵檢測裝置30可以包括圖像重構模組301，第一重構誤差計算模組302，圖像特徵集獲取模組303，模型訓練模組304，分數預測模組305及判斷模組306。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。

所述圖像重構模組301將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集。

在本發明的至少一個實施例中，所述圖像重構模組301獲取所述每個無瑕疵樣本圖像的圖像向量；將所述無瑕疵樣本圖像資料集中的所述每個無瑕疵樣本圖像的圖像向量輸入所述自編碼器的編碼層進行編碼，得到所述每個無瑕疵樣本圖像的所述第一隱向量，由所述第一隱向量組成所述第一隱向量集；將所述每個第一隱向量輸入所述自編碼器的解碼層進行解碼，得到所述每個無瑕疵樣本圖像的所述第一重構圖像向量，由所述第一重構圖像組成第一重構圖像向量集。

在本發明的至少一個實施例中，所述圖像重構模組301讀取所述每個無瑕疵樣本圖像；獲取所述每個無瑕疵樣本圖像中的圖元點；所述每個無瑕疵樣本圖像中的圖元點的三原色編碼值組成所述無瑕疵樣本圖像的無瑕疵樣本圖像的圖像向量。

所述第一重構誤差計算模組302計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集。

在本發明的至少一個實施例中，所述第一重構誤差計算模組302使用預設的誤差計算函數計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的誤差函數值，作為所述第一重構誤差，由所有所述第一重構誤差組成所述第一重構誤差集。

在本發明的至少一個實施例中，所述第一重構誤差計算模組302計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的均方差。

所述圖像特徵集獲取模組303根據所述第一重構誤差集與所述第一隱向量集得到訓練圖像特徵集。

在本發明的至少一個實施例中，所述圖像特徵集獲取模組303拼接所述第一重構誤差集中的每個第一重構誤差與所述第一隱向量集中的每個第一隱向量得到訓練圖像特徵集。

所述模型訓練模組304使用所述訓練圖像特徵集訓練所述高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值。

在本發明的至少一個實施例中，所述模型訓練模組304使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值，所述參數包括混合加權值、平均向量、共變異矩陣、分佈個數；使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型；根據所述圖像瑕疵檢測模型對所述訓練圖像特徵集的預測數值集設定所述參考誤差值。

在本發明的至少一個實施例中，所述模型訓練模組304使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值，具體包括： 中心選擇步驟，從所述訓練圖像特徵集中選擇預設數量的聚類中心； 聚類步驟，對所述訓練圖像特徵集執行聚類操作直至滿足第二預設條件，得到預設數量的聚類群，所述每個聚類群對應一個聚類中心，所述聚類操作包括： 按所述預設數量的聚類中心對所述訓練圖像特徵集進行聚類； 對聚類後的所述訓練圖像特徵集計算向量平均值，作為更新的聚類中心； 聚類數量調整步驟，當所述聚類群不滿足所述第三預設條件時，調整所述預設數量，並執行所述中心選擇步驟和所述聚類步驟，直至滿足所述第三預設條件； 參數獲得步驟，當所述聚類群滿足所述第二預設條件和所述第三預設條件時，將預設數量的所述聚類群的參數作為所述高斯混合模型的參數的初始值。

在本發明的至少一個實施例中，所述第二預設條件為所述聚類中心保持不變，所述第三預設條件為所述預設數量的聚類群中任意兩個聚類群的聚類中心距離大於第一閾值且所述每個聚類群中訓練圖像特徵的數量大於第二閾值。

在本發明的至少一個實施例中，所述模型訓練模組304使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型，具體包括： 相似函數值計算步驟，根據所述高斯混合模型的參數的初始值計算相似函數最大值； 參數調整步驟，根據所述高斯混合模型的參數的偏微分調整所述高斯混合模型的參數，將調整後的所述高斯混合模型的參數作為所述高斯混合模型的參數的初始值； 迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件。 在本發明的至少一個實施例中，所述迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件包括： 所述相似函數值收斂或執行所述參數調整步驟或所述相似函數值計算步驟的次數達到預設反覆運算次數。

所述分數預測模組305獲取待檢測圖像，將所述待檢測圖像輸入所述自編碼器，得到所述待檢測圖像的第二隱向量和第二重構圖像，根據所述待檢測圖像與所述第二重構圖像計算第二重構誤差，根據所述第二重構誤差與所述第二隱向量得到所述待檢測圖像的測試圖像特徵，將所述測試圖像特徵輸入所述圖像瑕疵檢測模型，得到所述待檢測圖像的預測分數。

所述判斷模組306當所述待檢測圖像的預測分數小於或等於所述參考誤差值時，確定所述待檢測圖像為瑕疵樣本圖像，或者，當所述待檢測圖像的預測分數大於所述參考誤差值時，確定所述待檢測圖像為無瑕疵樣本圖像。

本發明中，藉由自編碼器獲取構建圖像特徵對高斯混合模型進行訓練，可以使用無瑕疵樣本圖像建立圖像瑕疵檢測模型，實現對瑕疵樣本分佈的預測，提高瑕疵檢測的準確率。

實施例3

圖3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~S16。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2中的模組301~306。

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2中的圖像重構模組301，第一重構誤差計算模組302，圖像特徵集獲取模組303，模型訓練模組304，分數預測模組305及判斷模組306，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藉由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，也可以藉由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，可以藉由其它的方式實現。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藉由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:圖像重構模組 302:第一重構誤差計算模組 303:圖像特徵集獲取模組 304:模型訓練模組 305:分數預測模組 306:判斷模組 6:電子設備 61:記憶體 62:處理器 63:電腦程式

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圖像瑕疵檢測裝置的結構圖。

圖3為本發明一實施方式中電子設備的示意圖。

S11~S16:步驟

Claims (10)

1. 一種圖像瑕疵檢測方法，其中，所述方法包括： 將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集； 計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集； 根據所述第一重構誤差集與所述第一隱向量集得到訓練圖像特徵集； 使用所述訓練圖像特徵集訓練高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值； 獲取待檢測圖像，將所述待檢測圖像輸入所述自編碼器，得到所述待檢測圖像的第二隱向量和第二重構圖像，根據所述待檢測圖像與所述第二重構圖像計算第二重構誤差，根據所述第二重構誤差與所述第二隱向量得到所述待檢測圖像的測試圖像特徵，將所述測試圖像特徵輸入所述圖像瑕疵檢測模型，得到所述待檢測圖像的預測分數； 當所述待檢測圖像的預測分數小於或等於所述參考誤差值時，確定所述待檢測圖像為瑕疵樣本圖像，或者，當所述待檢測圖像的預測分數大於所述參考誤差值時，確定所述待檢測圖像為無瑕疵樣本圖像。
2. 如請求項1所述的圖像瑕疵檢測方法，其中，所述將無瑕疵樣本圖像輸入自編碼器，得到每個無瑕疵樣本圖像的第一隱向量與第一重構圖像向量，並組成第一隱向量集和第一重構圖像向量集包括： 獲取所述每個無瑕疵樣本圖像的圖像向量； 將所述無瑕疵樣本圖像資料集中的所述每個無瑕疵樣本圖像的圖像向量輸入所述自編碼器的編碼層進行編碼，得到所述每個無瑕疵樣本圖像的所述第一隱向量，由所述第一隱向量組成所述第一隱向量集； 將所述每個第一隱向量輸入所述自編碼器的解碼層進行解碼，得到所述每個無瑕疵樣本圖像的所述第一重構圖像向量，由所述第一重構圖像組成第一重構圖像向量集。
3. 如請求項2所述的圖像瑕疵檢測方法，其中，所述計算所述每個無瑕疵樣本圖像與相應的第一重構圖像向量之間的第一重構誤差，得到第一重構誤差集包括： 使用預設的誤差計算函數計算所述每個無瑕疵樣本圖像的圖像向量與相應的第一重構圖像向量之間的誤差函數值，作為所述第一重構誤差，由所有所述第一重構誤差組成所述第一重構誤差集。
4. 如請求項1所述的圖像瑕疵檢測方法，其中，所述使用所述訓練圖像特徵集訓練高斯混合模型，得到圖像瑕疵檢測模型與參考誤差值包括： 使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值，所述參數包括混合加權值、平均向量、共變異矩陣、分佈個數； 使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型； 根據所述圖像瑕疵檢測模型對所述訓練圖像特徵集的預測數值集設定所述參考誤差值。
5. 如請求項4所述的圖像瑕疵檢測方法，其中，所述使用K-鄰近均值演算法根據所述訓練圖像特徵集計算所述高斯混合模型的參數的初始值包括： 中心選擇步驟，從所述訓練圖像特徵集中選擇預設數量的聚類中心； 聚類步驟，對所述訓練圖像特徵集執行聚類操作直至滿足第二預設條件，得到預設數量的聚類群，所述每個聚類群對應一個聚類中心，所述聚類操作包括： 按所述預設數量的聚類中心對所述訓練圖像特徵集進行聚類； 對聚類後的所述訓練圖像特徵集計算向量平均值，作為更新的聚類中心； 聚類數量調整步驟，當所述聚類群不滿足所述第三預設條件時，調整所述預設數量，並執行所述中心選擇步驟和所述聚類步驟，直至滿足所述第三預設條件； 參數獲得步驟，當所述聚類群滿足所述第二預設條件和所述第三預設條件時，將預設數量的所述聚類群的參數作為所述高斯混合模型的參數的初始值。
6. 如請求項5所述的圖像瑕疵檢測方法，其中，所述第二預設條件為所述聚類中心保持不變，所述第三預設條件為所述預設數量的聚類群中任意兩個聚類群的聚類中心距離大於第一閾值且所述每個聚類群中訓練圖像特徵的數量大於第二閾值。
7. 如請求項4所述的圖像瑕疵檢測方法，其中，所述使用期望值最大演算法更新所述高斯混合模型的參數直至滿足第一預設條件，得到所述圖像瑕疵檢測模型包括： 相似函數值計算步驟，根據所述高斯混合模型的參數的初始值計算相似函數最大值； 參數調整步驟，根據所述高斯混合模型的參數的偏微分調整所述高斯混合模型的參數，將調整後的所述高斯混合模型的參數作為所述高斯混合模型的參數的初始值； 迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件。
8. 如請求項7所述的圖像瑕疵檢測方法，其中，所述迴圈執行所述相似函數值計算步驟與所述參數調整步驟直至滿足所述第一預設條件包括： 所述相似函數值收斂或執行所述參數調整步驟或所述相似函數值計算步驟的次數達到預設反覆運算次數。
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8中任一項所述的圖像瑕疵檢測方法。
10. 一種電腦存儲介質，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8中任一項所述的圖像瑕疵檢測方法。

Images