TW202401376A - 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體 - Google Patents
產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體 Download PDFInfo
- Publication number
- TW202401376A TW202401376A TW111123313A TW111123313A TW202401376A TW 202401376 A TW202401376 A TW 202401376A TW 111123313 A TW111123313 A TW 111123313A TW 111123313 A TW111123313 A TW 111123313A TW 202401376 A TW202401376 A TW 202401376A
- Authority
- TW
- Taiwan
- Prior art keywords
- product
- positive sample
- defect detection
- model
- sample images
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 114
- 239000013598 vector Substances 0.000 claims description 23
- 230000006870 function Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 9
- 230000002950 deficient Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003973 paint Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申請提供了一種產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體。所述方法包括：利用第一瑕疵檢測模型對產品圖像進行瑕疵檢測，得到檢測結果，若負樣本率高於預設閥值，利用檢測結果中產品正樣本圖像訓練並得到訓練完成的自編碼器模型，獲取產品歷史正樣本圖像並輸入至訓練完成的自編碼器模型得到新增正樣本圖像；根據新增正樣本圖像、產品歷史正樣本圖像、產品的正樣本圖像，訓練第一瑕疵檢測模型，得到第二瑕疵檢測模型，將產品的檢測圖像輸入第二瑕疵檢測模型得到產品的檢測圖像的瑕疵檢測結果。
Description
本申請涉及圖像檢測技術領域，尤其涉及一種產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體。
在工業檢測領域中，爲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，在對產品進行瑕疵檢測時，通常在生產線上導入瑕疵檢測模型系統來檢測產品的瑕疵，然而在生產線上導入瑕疵檢測模型系統來檢測產品的瑕疵，往往需要大量人力對有瑕疵的產品進行標註。此外，受環境因素的影響，生產線上生產的產品會有不同程度的瑕疵，如果瑕疵檢測模型無法檢測出受環境因素的影響的瑕疵產品，就會使得生產線的成本大大升高，而產能却大大降低。
鑒於以上內容，有必要提供一種產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體，能夠自動標註瑕疵產品，減少人力，能夠自動學習受環境因素的影響的瑕疵產品中的瑕疵特徵，對受環境因素的影響的瑕疵產品同樣能檢測出瑕疵，降低了生產線成本，提高了產能。
本申請的第一方面提供一種產品瑕疵檢測方法。所述產品瑕疵檢測方法包括：在預設週期內，利用第一瑕疵檢測模型對產品圖像進行瑕疵檢測，得到檢測結果，所述檢測結果包括所述產品的正樣本圖像和負樣本圖像；在所述預設週期內，若所述負樣本圖像數量在所述檢測結果的佔比高於預設閥值，使用所述檢測結果中的產品正樣本圖像訓練自編碼器模型，並得到訓練完成的自編碼器模型；獲取產品歷史正樣本圖像，將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵；將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像；根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述產品的正樣本圖像，訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型；將產品的檢測圖像輸入所述第二瑕疵檢測模型，得到所述檢測圖像的瑕疵檢測結果。
在一種可選的實施方式中，所述使用所述檢測結果中的產品正樣本圖像訓練自編碼器模型，並得到訓練完成的自編碼器模型包括：將所述正樣本圖像進行向量化處理，得到所述正樣本圖像的特徵向量；利用所述自編碼器模型的編碼層對所述特徵向量進行運算，得到所述正樣本圖像的潛特徵；利用所述自編碼器模型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；優化所述自編碼器模型得到訓練完成的自編碼器模型。
在一種可選的實施方式中，所述優化所述自編碼器模型得到訓練完成的自編碼器模型包括：設定損失函數，並訓練所述自編碼器模型以最小化所述損失函數得到所述訓練完成的自編碼器模型。
在一種可選的實施方式中，所述將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵包括：將所述產品歷史正樣本圖像進行向量化處理，得到所述產品歷史正樣本圖像的特徵向量；利用所述自編碼器模型中的所述編碼層對所述產品歷史正樣本圖像的所述特徵向量進行運算，得到所述產品歷史正樣本圖像的潛特徵。
在一種可選的實施方式中，所述利用所述自編碼器模型中的所述編碼層對所述產品歷史正樣本圖像的所述特徵向量進行運算，得到所述產品歷史正樣本圖像的潛特徵包括：提取所述自編碼器模型中的編碼層對應的隱藏層；獲取所述隱藏層的權重矩陣及偏置值；將所述特徵向量與所述權重矩陣進行相乘運算，得到運算結果；將所述運算結果與所述偏置值進行相加運算，得到所述產品歷史正樣本圖像的潛特徵。
在一種可選的實施方式中，所述將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像包括：利用所述解碼層對所述產品歷史正樣本圖像的潛特徵進行運算；對運算後得到的向量進行還原處理，得到所述新增正樣本圖像。
在一種可選的實施方式中，所述方法還包括：若所述負樣本圖像數量在所述檢測結果中的佔比高於所述預設閥值，剔除所述負樣本圖像，保留所述正樣本圖像。
在一種可選的實施方式中，所述根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述正樣本圖像，自動訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型包括：在所述預設週期內，若經所述第一瑕疵檢測模型檢測到所述負樣本圖像數量在所述檢測結果中的佔比高於所述預設閥值，根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述正樣本圖像，訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型。
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的產品瑕疵檢測方法。
本申請的第三方面提供一種電腦可讀存儲媒體，所述電腦可讀存儲媒體中存儲有至少一個指令，所述至少一個指令被電子設備中的處理器執行以實現所述的產品瑕疵檢測方法。
本申請能夠自動標註瑕疵產品，減少人力，能夠自動學習受環境因素影響後的產品正樣本圖像的代表性特徵，對受環境因素影響的產品同樣能檢測出瑕疵，降低了生產成本，提高了產能。
爲了能夠更清楚地理解本申請的上述目的、特徵和優點，下面結合附圖和具體實施例對本申請進行詳細描述。需要說明的是，此處所描述的具體實施例僅用以解釋本申請，並不用於限定本申請。
在下面的描述中闡述了很多具體細節以便於充分理解本申請，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基於本申請中的實施例，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，都屬本申請保護的範圍。
除非另有定義，本文所使用的所有的技術和科學術語與屬本申請的技術領域的技術人員通常理解的含義相同。本文中在本申請的說明書中所使用的術語只是爲了描述具體的實施例的目的，不是旨在於限制本申請。
參閱圖1所示，爲本申請實施例提供的一種產品瑕疵檢測方法的流程圖。所述方法應用於電子設備（例如，圖2所示的電子設備2）中，所述電子設備可以是任何一種可與用戶進行人機交互的電子產品，例如，個人電腦、平板電腦、智能手機、個人數位助理（Personal Digital Assistant，PDA）、遊戲機、交互式網路電視（Internet Protocol Television，IPTV）、穿戴式智能設備等。
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 信息處理的設備，其硬體包括，但不限於：微處理器、專用集成電路(Application Specific Integrated Circuit，ASIC)、 可編程門陣列(Field－Programmable Gate Array，FPGA)、 數位訊號處理器(Digital Signal Processor，DSP)、嵌入式設備等。
所述電子設備還可以包括網路設備和/或用戶設備。其中，所述網路設備包括，但不限於單個網路伺服器、多個網路伺服器組成的伺服器組或基於雲計算（Cloud Computing）的由大量主機或網路伺服器構成的雲。
所述電子設備所處的網路包括但不限於網際網路、廣域網、城域網、區域網路、虛擬專用網路（Virtual Private Network，VPN）等。
所述方法具體包括如下：
步驟101，在預設週期內，利用第一瑕疵檢測模型對產品圖像進行瑕疵檢測，得到檢測結果。
在本申請的至少一個實施例中，預設週期爲一個小時，所述預設週期可以根據實際的生產情況而定，本申請並不做具體限定。
在本申請的至少一個實施例中，第一瑕疵檢測模型包括，但不限於自編碼器，及提高瑕疵檢測的準確度而引入的其他模型，例如高斯混合模型。在對產品圖像進行瑕疵檢測時，本申請並不限定進行瑕疵檢測的方法，如上，可以是自編碼器與高斯混合模型組合而成的第一瑕疵檢測模型，還可以是第一瑕疵檢測模型只包括自編碼器。
在本申請的至少一個實施例中，所述產品可以是電腦機殼外觀、手機殼體外觀等，所述圖像可以是在生產線上的用於拍攝檢測產品的攝像機拍攝的圖像。
在本申請的至少一個實施例中，所述產品正樣本圖像爲檢測到產品圖像爲無瑕疵的產品圖像，所述產品負樣本圖像爲檢測到產品圖像爲有瑕疵的產品圖像。例如，產品正樣本圖像包括，但不限於外觀沒有撞傷、擦傷、烤漆脫落等現象的電腦機殼、手機殼體的圖像，產品負樣本圖像包括，但不限於外觀有撞傷、擦傷、烤漆脫落等現象的電腦機殼、手機殼體的圖像。在生產所述產品時，經常會受到不同環境因素的影響。例如，室溫、濕度、光線。當所述產品受到環境因素的影響時會產生大量未被所述第一瑕疵檢測模型所學習到的特徵。例如，受到室溫、光線的影響，產品的外殼發生鼓包等現象，受到濕度的影響，產品會有腐蝕現象。本申請對產品正樣本圖像、產品負樣本圖像、環境因素及受到環境因素影響所產生的瑕疵產品不做具體限定。
步驟102，在所述預設週期內，判斷所述負樣本圖像數量在所述檢測結果中的佔比是否高於預設閥值。
在本申請的至少一個實施例中，第一瑕疵檢測模型在預設週期內檢測出產品負樣本圖像與正樣本圖像，判斷所述負樣本圖像數量在所述檢測結果中的佔比是否高於預設閥值，即判斷產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值是否高於預設閥值。例如在預設週期內，預設閥值爲10%，檢測出負樣本圖像數量爲10，檢測出正樣本圖像數量爲150，產品負樣本圖像數量和產品正樣本圖像數量的和爲10+150=160。計算產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值爲10/160=0.0625，即6.25%。產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值爲6.25%，低於預設閥值10%。若檢測出負樣本圖像數量爲60，檢測出正樣本圖像數量爲100，計算產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值爲60/160=0.375，即37.5%，高於預設閥值10%。若產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值低於預設閥值，返回步驟101，在預設週期內，利用第一瑕疵檢測模型對產品圖像進行瑕疵檢測，得到檢測結果。若產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值高於預設閥值，繼續進行下一步驟，即步驟103。
步驟103，使用所述檢測結果中的產品正樣本圖像訓練自編碼器模型，並得到訓練完成的自編碼器模型。
在本申請的至少一個實施例中，若檢測結果中產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值高於預設閥值，將產品的負樣本圖像數量剔除，得到產品負樣本圖像數量，並將產品的負樣本數量輸入至自編碼器模型，訓練自編碼器模型，得到訓練完成的自編碼器模型。
需要說明的是，自編碼器模型是一種利用反向傳播算法使得輸出值等於輸入值的神經網路。通常一個自編碼器模型包括編碼器（Encoder）和解碼器（Decoder）。其中，編碼器可以將輸入壓縮爲潛在空間表徵，解碼器將潛在空間表徵重構爲輸出。
在本申請的至少一個實施例中，自編碼器（auto encoder, AE）模型中的編碼器包含多個隱藏層，所述編碼層爲對應的至少一個隱藏層，所述多個隱藏層的數量可以根據應用場景任意設置。所述訓練自編碼器模型的方法包括：
將所述產品的正樣本圖像進行向量化處理，得到所述產品的正樣本圖像的特徵向量；
利用所述自編碼器模型的編碼層對所述特徵向量進行運算，所述運算包括將特徵向量進行矩陣變換或者線性變換，得到所述產品的正樣本圖像的潛特徵；
利用所述自編碼器模型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；
優化所述自編碼器模型得到訓練完成的自編碼器模型。
所述優化所述自編碼器得到訓練完成的自編碼器模型包括：
設定損失函數，並訓練所述自編碼器模型以最小化所述損失函數得到所述訓練完成的自編碼器模型。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104，獲取產品歷史正樣本圖像並將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵。
在本申請的至少一個實施例中，產品歷史正樣本圖像可以是在預設週期前檢測得到的產品正樣本圖像，還可以是，在一個月前或者多個月前檢測得到的產品正樣本圖像。在本申請的至少一個實施例中，將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵包括：
將所述產品歷史正樣本圖像進行向量化處理，得到所述產品歷史正樣本圖像的特徵向量；
提取所述編碼層對應的隱藏層；
利用所述隱藏層對所述產品歷史正樣本圖像的特徵向量進行運算，得到所述產品歷史正樣本圖像的潛特徵。
具體地，所述利用所述隱藏層對所述產品歷史正樣本圖像的特徵向量進行運算，得到所述產品歷史正樣本圖像的潛特徵包括：
獲取所述隱藏層的權重矩陣及偏置值；
將所述產品歷史正樣本圖像的特徵向量與所述權重矩陣進行相乘運算，得到運算結果；
將所述運算結果與所述偏置值進行相加運算，得到所述產品歷史正樣本圖像的潛特徵。
步驟105，將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像。
在本申請的至少一個實施例中，所述將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像包括：
利用所述自編碼器模型中的所述解碼層對所述產品歷史正樣本圖像的潛特徵進行運算，對運算後得到的向量進行還原處理，得到所述新增正樣本圖像。
在本申請的至少一個實施例中，所述自編碼器模型中的所述解碼層作用還可以是把低維度數據映射成高度數據，增加數據量，使經過壓縮的數據恢復本來的面貌，即將產品歷史正樣本圖像的潛特徵運算得到的向量進行還原處理。是把低維度數據映射成高維度數據，增加數據量，使經過壓縮的數據恢復本來的面貌。
步驟106，根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述產品的正樣本圖像，訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型。
在本申請的至少一個實施例中，在預設週期內，若經所述第一瑕疵檢測模型檢測到所述產品負樣本圖像數量與產品負樣本圖像數量和產品正樣本圖像數量的和的比值高於預設閥值，根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述產品的正樣本圖像，自動訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型。
本申請在預設週期內檢測到負樣本圖像數量的值達到一定數量時，自動訓練更新原來用於進行瑕疵檢測的第一瑕疵檢測模型，更新後得到的第二瑕疵檢測模型可以學習到更多正樣本圖像的代表性特徵，使瑕疵檢測模型在進行瑕疵檢測時，能夠減少瑕疵檢測模型的誤判，降低生產成本，提高產能。
參閱圖2所示，爲本申請實施例提供的一種電子設備的結構示意圖。具體包括如下：
在本申請的一個實施例中，所述電子設備2包括，但不限於記憶體201、處理器202，以及存儲在所述記憶體201中並可在所述處理器202上運行的電腦程式。
本領域技術人員可以理解，所述示意圖僅僅是電子設備2的示例，並不構成對電子設備2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2還可以包括輸入輸出設備、網路接入設備、匯流排等。
所述處理器202可以是中央處理單元(Central Processing Unit，CPU)，還可以是其他通用處理器、數位訊號處理器(Digital Signal Processor，DSP)、專用集成電路(Application Specific Integrated Circuit，ASIC)、現場可編程門陣列(Field-Programmable Gate Array，FPGA)或者其他可編程邏輯器件、分立元器件門電路、電晶體組件、分立硬體組件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等，所述處理器202是所述電子設備2的運算核心和控制中心，利用各種介面和線路連接整個電子設備2的各個部分，及獲取所述電子設備2的操作系統以及安裝的各類應用程式、程式代碼等。
所述記憶體201可用於存儲所述電腦程式和/或模塊，所述處理器202透過運行或獲取存儲在所述記憶體201內的電腦程式和/或模塊，以及調用存儲在記憶體201內的數據，實現所述電子設備2的各種功能。所述記憶體201可主要包括存儲程式區和存儲數據區，其中，存儲程式區可存儲操作系統、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；存儲數據區可存儲根據電子設備的使用所創建的數據等。此外，記憶體201可以包括非易失性記憶體，例如硬碟、內存(memory)、插接式硬碟，智能存儲卡（Smart Media Card, SMC），安全數位（Secure Digital, SD）卡，記憶卡（Flash Card）、至少一個磁盤記憶體件、閃存器件、或其他非易失性固態記憶體件。
所述記憶體201可以是電子設備2的外部記憶體和/或內部記憶體。進一步地，所述記憶體201可以是具有實物形式的記憶體，如內存條、TF卡（Trans- flash Card）等等。
所述電子設備2集成的模塊/單元如果以軟件功能單元的形式實現並作爲獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲媒體中。基於這樣的理解，本申請實現上述實施例方法中的全部或部分流程，也可以透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媒體中，該電腦程式在被處理器獲取時，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是源代碼形式、對象代碼形式、可獲取文件或某些中間形式等。所述計算機可讀媒體可以包括：能夠攜帶所述電腦程式代碼的任何實體或裝置、記錄媒體、隨身碟、移動硬碟、磁碟、光盤、計算機記憶體、唯讀記憶體（ROM，Read-Only Memory）。
結合圖1，所述電子設備2中的所述記憶體201存儲多個指令以實現一種產品瑕疵檢測方法，所述處理器202可獲取所述多個指令從而實現：
在預設週期內，利用第一瑕疵檢測模型對產品圖像進行瑕疵檢測，得到檢測結果，所述檢測結果包括所述產品的正樣本圖像和負樣本圖像；
在所述預設週期內，若所述負樣本圖像數量在所述檢測結果的佔比高於預設閥值，使用所述檢測結果中的產品正樣本圖像訓練自編碼器模型，並得到訓練完成的自編碼器模型；
獲取產品歷史正樣本圖像，將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵；
將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像；
根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述產品的正樣本圖像，訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型；
將產品的檢測圖像輸入所述第二瑕疵檢測模型，得到所述檢測圖像的瑕疵檢測結果。
具體地，所述處理器202對上述指令的具體實現方法可參考圖1對應實施例中相關步驟的描述，在此不贅述。
在本申請所提供的幾個實施例中，應該理解到，所揭露的裝置和方法，可以透過其它的方式實現。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述模塊的劃分，僅僅爲一種邏輯功能劃分，實際實現時可以有另外的劃分方式。
所述作爲分離部件說明的模塊可以是或者也可以不是物理上分開的，作爲模塊顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模塊來實現本實施例方案的目的。
另外，在本申請各個實施例中的各功能模塊可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用硬體加軟件功能模塊的形式實現。
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，本申請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申請內。不應將請求項中的任何附關聯圖標記視爲限制所涉及的請求項。
此外，顯然“包括”一詞不排除其他單元或步驟，單數不排除複數。本申請中第一、第二等詞語用來表示名稱，而並不表示任何特定的順序。
最後應說明的是，以上實施例僅用以說明本申請的技術方案而非限制，儘管參照較佳實施例對本申請進行了詳細說明，本領域的普通技術人員應當理解，可以對本申請的技術方案進行修改或等同替換，而不脫離本申請技術方案的精神和範圍。
2:電子設備
201:記憶體
202:處理器
101-106:步驟
圖1爲本申請實施例提供的一種產品瑕疵檢測方法的流程圖。
圖2爲本申請實施例提供的一種電子設備的結構示意圖。
101-106:步驟
Claims (10)
- 一種產品瑕疵檢測方法，其中，所述產品瑕疵檢測方法包括： 在預設週期內，利用第一瑕疵檢測模型對產品圖像進行瑕疵檢測，得到檢測結果，所述檢測結果包括所述產品的正樣本圖像和負樣本圖像； 在所述預設週期內，若所述負樣本圖像數量在所述檢測結果的佔比高於預設閥值，使用所述檢測結果中的產品正樣本圖像訓練自編碼器模型，並得到訓練完成的自編碼器模型； 獲取產品歷史正樣本圖像，將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵； 將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像； 根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述產品的正樣本圖像，訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型； 將產品的檢測圖像輸入所述第二瑕疵檢測模型，得到所述檢測圖像的瑕疵檢測結果。
- 根據請求項1所述的產品瑕疵檢測方法，其中，所述使用所述檢測結果中的產品正樣本圖像訓練自編碼器模型，並得到訓練完成的自編碼器模型包括： 將所述正樣本圖像進行向量化處理，得到所述正樣本圖像的特徵向量； 利用所述自編碼器模型的編碼層對所述特徵向量進行運算，得到所述正樣本圖像的潛特徵； 利用所述自編碼器模型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； 優化所述自編碼器模型得到訓練完成的自編碼器模型。
- 根據請求項2所述的產品瑕疵檢測方法，其中，所述優化所述自編碼器模型得到訓練完成的自編碼器模型包括： 設定損失函數，並訓練所述自編碼器模型以最小化所述損失函數得到所述訓練完成的自編碼器模型。
- 根據請求項1所述的產品瑕疵檢測方法，其中，所述將所述產品歷史正樣本圖像輸入所述訓練完成的自編碼器模型，透過所述訓練完成的自編碼器模型的編碼層計算得到所述產品歷史正樣本圖像的潛特徵包括： 將所述產品歷史正樣本圖像進行向量化處理，得到所述產品歷史正樣本圖像的特徵向量； 利用所述自編碼器模型中的所述編碼層對所述產品歷史正樣本圖像的所述特徵向量進行運算，得到所述產品歷史正樣本圖像的潛特徵。
- 根據請求項4所述的產品瑕疵檢測方法，其中，所述利用所述自編碼器模型中的所述編碼層對所述產品歷史正樣本圖像的所述特徵向量進行運算，得到所述產品歷史正樣本圖像的潛特徵包括： 提取所述自編碼器模型中的編碼層對應的隱藏層； 獲取所述隱藏層的權重矩陣及偏置值； 將所述特徵向量與所述權重矩陣進行相乘運算，得到運算結果； 將所述運算結果與所述偏置值進行相加運算，得到所述產品歷史正樣本圖像的潛特徵。
- 根據請求項1所述的產品瑕疵檢測方法，其中，所述將所述產品歷史正樣本圖像的潛特徵輸入所述訓練完成的自編碼器模型的解碼層，並計算得到新增正樣本圖像包括： 利用所述解碼層對所述產品歷史正樣本圖像的潛特徵進行運算； 對運算後得到的向量進行還原處理，得到所述新增正樣本圖像。
- 根據請求項1所述的產品瑕疵檢測方法，其中，所述方法還包括： 若所述負樣本圖像數量在所述檢測結果中的佔比高於所述預設閥值，剔除所述負樣本圖像，保留所述正樣本圖像。
- 根據請求項1所述的產品瑕疵檢測方法，其中，所述根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述正樣本圖像，自動訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型包括： 在所述預設週期內，若經所述第一瑕疵檢測模型檢測到所述負樣本圖像數量在所述檢測結果中的佔比高於所述預設閥值，根據所述新增正樣本圖像、所述產品歷史正樣本圖像、所述正樣本圖像，訓練所述第一瑕疵檢測模型，得到第二瑕疵檢測模型。
- 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中任意一項所述的產品瑕疵檢測方法。
- 一種電腦可讀存儲媒體，其中：所述電腦可讀存儲媒體 中存儲有至少一個指令，所述至少一個指令被電子設備中的處理器執行以實現如請求項1至8中任意一項所述的產品瑕疵檢測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111123313A TWI844873B (zh) | 2022-06-22 | 2022-06-22 | 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111123313A TWI844873B (zh) | 2022-06-22 | 2022-06-22 | 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202401376A true TW202401376A (zh) | 2024-01-01 |
| TWI844873B TWI844873B (zh) | 2024-06-11 |
Family
ID=90457657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111123313A TWI844873B (zh) | 2022-06-22 | 2022-06-22 | 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI844873B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10733722B2 (en) * | 2017-06-27 | 2020-08-04 | Nec Corporation | Reconstructor and contrastor for anomaly detection |
| TWI653605B (zh) * | 2017-12-25 | 2019-03-11 | 由田新技股份有限公司 | 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 |
| CN111598825B (zh) * | 2019-02-02 | 2023-04-18 | 阿里巴巴集团控股有限公司 | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 |
| CN110554047B (zh) * | 2019-09-06 | 2021-07-02 | 腾讯科技（深圳）有限公司 | 产品缺陷检测数据处理方法、装置、系统和设备 |
| CN112766110A (zh) * | 2021-01-08 | 2021-05-07 | 重庆创通联智物联网有限公司 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
-
2022
- 2022-06-22 TW TW111123313A patent/TWI844873B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| TWI844873B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111598825B (zh) | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 | |
| CN110347840B (zh) | 投诉文本类别的预测方法、系统、设备和存储介质 | |
| US20220207707A1 (en) | Image defect detection method, electronic device using the same | |
| US20180268533A1 (en) | Digital Image Defect Identification and Correction | |
| US11733885B2 (en) | Transferring computational operations to controllers of data storage devices | |
| US20140188544A1 (en) | Method and System for Automatically Generating Information Dependencies | |
| CN110020650B (zh) | 一种基于深度学习识别模型的倾斜车牌的识别方法及装置 | |
| WO2023279890A1 (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN114708436B (zh) | 语义分割模型的训练方法、语义分割方法、装置和介质 | |
| TWI762193B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
| CN116778148A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| TW202401376A (zh) | 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體 | |
| CN114723652A (zh) | 细胞密度确定方法、装置、电子设备及存储介质 | |
| CN111062388B (zh) | 基于深度学习的广告文字的识别方法、系统、介质及设备 | |
| JP2021089711A (ja) | 動画ブレの検出方法及び装置 | |
| TWI769661B (zh) | 圖像異常檢測方法、裝置、電腦裝置及儲存介質 | |
| CN113505861B (zh) | 基于元学习和记忆网络的图像分类方法及系统 | |
| TW202232380A (zh) | 圖像瑕疵檢測方法、電子設備及存儲介質 | |
| TWI792134B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
| CN117333417A (zh) | 产品瑕疵检测方法、电子设备及存储介质 | |
| TW202401375A (zh) | 瑕疵檢測方法、電子設備及電腦可讀存儲媒體 | |
| TWI755212B (zh) | 模型輸入尺寸確定方法及相關設備 | |
| CN114663336A (zh) | 模型输入尺寸确定方法及相关设备 | |
| TWI807854B (zh) | 瑕疵偵測方法、電腦設備及儲存介質 | |
| TW202349346A (zh) | 多尺度自編碼器生成方法、電腦設備及儲存介質 |