TWI769633B - 圖像瑕疵檢測方法、裝置、電腦裝置及介質 - Google Patents
圖像瑕疵檢測方法、裝置、電腦裝置及介質 Download PDFInfo
- Publication number
- TWI769633B TWI769633B TW109145520A TW109145520A TWI769633B TW I769633 B TWI769633 B TW I769633B TW 109145520 A TW109145520 A TW 109145520A TW 109145520 A TW109145520 A TW 109145520A TW I769633 B TWI769633 B TW I769633B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- size
- detected
- total error
- images
- Prior art date
Links
Images
Abstract
本申請涉及圖像分析技術，本申請提供一種圖像瑕疵檢測方法、裝置、電腦裝置及介質。該方法能夠將待檢測圖像轉換為多個不同預設尺寸的尺寸圖像，利用預先構建的編碼器對多個尺寸圖像進行特徵提取，得到多個潛向量，將多個潛向量輸入至與編碼器對應的解碼器中，得到多個重構圖像，將多個潛向量輸入至預先訓練的高斯混合模型中，得到估測概率，將每個重構圖像與每個尺寸圖像進行比較，得到計算誤差，根據每個估測概率及每個計算誤差確定總誤差，根據每個總誤差及與每個總誤差對應的預設閾值確定檢測結果，本申請提高瑕疵檢測的準確度。
Description
本申請涉及圖像分析技術領域，尤其涉及一種圖像瑕疵檢測方法、裝置、電腦裝置及介質。
在工業檢測領域中，對於產品圖像的破損、擦傷等缺陷的檢測，能夠確保產品的高品質。由於瑕疵存在不同尺度的變化，為此，目前的圖像瑕疵檢測方法無法涵蓋各種尺度的瑕疵種類變化，從而降低瑕疵檢測的準確度。
鑒於以上內容，有必要提供一種圖像瑕疵檢測方法、裝置、電腦裝置及介質，能夠提高瑕疵檢測的準確度。
本申請的第一方面提供一種圖像瑕疵檢測方法，所述圖像瑕疵檢測方法包括：當接收到圖像瑕疵檢測請求時，從所述圖像瑕疵檢測請求中提取待檢測圖像；將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像；利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量；
將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率；將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差；根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果。
本申請的第二方面提供一種圖像瑕疵檢測裝置，所述圖像瑕疵檢測裝置包括：提取單元，用於當接收到圖像瑕疵檢測請求時，從所述圖像瑕疵檢測請求中提取待檢測圖像；轉換單元，用於將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像；所述提取單元，還用於利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量；輸入單元，用於將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率；比較單元，用於將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差；確定單元，用於根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果。
本申請的第三方面提供一種電腦裝置，所述電腦裝置包括：儲存器，儲存至少一個指令；及
處理器，獲取所述儲存器中儲存的指令以實現所述圖像瑕疵檢測方法。
本申請的第四方面提供一種電腦可讀儲存介質，所述電腦可讀儲存介質中儲存有至少一個指令，所述至少一個指令被電腦裝置中的處理器獲取以實現所述圖像瑕疵檢測方法。
由以上技術方案可以看出，本申請透過對待檢測圖像進行尺寸轉換，涵蓋了各種尺度的瑕疵種類變化，能夠提高瑕疵檢測的準確度。
1:電腦裝置
12:儲存器
13:處理器
11:圖像瑕疵檢測裝置
110:提取單元
111:轉換單元
112:輸入單元
113:比較單元
114:確定單元
115:獲取單元
116:處理單元
117:劃分單元
118:訓練單元
119:測試單元
120:調整單元
121:計算單元
122:生成單元
圖1是本申請圖像瑕疵檢測方法的較佳實施例的流程圖。
圖2是本申請圖像瑕疵檢測裝置的較佳實施例的功能模組圖。
圖3是本申請實現圖像瑕疵檢測方法的較佳實施例的電腦裝置的結構示意圖。
為了使本申請的目的、技術方案和優點更加清楚，下面結合附圖和具體實施例對本申請進行詳細描述。
如圖1所示，是本申請圖像瑕疵檢測方法的較佳實施例的流程圖。根據不同的需求，該流程圖中步驟的順序可以改變，某些步驟可以省略。
所述圖像瑕疵檢測方法應用於一個或者多個電腦裝置1中，所述電腦裝置1是一種能夠按照事先設定或儲存的指令，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。
所述電腦裝置1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、智慧手機、個人數位助理(Personal Digital Assistant，PDA)、遊戲機、互動式網路電視(Internet Protocol Television，IPTV)、智慧式穿戴式設備等。
所述電腦裝置1還可以包括網路設備和/或使用者設備。其中，所述網路設備包括，但不限於單個網路服務器、多個網路服務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服務器構成的雲。
所述電腦裝置1所處的網路包括但不限於網際網路、廣域網路、都會區網路、局域網、虛擬私人網路(Virtual Private Network，VPN)等。
步驟S10，當接收到圖像瑕疵檢測請求時，從所述圖像瑕疵檢測請求中提取待檢測圖像。
在本申請的至少一個實施例中，所述圖像瑕疵檢測請求可以由用戶觸發(例如：透過預設功能按鍵進行觸發)，也可以在預設時間內自動觸發，本申請不作限制。
其中，所述預設時間可以是時間點(例如：每天早上九點)，也可以是時間段。
在本申請的至少一個實施例中，所述圖像瑕疵檢測請求中攜帶的資訊包括，但不限於：檢測物件、待檢測圖像。可以理解的是，所述待檢測圖像中包含所述檢測物件。
在本申請的至少一個實施例中，所述電腦裝置從所述圖像瑕疵檢測請求中提取待檢測圖像包括：所述電腦裝置從執行緒連接池中獲取閒置執行緒，進一步地，所述電腦裝置利用所述閒置執行緒解析所述圖像瑕疵檢測請求的方法體，得到所述圖像瑕疵檢測請求中攜帶的所有資訊，更進一步地，所述電腦裝置獲取預設標籤，並根據所述預設標籤從所述所有資訊中提取與所述預設標籤對應的資訊作為所述待檢測圖像。
其中，所述執行緒連接池中儲存多個執行緒；進一步地，所述預設標籤是指用於標識所述待檢測圖像的標籤。
透過從所述執行緒連接池中獲取閒置執行緒，能夠節省執行緒的創建時間，進而透過解析所述圖像瑕疵檢測請求的方法體，能夠縮短所述圖像瑕疵檢測請求的解析時長，進而透過預設標籤與待檢測圖像的映射關係，能夠準確確定所述待檢測圖像。
步驟S11，將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像。
在本申請的至少一個實施例中，所述多個不同預設尺寸可以包括，但不限於：32*32、64*64、128*128。
在本申請的至少一個實施例中，所述電腦裝置將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像包括：所述電腦裝置根據所述圖像瑕疵檢測請求確定所述檢測物件，所述電腦裝置從所述待檢測圖像中提取包含所述檢測物件的區域圖像，進一步地，所述電腦裝置根據所述不同預設尺寸將所述區域圖像轉換為所述多個尺寸圖像。
透過上述實施方式，能夠確保轉換後的多個尺寸圖像中包含檢測物件，另外，由於只需對包含檢測物件的區域圖像進行尺寸轉換，而無需對待檢測圖像進行尺寸轉換，減少了尺寸轉換前的圖像圖元點，能夠提高尺寸轉換效率。
具體地，所述電腦裝置可以利用開源的opencv工具將所述區域圖像轉換為具有所述不同預設尺寸的所述多個尺寸圖像。
步驟S12，利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量。
在本申請的至少一個實施例中，所述編碼器可以是自編碼器(autoencoder,AE)中的編碼器。進一步地，所述編碼器中包含多個隱層，所述多個隱層的數量可以根據應用場景任意設置。
在本申請的至少一個實施例中，所述電腦裝置利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量包括：所述電腦裝置對每個尺寸圖像進行編碼處理，得到每個尺寸圖像的特徵向量，進一步地，所述電腦裝置將每個特徵向量輸入至所述編碼器中的多個隱層進行運算，並將最後一層隱層的輸出向量確定為每個尺寸圖像對應的潛向量。
具體地，所述電腦裝置將每個特徵向量輸入至所述編碼器中的多個隱層進行運算包括：對於任意隱層，所述電腦裝置獲取所述任意隱層對應的權重矩陣及偏置值，進一步地，所述電腦裝置將每個特徵向量與所述權重矩陣進行相乘運算，得到運算結果，並將所述運算結果加上所述偏置值，得到所述任意隱層的輸出向量。
步驟S13，將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率。
在本申請的至少一個實施例中，所述解碼器可以是自編碼器(autoencoder,AE)中的解碼器。進一步地，所述解碼器中包含多個與所述編碼器中的隱層對應的運算層，所述多個運算層的數量與所述多個隱層的數量相同。
在本申請的至少一個實施例中，所述高斯混合模型(Gaussian Mixture Model，GMM)能夠利用高斯概率密度函數(正態分佈曲線)精確地量化所述多個潛向量。
在本申請的至少一個實施例中，在將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率之前，所述圖像瑕疵檢測方法還包括：所述電腦裝置獲取多個訓練圖像，進一步地，所述電腦裝置對所述多個訓練圖像進行編碼，得到多個編碼向量，並對所述多個編碼向量進行降維並歸一化處理，得到多個低維向量，更進一步地，所述電腦裝置將所述多個低維向量劃分為訓練集、測試集及驗證集，更進一步地，所述電腦裝置基於最大期望演算法，反覆運算訓練所述訓練集中的低維向量，得到學習器，更進一步地，所述電腦裝置利用所述測試集中的低維向量測試所述學習器，得到測試結果，當所述測試結果小於配置值時，所述電腦裝置利用所述驗證集中的低維向量調整所述學習器的參數，得到所述高斯混合模型。
透過上述實施方式，能夠使生成的高斯混合模型更加準確。
在本申請的至少一個實施例中，在將所述多個低維向量劃分為訓練集、測試集及驗證集之前，所述方法還包括：所述電腦裝置計算所述多個低維向量的數量，當所述數量小於預設數量時，所述電腦裝置利用資料增強演算法增加所述多個低維向量的數量。
透過上述實施方式，能夠避免由於多個低維向量的數量不足，導致訓練得到的高斯混合模型生成的估測概率的泛化能力較差。
在本申請的至少一個實施例中，所述電腦裝置將所述多個低維向量劃分為訓練集、測試集及驗證集包括：所述電腦裝置將所述多個低維向量按照預設比例隨機劃分為多個資料包，將所述多個資料包中的任意兩個資料包分別確定為所述驗證集及所述測試集，其餘的資料包確定為所述訓練集，重複上述步驟，直至所有的資料包全都依次被用作為所述驗證集。
其中，所述預設比例可以自訂設置，本申請不作限制。
透過上述實施方式，使所述多個低維向量中的每個低維向量均參與訓練及驗證，由此，提高訓練所述高斯混合模型的擬合度。
步驟S14，將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差。
在本申請的至少一個實施例中，所述電腦裝置將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差包括：對於任意重構圖像，所述電腦裝置提取所述任意重構圖像中的所有重構圖元點，並計算所述所有重構圖元點的第一數量，進一步地，所述電腦裝置提取每個尺寸圖像中的所有目標圖元點，所述電腦裝置比較每個重構圖元點與每個目標圖元點，得到比較結果，其中，將重構圖元點與目標圖元點不同的比較結果確定為目標比較結果，更進一步地，所述電腦裝置計算所述目標比較結果的第二數量，並將所述第二數量除以所述第一數量，得到每個尺寸圖像的計算誤差。
透過上述實施方式，能夠準確確定每個尺寸圖像的計算誤差。
步驟S15，根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果。
在本申請的至少一個實施例中，所述檢測結果包括所述待檢測圖像有瑕疵及所述待檢測圖像無瑕疵。
在本申請的至少一個實施例中，所述電腦裝置根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差包括：所述電腦裝置獲取與估測概率對應的第一預設權重，並獲取與計算誤差對應的第二預設權重，所述第一預設權重與所述第二預設權重之和為1，進一步地，所述電腦裝置將每個估測概率乘以所述第一預設權重，得到第一數值，並將每個計算誤差乘以所述第二預設權重，得到第二數值，更進一步地，
所述電腦裝置將每個第一數值與每個第二數值相加，得到每個尺寸圖像的總誤差。
透過上述實施方式，能夠快速確定每個尺寸圖像的總誤差。
在本申請的至少一個實施例中，所述電腦裝置根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果包括：所述電腦裝置從所述對應的預設閾值中確定最小預設閾值，當每個總誤差都小於所述最小預設閾值時，所述電腦裝置將所述檢測結果確定為所述待檢測圖像無瑕疵，或者，當任意總誤差大於或者等於所述對應的預設閾值時，所述電腦裝置將所述檢測結果確定為所述待檢測圖像有瑕疵，或者，當每個總誤差小於所述對應的預設閾值，且每個總誤差大於或者等於所述最小預設閾值時，所述電腦裝置將所述檢測結果確定為所述待檢測圖像有瑕疵。
在本申請的至少一個實施例中，當所述待檢測圖像有瑕疵時，所述電腦裝置根據所述待檢測圖像生成提醒資訊，並將所述提醒資訊發送至指定連絡人的終端設備中。
由以上技術方案可以看出，本申請透過對待檢測圖像進行尺寸轉換，涵蓋了各種尺度的瑕疵種類變化，能夠提高瑕疵檢測的準確度。
如圖2所示，是本申請圖像瑕疵檢測裝置的較佳實施例的功能模組圖。所述圖像瑕疵檢測裝置11包括提取單元110、轉換單元111、輸入單元112、比較單元113、確定單元114、獲取單元115、處理單元116、劃分單元117、訓練單元118、測試單元119、調整單元120、計算單元121及生成單元122。本申請所稱的模組/單元是指一種能夠被處理器13所獲取，並且能夠完成固定功能的一系列電腦程式段，其儲存在儲存器12中。在本實施例中，關於各模組/單元的功能將在後續的實施例中詳述。
當接收到圖像瑕疵檢測請求時，提取單元110從所述圖像瑕疵檢測請求中提取待檢測圖像。
在本申請的至少一個實施例中，所述圖像瑕疵檢測請求可以由用戶觸發(例如：透過預設功能按鍵進行觸發)，也可以在預設時間內自動觸發，本申請不作限制。
其中，所述預設時間可以是時間點(例如：每天早上九點)，也可以是時間段。
在本申請的至少一個實施例中，所述圖像瑕疵檢測請求中攜帶的資訊包括，但不限於：檢測物件、待檢測圖像。可以理解的是，所述待檢測圖像中包含所述檢測物件。
在本申請的至少一個實施例中，所述提取單元110從所述圖像瑕疵檢測請求中提取待檢測圖像包括：所述提取單元110從執行緒連接池中獲取閒置執行緒，進一步地，所述提取單元110利用所述閒置執行緒解析所述圖像瑕疵檢測請求的方法體，得到所述圖像瑕疵檢測請求中攜帶的所有資訊，更進一步地，所述提取單元110獲取預設標籤，並根據所述預設標籤從所述所有資訊中提取與所述預設標籤對應的資訊作為所述待檢測圖像。
其中，所述執行緒連接池中儲存多個執行緒；進一步地，所述預設標籤是指用於標識所述待檢測圖像的標籤。
透過從所述執行緒連接池中獲取閒置執行緒，能夠節省執行緒的創建時間，進而透過解析所述圖像瑕疵檢測請求的方法體，能夠縮短所述圖像瑕疵檢測請求的解析時長，進而透過預設標籤與待檢測圖像的映射關係，能夠準確確定所述待檢測圖像。
轉換單元111將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像。
在本申請的至少一個實施例中，所述多個不同預設尺寸可以包括，但不限於：32*32、64*64、128*128。
在本申請的至少一個實施例中，所述轉換單元111將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像包括：所述轉換單元111根據所述圖像瑕疵檢測請求確定所述檢測物件，所述轉換單元111從所述待檢測圖像中提取包含所述檢測物件的區域圖像，進一步地，所述轉換單元111根據所述不同預設尺寸將所述區域圖像轉換為所述多個尺寸圖像。
透過上述實施方式，能夠確保轉換後的多個尺寸圖像中包含檢測物件，另外，由於只需對包含檢測物件的區域圖像進行尺寸轉換，而無需對待檢測圖像進行尺寸轉換，減少了尺寸轉換前的圖像圖元點，能夠提高尺寸轉換效率。
具體地，所述轉換單元111可以利用開源的opencv工具將所述區域圖像轉換為具有所述不同預設尺寸的所述多個尺寸圖像。
所述提取單元110利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量。
在本申請的至少一個實施例中，所述編碼器可以是自編碼器(autoencoder,AE)中的編碼器。進一步地，所述編碼器中包含多個隱層，所述多個隱層的數量可以根據應用場景任意設置。
在本申請的至少一個實施例中，所述提取單元110利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量包括：所述提取單元110對每個尺寸圖像進行編碼處理，得到每個尺寸圖像的特徵向量，進一步地，所述提取單元110將每個特徵向量輸入至所述編碼器中的多個隱層進行運算，並將最後一層隱層的輸出向量確定為每個尺寸圖像對應的潛向量。
具體地，所述提取單元110將每個特徵向量輸入至所述編碼器中的多個隱層進行運算包括：
對於任意隱層，所述提取單元110獲取所述任意隱層對應的權重矩陣及偏置值，進一步地，所述提取單元110將每個特徵向量與所述權重矩陣進行相乘運算，得到運算結果，並將所述運算結果加上所述偏置值，得到所述任意隱層的輸出向量。
輸入單元112將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率。
在本申請的至少一個實施例中，所述解碼器可以是自編碼器(autoencoder,AE)中的解碼器。進一步地，所述解碼器中包含多個與所述編碼器中的隱層對應的運算層，所述多個運算層的數量與所述多個隱層的數量相同。
在本申請的至少一個實施例中，所述高斯混合模型(Gaussian Mixture Model，GMM)能夠利用高斯概率密度函數(正態分佈曲線)精確地量化所述多個潛向量。
在本申請的至少一個實施例中，在將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率之前，獲取單元115獲取多個訓練圖像，進一步地，處理單元116對所述多個訓練圖像進行編碼，得到多個編碼向量，並對所述多個編碼向量進行降維並歸一化處理，得到多個低維向量，更進一步地，劃分單元117將所述多個低維向量劃分為訓練集、測試集及驗證集，更進一步地，訓練單元118基於最大期望演算法，反覆運算訓練所述訓練集中的低維向量，得到學習器，更進一步地，測試單元119利用所述測試集中的低維向量測試所述學習器，得到測試結果，當所述測試結果小於配置值時，調整單元120利用所述驗證集中的低維向量調整所述學習器的參數，得到所述高斯混合模型。
透過上述實施方式，能夠使生成的高斯混合模型更加準確。
在本申請的至少一個實施例中，在將所述多個低維向量劃分為訓練集、測試集及驗證集之前，計算單元121計算所述多個低維向量的數量，當所述數量小於預設數量時，所述計算單元121利用資料增強演算法增加所述多個低維向量的數量。
透過上述實施方式，能夠避免由於多個低維向量的數量不足，導致訓練得到的高斯混合模型生成的估測概率的泛化能力較差。
在本申請的至少一個實施例中，所述劃分單元117將所述多個低維向量劃分為訓練集、測試集及驗證集包括：所述劃分單元117將所述多個低維向量按照預設比例隨機劃分為多個資料包，進一步地，所述劃分單元117將所述多個資料包中的任意兩個資料包分別確定為所述驗證集及所述測試集，其餘的資料包確定為所述訓練集，重複上述步驟，直至所有的資料包全都依次被用作為所述驗證集。
其中，所述預設比例可以自訂設置，本申請不作限制。
透過上述實施方式，使所述多個低維向量中的每個低維向量均參與訓練及驗證，由此，提高訓練所述高斯混合模型的擬合度。
比較單元113將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差。
在本申請的至少一個實施例中，所述比較單元113將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差包括：對於任意重構圖像，所述比較單元113提取所述任意重構圖像中的所有重構圖元點，並計算所述所有重構圖元點的第一數量，進一步地，所述比較單元113提取每個尺寸圖像中的所有目標圖元點，所述比較單元113比較每個重構圖元點與每個目標圖元點，得到比較結果，其中，將重構圖元點與目標圖元點不同的比較結果確定為目標比較結果，更進一步地，所述目標比較單元113計算的第二數量，並將所述第二數量除以所述第一數量，得到每個尺寸圖像的計算誤差。
透過上述實施方式，能夠準確確定每個尺寸圖像的計算誤差。
確定單元114根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果。
在本申請的至少一個實施例中，所述檢測結果包括所述待檢測圖像有瑕疵及所述待檢測圖像無瑕疵。
在本申請的至少一個實施例中，所述確定單元114根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差包括：所述確定單元114獲取與估測概率對應的第一預設權重，並獲取與計算誤差對應的第二預設權重，所述第一預設權重與所述第二預設權重之和為1，進一步地，所述確定單元114將每個估測概率乘以所述第一預設權重，得到第一數值，並將每個計算誤差乘以所述第二預設權重，得到第二數值，更進一步地，所述確定單元114將每個第一數值與每個第二數值相加，得到每個尺寸圖像的總誤差。
透過上述實施方式，能夠快速確定每個尺寸圖像的總誤差。
在本申請的至少一個實施例中，所述確定單元114根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果包括：所述確定單元114從所述對應的預設閾值中確定最小預設閾值，當每個總誤差都小於所述最小預設閾值時，所述確定單元114將所述檢測結果確定為所述待檢測圖像無瑕疵，或者，當任意總誤差大於或者等於所述對應的預設閾值時，所述確定單元114將所述檢測結果確定為所述待檢測圖像有瑕疵，或者，當每個總誤差小於所述對應的預設閾值，且每個總誤差大於或者等於所述最小預設閾值時，所述確定單元114將所述檢測結果確定為所述待檢測圖像有瑕疵。
在本申請的至少一個實施例中，當所述待檢測圖像有瑕疵時，生成單元122根據所述待檢測圖像生成提醒資訊，並將所述提醒資訊發送至指定連絡人的終端設備中。
由以上技術方案可以看出，本申請透過對待檢測圖像進行尺寸轉換，涵蓋了各種尺度的瑕疵種類變化，能夠提高瑕疵檢測的準確度。
如圖3所示，是本申請實現圖像瑕疵檢測方法的較佳實施例的電腦裝置的結構示意圖。
在本申請的一個實施例中，所述電腦裝置1包括，但不限於，儲存器12、處理器13，以及儲存在所述儲存器12中並可在所述處理器13上運行的電腦程式，例如圖像瑕疵檢測程式。
本領域技術人員可以理解，所述示意圖僅僅是電腦裝置1的示例，並不構成對電腦裝置1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，例如所述電腦裝置1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13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該處理器也可以是任何常規的處理器等，所述處理器13是所述電腦裝置1的運算核心和控制中心，利用各種介面和線路連接整個電腦裝置1的各個部分，及獲取所述電腦裝置1的作業系統以及安裝的各類應用程式、程式碼等。
所述處理器13獲取所述電腦裝置1的作業系統以及安裝的各類應用程式。所述處理器13獲取所述應用程式以實現上述各個圖像瑕疵檢測方法實施例中的步驟，例如圖1所示的步驟。
示例性的，所述電腦程式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/單元被儲存在所述儲存器12中，並由所述處理器13獲取，以完成本申請。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，該指令段用於描述所述電腦程式在所述電腦裝置1中的獲取過程。例如，所述電腦程式可以被分割成提取單元110、轉換單元111、輸入單元112、比較單元113、確定單元114、獲取單元115、處理單元116、劃分單元117、訓練單元118、測試單元119、調整單元120、計算單元121及生成單元122。
所述儲存器12可用於儲存所述電腦程式和/或模組，所述處理器13透過運行或獲取儲存在所述儲存器12內的電腦程式和/或模組，以及調用儲存在儲存器12內的資料，實現所述電腦裝置1的各種功能。所述儲存器12可主要包括儲存程式區和儲存資料區，其中，儲存程式區可儲存作業系統、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；儲存資料區可儲存根據電腦裝置的使用所創建的資料等。此外，儲存器12可以包括非易失性儲存器，例如硬碟、儲存器、插接式硬碟，智慧儲存卡(Smart Media Card,SMC)，安全數位(Secure Digital,SD)卡，快閃儲存器卡(Flash Card)、至少一個磁碟儲存器件、快閃儲存器器件、或其他非易失性固態儲存器件。
所述儲存器12可以是電腦裝置1的外部儲存器和/或內部儲存器。進一步地，所述儲存器12可以是具有實物形式的儲存器，如儲存器條、TF卡(Trans-flash Card)等等。
所述電腦裝置1集成的模組/單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以儲存在一個電腦可讀取儲存介質中。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，所述的電腦程式可儲存於一電腦可讀儲存介質中，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為原始程式碼形式、物件代碼形式、可獲取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、U盤、移動硬碟、磁碟、光碟、電腦儲存器、唯讀儲存器(ROM，Read-Only Memory)。
結合圖1，所述電腦裝置1中的所述儲存器12儲存多個指令以實現一種圖像瑕疵檢測方法，所述處理器13可獲取所述多個指令從而實現：當接收到圖像瑕疵檢測請求時，從所述圖像瑕疵檢測請求中提取待檢測圖像；將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像；利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量；將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率；將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差；根據每個估測概率及與每個總誤差每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及對應的預設閾值確定所述待檢測圖像的檢測結果。
具體地，所述處理器13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，所揭露的系統，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。
所述作為分離部件說明的模組可以是或者也可以不是物理上分開的，作為模組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，或者也可以分佈到多個網路單元上。可以根據實際的需要選擇其中的部分或者全部模組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組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體功能模組的形式實現。
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為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。系統請求項中陳述的多個單元或裝置也可以由一個單元或裝置透過軟體或者硬體來實現。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。
Claims (9)
- 一種圖像瑕疵檢測方法，其中，所述圖像瑕疵檢測方法包括：當接收到圖像瑕疵檢測請求時，從所述圖像瑕疵檢測請求中提取待檢測圖像；將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像；利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量；將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率，所述解碼器中包含多個與所述編碼器中的隱層對應的運算層，所述多個運算層的數量與所述多個隱層的數量相同；將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差；根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果，包括：從所述對應的預設閾值中確定最小預設閾值；當每個總誤差都小於所述最小預設閾值時，將所述檢測結果確定為所述待檢測圖像無瑕疵；或者，當任意總誤差大於或者等於所述對應的預設閾值時，將所述檢測結果確定為所述待檢測圖像有瑕疵；或者，當每個總誤差小於所述對應的預設閾值，且每個總誤差大於或者等於所述最小預設閾值時，將所述檢測結果確定為所述待檢測圖像有瑕疵。
- 如請求項1所述的圖像瑕疵檢測方法，其中，所述從所述圖像瑕疵檢測請求中提取待檢測圖像包括：從執行緒連接池中獲取閒置執行緒；利用所述閒置執行緒解析所述圖像瑕疵檢測請求的方法體，得到所述圖像瑕疵檢測請求中攜帶的所有資訊； 獲取預設標籤，並根據所述預設標籤從所述所有資訊中提取與所述預設標籤對應的資訊作為所述待檢測圖像。
- 如請求項1所述的圖像瑕疵檢測方法，其中，所述將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像包括：根據所述圖像瑕疵檢測請求確定檢測物件；從所述待檢測圖像中提取包含所述檢測物件的區域圖像；根據所述不同預設尺寸將所述區域圖像轉換為所述多個尺寸圖像。
- 如請求項1所述的圖像瑕疵檢測方法，其中，所述利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量包括：對每個尺寸圖像進行編碼處理，得到每個尺寸圖像的特徵向量；將每個特徵向量輸入至所述編碼器中的多個隱層進行運算，並將最後一層隱層的輸出向量確定為每個尺寸圖像對應的潛向量。
- 如請求項1所述的圖像瑕疵檢測方法，其中，在將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率之前，所述圖像瑕疵檢測方法還包括：獲取多個訓練圖像；對所述多個訓練圖像進行編碼，得到多個編碼向量，並對所述多個編碼向量進行降維並歸一化處理，得到多個低維向量；將所述多個低維向量劃分為訓練集、測試集及驗證集；基於最大期望演算法，反覆運算訓練所述訓練集中的低維向量，得到學習器；利用所述測試集中的低維向量測試所述學習器，得到測試結果；當所述測試結果小於配置值時，利用所述驗證集中的低維向量調整所述學習器的參數，得到所述高斯混合模型。
- 如請求項1所述的圖像瑕疵檢測方法，其中，所述將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差包括： 對於任意重構圖像，提取所述任意重構圖像中的所有重構圖元點，並計算所述所有重構圖元點的第一數量；提取每個尺寸圖像中的所有目標圖元點；比較每個重構圖元點與每個目標圖元點，得到比較結果，其中，將重構圖元點與目標圖元點不同的比較結果確定為目標比較結果；計算所述目標比較結果的第二數量，並將所述第二數量除以所述第一數量，得到每個尺寸圖像的計算誤差。
- 一種圖像瑕疵檢測裝置，其中，所述圖像瑕疵檢測裝置包括：提取單元，用於當接收到圖像瑕疵檢測請求時，從所述圖像瑕疵檢測請求中提取待檢測圖像；轉換單元，用於將所述待檢測圖像轉換為多個不同預設尺寸的尺寸圖像；所述提取單元，還用於利用預先構建的編碼器對所述多個尺寸圖像進行特徵提取，得到多個潛向量；輸入單元，用於將所述多個潛向量輸入至與所述編碼器對應的解碼器中，得到多個重構圖像，及將所述多個潛向量輸入至預先訓練的高斯混合模型中，得到每個尺寸圖像對應的估測概率，所述解碼器中包含多個與所述編碼器中的隱層對應的運算層，所述多個運算層的數量與所述多個隱層的數量相同；比較單元，用於將每個重構圖像與每個尺寸圖像進行比較，得到每個尺寸圖像的計算誤差；確定單元，用於根據每個估測概率及每個計算誤差確定每個尺寸圖像的總誤差，並根據每個總誤差及與每個總誤差對應的預設閾值確定所述待檢測圖像的檢測結果，包括：從所述對應的預設閾值中確定最小預設閾值；當每個總誤差都小於所述最小預設閾值時，將所述檢測結果確定為所述待檢測圖像無瑕疵；或者，當任意總誤差大於或者等於所述對應的預設閾值時，將所述檢測結果確定為所述待檢測圖像有瑕疵；或者，當每個總誤差小於所述對應的預設閾值， 且每個總誤差大於或者等於所述最小預設閾值時，將所述檢測結果確定為所述待檢測圖像有瑕疵。
- 一種電腦裝置，其中，所述電腦裝置包括：儲存器，儲存至少一個指令；及處理器，獲取所述儲存器中儲存的指令以實現如請求項1至6中任意一項所述的圖像瑕疵檢測方法。
- 一種電腦可讀儲存介質，其中：所述電腦可讀儲存介質中儲存有至少一個指令，所述至少一個指令被電腦裝置中的處理器獲取以實現如請求項1至6中任意一項所述的圖像瑕疵檢測方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109145520A TWI769633B (zh) | 2020-12-22 | 2020-12-22 | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW109145520A TWI769633B (zh) | 2020-12-22 | 2020-12-22 | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI769633B true TWI769633B (zh) | 2022-07-01 |
| TW202226150A TW202226150A (zh) | 2022-07-01 |
Family
ID=83436778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW109145520A TWI769633B (zh) | 2020-12-22 | 2020-12-22 | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI769633B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201727518A (zh) * | 2016-01-25 | 2017-08-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN111507974A (zh) * | 2020-04-22 | 2020-08-07 | 广州柔视智能科技有限公司 | 缺陷检测方法、装置、缺陷检测设备及计算机存储介质 |
| CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
-
2020
- 2020-12-22 TW TW109145520A patent/TWI769633B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201727518A (zh) * | 2016-01-25 | 2017-08-01 | 敖翔科技股份有限公司 | 智慧型缺陷分類採樣方法、系統與電腦可讀取儲存媒體 |
| US20200175352A1 (en) * | 2017-03-14 | 2020-06-04 | University Of Manitoba | Structure defect detection using machine learning algorithms |
| CN111507974A (zh) * | 2020-04-22 | 2020-08-07 | 广州柔视智能科技有限公司 | 缺陷检测方法、装置、缺陷检测设备及计算机存储介质 |
| CN111833306A (zh) * | 2020-06-12 | 2020-10-27 | 北京百度网讯科技有限公司 | 缺陷检测方法和用于缺陷检测的模型训练方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202226150A (zh) | 2022-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114663335A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
| CN110147745B (zh) | 一种视频关键帧检测方法及装置 | |
| US20220207707A1 (en) | Image defect detection method, electronic device using the same | |
| US20220189008A1 (en) | Method for detecting data defects and computing device utilizing method | |
| WO2023050650A1 (zh) | 动画视频生成方法、装置、设备及存储介质 | |
| US20230214989A1 (en) | Defect detection method, electronic device and readable storage medium | |
| WO2022134418A1 (zh) | 视频识别方法及相关设备 | |
| CN114764774A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
| CN108648135B (zh) | 隐藏模型训练及使用方法、装置和计算机可读存储介质 | |
| CN113536770B (zh) | 基于人工智能的文本解析方法、装置、设备及存储介质 | |
| TWI769633B (zh) | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 | |
| TWI769603B (zh) | 影像處理方法及存儲介質 | |
| CN111753729B (zh) | 一种假脸检测方法、装置、电子设备及存储介质 | |
| TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
| US20220198633A1 (en) | Defect detection method, electronic device and storage medium | |
| TWI755213B (zh) | 瑕疵檢測方法、裝置、電腦裝置及儲存介質 | |
| CN115037790B (zh) | 异常注册识别方法、装置、设备及存储介质 | |
| TWI755212B (zh) | 模型輸入尺寸確定方法及相關設備 | |
| TWI765475B (zh) | 圖像瑕疵檢測方法、裝置、電腦裝置及介質 | |
| TWI807854B (zh) | 瑕疵偵測方法、電腦設備及儲存介質 | |
| TWI762193B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
| TWI778519B (zh) | 瑕疵圖像生成方法、裝置、電子設備及存儲介質 | |
| US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
| US20230306740A1 (en) | Audio/video (a/v) functionality verification | |
| TW202232380A (zh) | 圖像瑕疵檢測方法、電子設備及存儲介質 |