TWI797857B - 異常圖像檢測方法、系統、終端設備及存儲介質 - Google Patents
異常圖像檢測方法、系統、終端設備及存儲介質 Download PDFInfo
- Publication number
- TWI797857B TWI797857B TW110144659A TW110144659A TWI797857B TW I797857 B TWI797857 B TW I797857B TW 110144659 A TW110144659 A TW 110144659A TW 110144659 A TW110144659 A TW 110144659A TW I797857 B TWI797857 B TW I797857B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- generated
- training
- same
- ratio
- Prior art date
Links
Images
Landscapes
- Processing Or Creating Images (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
- Closed-Circuit Television Systems (AREA)
Abstract
一種異常圖像檢測方法,包括:根據多個訓練圖像訓練生成對抗網路,訓練圖像為正常圖像,生成對抗網路用於生成與輸入之圖像相似之生成圖像,並確定生成圖像與輸入之圖像之相同比例,於訓練生成對抗網路時基於確定之相同比例調節生成對抗網路之生成參數或辨別參數;獲取多個測試圖像,包括正常圖像與異常圖像;根據生成對抗網路,確定測試圖像及與測試圖像對應之生成圖像之相同比例是否大於預設之比例閾值;若是,則確定測試圖像為正常圖像;若否,則確定測試圖像為異常圖像。本申請還提供一種異常圖像檢測系統、終端設備和存儲介質。
Description
本申請涉及圖像檢測領域,更具體地涉及一種異常圖像檢測方法、系統、終端設備及存儲介質。
目前製造業中,資料分析係說明生產製造流程不斷優化之重要手段,異常檢測係資料分析方法中用於對異常資料進行檢測,進而說明工作人員找出作業中出現之異常情況之方法,圖像資料即為一種可進行異常資料分析之資料類型。
習知之異常檢測方法之實現需要預先建立檢測模型,檢測模型之搭建需要大量之正常資料與異常資料,但由於異常資料產生之數量十分稀少,因此獲取異常資料比正常資料更加困難,導致習知之異常檢測方法實現難度較大。
鑒於以上內容,有必要提供一種常圖像檢測方法、系統、終端設備及存儲介質,檢測模型不需要藉由異常資料進行搭建,降低了異常檢測實現之難度。
第一方面,本申請之實施例提供一種異常圖像檢測方法,包括:根據多個訓練圖像訓練生成對抗網路,所述訓練圖像為正常圖像,所述生成對抗網路用於生成與輸入之圖像相似之生成圖像,並確定所述生成圖像與輸入之圖像之相同比例,於訓練所述生成對抗網路時基於確定之相同比例調節所述生成對抗網路之生成參數或辨別參數;獲取多個測試圖像,多個所述測試圖像包括正常圖像與異常圖像;根據完成訓練之所述生成對抗網路,確定所述測試圖像及與所述測試圖像對應之所述生成圖像之相同比例是否大於預設之比例閾值;若是,則確定所述測試圖像為正常圖像;若否,則確定所述測試圖像為異常圖像。
可選地,所述根據多個所述訓練圖像訓練生成對抗網路包括:提取所述訓練圖像之第一圖像特徵;根據所述第一圖像特徵生成所述生成圖像;提取所述生成圖像之第二圖像特徵;確定所述第一圖像特徵與所述第二圖像特徵之相同比例並生成第一辨別資訊;根據所述第一辨別資訊調整所述生成參數或所述辨別參數。
可選地,所述根據所述第一圖像特徵生成所述生成圖像包括:根據所述第一圖像特徵生成第一圖像資料;對所述第一圖像資料解碼並生成所述生成圖像。
可選地,所述確定所述第一圖像特徵與所述第二圖像特徵之相同比例並生成第一辨別資訊包括:根據所述第二圖像特徵生成第二圖像資料;確定所述第一圖像資料與所述第二圖像資料之相同比例並生成第一辨別資訊。
可選地,所述根據所述第一辨別資訊調整生成參數或辨別參數包括:根據所述第一辨別資訊確定所述生成圖像與所述訓練圖像之相同比例是否大於預設之比例閾值並輸出所述對比結果資訊;根據所述對比結果資訊調整所述生成參數或所述辨別參數。
可選地,所述根據完成訓練之所述生成對抗網路,確定所述測試圖像及與所述測試圖像對應之所述生成圖像之相同比例是否大於預設之比例閾值包括:提取所述測試圖像中之第三圖像特徵;根據所述第三圖像特徵生成所述生成圖像;提取所述生成圖像之所述第二圖像特徵;確定所述第三圖像特徵與所述第二圖像特徵之相同比例並生成第二辨別資訊;根據所述第二辨別資訊確定所述測試圖像與所述生成圖像之相同比例是否大於預設之比例閾值。
可選地,所述根據所述第三圖像特徵生成所述生成圖像包括:根據所述第三圖像特徵生成第三圖像資訊;對所述第三圖像資料進行解碼並生成所述生成圖像。
可選地,所述確定所述第三圖像特徵與所述第二圖像特徵之相同比例並生成第二辨別資訊包括:根據所述第三圖像特徵生成第三圖像資料;確定所述第三圖像資料與所述第二圖像資料之相同比例並生成第二辨別資訊。
可選地,所述確定所述第一圖像資料與所述第二圖像資料之相同比例並生成第一辨別資訊包括:確定所述第一圖像資料與所述第二圖像資料中相同資料之佔比比例;當相同資料佔比例達到第一比例時,輸出純黑色圖像;當相同資料佔比例為第二比例時,輸出純白色圖像;所述確定所述第三圖像資料與所述第二圖像資料之相同比例並生成第二辨別資訊包括:當相同資料佔比例大於所述第二比例而小於所述第一比例時,輸出灰色圖像,所述灰色圖像之色彩深度與相同資料之佔比比例呈正比例關係。
可選地,確定所述第三圖像資料與所述第二圖像資料中相同資料之佔比比例;當相同資料佔比例達到第一比例時,輸出純黑色圖像;當相同資料佔比例為第二比例時,輸出純白色圖像;當相同資料佔比例大於所述第二比例而小於所述第一比例時,輸出灰色圖像,所述灰色圖像之色彩深度與相同資料之佔比比例呈正比例關係。
第二方面,一種異常圖像檢測系統,用於實現上述任一項所述之異常圖像檢測方法,包括:第一自編碼器,用於接收所述訓練圖像與所述測試圖像,生成與所述訓練圖像與所述測試圖像相似之所述生成圖像;第二自編碼器,用於接收所述生成圖像、所述訓練圖像與所述測試圖像,用於確定所述生成圖像與所述訓練圖像之間之相同比例,還用於確定所述生成圖像與所述測試圖像之間之相同比例。
第三方面,本申請之實施例提供一種終端設備,包括:記憶體,用於存儲電腦程式;處理器,用於執行所述記憶體存儲之所述電腦程式,當所述電腦程式被執行時,所述處理器用於執行如上述任一項所述之異常圖像檢測方法,圖像採集設備,用於採集所述訓練圖像與所述測試圖像。
第四方面,本申請之實施例提供一種存儲介質,所述存儲介質包括電腦指令,當所述電腦指令於終端設備上運行時,使得終端設備執行如上述任一項所述之異常圖像檢測方法。
本申請實現方式提供之異常圖像檢測方法、系統、終端設備及存儲介質,藉由以第一自編碼器與第二自編碼器組成之生成對抗網路作為異常檢測之檢測模型,僅需正常圖像作為訓練材料即可完成生成對抗網路之訓練,完成異常檢測之檢測模型之搭建,降低了異常檢測實現之難度。
100:異常圖像檢測系統
200:終端設備
10:第一自編碼器
20:第二自編碼器
11:第一編碼模組
12:第一隱藏空間
13:第一解碼模組
21:第二編碼模組
22:第二隱藏空間
23:第二解碼模組
30:判定模組
40:處理器
50:記憶體
60:圖像採集設備
S11~S14:步驟
S21~S28:步驟
S31~S39:步驟
圖1為本申請實施例中異常圖像檢測方法之流程圖。
圖2為本申請實施例中異常圖像檢測方法之另一流程圖。
圖3為本申請實施例中異常圖像檢測方法之另一流程圖。
圖4為本申請實施例中異常圖像檢測系統之示意圖。
圖5為本申請實施例中終端設備之示意圖。
下面將結合本申請實現方式中之附圖,對本申請實現方式中之技術方案進行清楚、完整地描述,顯然,所描述之實現方式僅為本申請一部分實現方式,而不係全部之實現方式。
於一些可能之場景中,於自動化之生產流水線上,需對生產流水線產出之每個產品進行圖像獲取與檢測,從而確定生產之產品外觀是否與設計外觀相同,若檢測到與設計外觀不同之產品,即視為不良產品。以上檢測方法為一種異常檢測方法。
於該場景中,異常檢測方法需要藉由搭建一個檢測模型,檢測模型之搭建需要大量之正常圖像與異常圖像,即正常產品之圖像與不良產品之圖像。但由於目前之出現不良產品之概率較低,導致異常圖像之獲取難度較大,進而導致了檢測模型之完整搭建與異常檢測方法之實現難度較大。
為應對上述情況,本申請之實施例提供一種異常圖像檢測方法,該方法之實現不需要大量異常圖像作為前期準備,降低了對產品中不良品檢測之難度。
請參閱圖1,圖1為本申請之一個實施例提供之異常圖像檢測方法之流程圖。
本實施例之異常圖像檢測方法可包括以下步驟:
步驟S11:獲取多個訓練圖像,多個所述訓練圖像為正常圖像。
可理解,獲取之訓練圖像可以為需要進行異常檢測之某一產品之外觀圖像,例如可以為某塑膠殼體產品之外觀圖像,當產品於外觀上符合預先設計且產品上無劃痕、裂口等瑕疵時,該產品之外觀圖像為正常圖像;當產品於外觀上存在劃痕、裂口、凹陷等瑕疵時,該產品之外觀圖像為異常圖像。
可理解,獲取之所述訓練圖像可以為藉由可實現圖像採集之設備所採集之圖像,具體之設備包括但不局限於攝像機、監控攝像頭等。
步驟S12:藉由多個所述訓練圖像訓練生成對抗網路(Generative Adversarial Networks,GAN)。
可理解,所述生成對抗網路係一種可進行無監督學習之深度學習模型,所述生成對抗網路可先生成與所述訓練圖像相似之生成圖像,再對所述生成圖像與所述訓練圖像之相同比例進行確定。
本申請之實施例中,所述訓練圖像可以為一個產品之外觀圖像,所述生成圖像亦可以為一個產品之外觀圖像,所述生成圖像中之產品於輪廓、形狀等外觀特徵上與所述訓練圖像中之產品相似。
於本申請之實施例中,基於所述生成對抗網路可自身可進行無監督學習之特性,可先對所述生成對抗網路進行訓練,提高所述生成對抗網路辨別所述生成圖像與所述訓練圖像之能力,以及生成與所述訓練圖像相似之所述生成圖像之能力,待所述生成對抗網路完成訓練後,所述生成對抗網路可作為測試模型實現對產品之異常檢測。
於本申請之實施例中,對所述生成對抗網路之生成所述生成圖像與確定所述生成圖像、所述訓練圖像相同比例之能力進行之訓練需要依次進行。
參閱圖2,於一個實施例中,訓練所述生成對抗網路之方法具體可包括:
步驟S21:提取所述訓練圖像之第一圖像特徵。
舉例說明,所述訓練圖像可以為一個產品之外觀圖像,所述第一圖像特徵可以為產品上重要之外觀特徵,具體之外觀特徵包括但不局限於產品之輪廓、產品之形狀、產品表面之開孔、產品表面之凹槽等。
可理解,為生成與所述訓練圖像相同比例高之生成圖像,可提取多個所述第一圖像特徵作為後續生成所述生成圖像之依據。
步驟S22:根據所述第一圖像特徵生成第一圖像資料。
可理解,對一個所述訓練圖像提取多個所述第一圖像特徵時,生成多個所述第一圖像資料,多個所述第一圖像資料與多個所述第一圖像特徵一一對應。
步驟S23:對所述第一圖像資料進行解碼,生成所述生成圖像。
可理解,對所述第一圖像資料進行解碼後可將與所述第一圖像資料對應之所述第一圖像特徵呈現今所述生成圖像上,進而將所述訓練圖像中之產品之重要外觀特徵重現今所述生成圖像上,使所述生成圖像與所述訓練圖像相似。
舉例說明,所述訓練圖像可以為一個產品之外觀圖像,所述生成圖像可以為同一個產品之外觀圖像,所述生成圖像中之產品之輪廓、形狀、表面之開孔、表面之凹槽等具體特徵與所述訓練圖像中之產品相似。
可理解,對於多個所述訓練圖像,對應有多個所述生成圖像。
步驟S24:提取所述生成圖像之第二圖像特徵與所述訓練圖像之所述第一圖像特徵。
可理解,所述生成圖像可以為產品之外觀圖像,所述第二圖像特徵可以為產品上重要之外觀特徵,具體之外觀特徵包括但不局限於產品之輪廓、產品之形狀、產品表面之開孔、產品表面之凹槽等。
可理解,於完成所述生成圖像之生成後,再將所述生成圖像作為輸入項,對所述生成圖像進行所述第二圖像特徵之提取,藉由比對所述第二圖像特徵與所述第一圖像特徵中相同特徵之比例,即可類比得出所述生成圖像與所述訓練圖像之相同比例。
舉例說明,所述生成圖像與所述訓練圖像可以為同一產品之外觀圖像,該產品之表面陣列分佈有多個圓形通孔,可藉由比對所述生成圖像與所述訓練圖像中產品之通孔位置、形狀、大小與數量是否相同,相同之比例可類比為所述生成圖像、所述訓練圖像之相同比例。
步驟S25:根據所述第一圖像特徵與所述第二圖像特徵分別生成所述第一圖像資料與第二圖像資料。
可理解,所述第一圖像特徵與所述第一圖像資料對應,所述第二圖像特徵與所述第二圖像資料對應,藉由對比所述第一圖像資料與所述第二圖像資料中相同資料之比例可類比得出所述第一圖像特徵與所述第二圖像特徵中相同特徵之比例,進而類比得出所述生成圖像與所述訓練圖像之相同比例。
步驟S26:確定所述第一圖像資料與所述第二圖像資料之相同比例並生成第一辨別資訊。
於一種可能之場景下,生成之所述第一辨別資訊記錄可以為所述生成圖像與所述測試圖像之相同比例數值;於另一種可能之場景下,所述第一辨別資訊之內容可以為一張純顏色圖像。
舉例說明,當所述訓練圖像與所述生成圖像之相同比例達到第一比例時,所述第一辨別資訊之內容可為一純黑色之圖像;相同比例為第二比例時,所述第一辨別資訊之內容可為一純白色之圖像;相同比例小於所述第一比例而大於所述第二比例時,所述第一辨別資訊之內容可為一灰色之圖像,且隨著相同比例之增高,圖像之顏色變深。所述第一比例可以為100%,所述第二比例可以為0。
步驟S27:根據所述第一辨別資訊確定所述生成圖像與所述訓練圖像之相同比例是否大於預設之比例閾值,並輸出對比結果資訊。
舉例說明,所述比例閾值可以為90%,當所述生成圖像與所述訓練圖像之相同比例大於90%時,判定所述生成圖像與所述訓練圖像為相同圖像;當所述生成圖像與所述訓練圖像之相同比例小於或等於90%,判定所述生成圖像與所述訓練圖像為不同圖像。
步驟S28:根據所述對比結果資訊調節生成參數或辨別參數。
可理解,所述生成參數可以為與生成所述生成圖像功能相關之參數,所述辨別參數可以為與確定所述生成圖像與所述訓練圖像相同比例之功能相關之參數。於訓練生成與所述訓練圖像相似之所述生成圖像之能力時,根據所述第一辨別資訊調節所述生成參數;於訓練確定所述訓練圖像與所述生成圖像相同比例之能力時,根據所述第一辨別資訊調節所述辨別參數。
舉例說明,於進行生成所述生成圖像之訓練時,當判別所述生成圖像與所述辨別圖像之相同比例小於所述比例閾值時,則需調節所述生成參數以提高所述生成圖像與所述訓練圖像之相同比例;於進行確定所述生成圖像與所述訓練圖像之相同比例之訓練時,當判別所述生成圖像與所述辨別圖像之相同比例大於所述比例閾值時,則需調節所述辨別參數以提高對所述生成圖像與所述訓練圖像之辨別能力。
舉例說明,所述生成參數可以為於生成所述生成圖像時,於參考多個第一圖像資料時各個所述第一圖像資料之權重參數;所述辨別參數可以為於對比所述第一圖像資料與所述第二圖像資料時,最終生成之所述第一辨別資訊所參考之每一對資料之相同比例之權重參數。
可理解,對所述生成對抗網路進行訓練時,對生成所述生成圖像之能力之訓練,以及對確定所述生成圖像與所述訓練圖像相同比例之能力之訓練為分別進行。於訓練生成與所述訓練圖像相似之所述生成圖像之能力時,需要運用確定所述生成圖像與所述訓練圖像相同比例之能力判斷所述生成圖像是
否與所述訓練圖像高度相似;於訓練確定所述生成圖像與所述訓練圖像相同比例之能力時,需要與所述訓練圖像相同比例高之生成圖像作為訓練材料,提高對所述第二圖像特徵之提取能力與對所述第二圖像資訊、所述第一圖像資訊之對比辨偽能力。
於本申請之實施例中,藉由多個所述測試圖像對所述生成對抗網路進行多次訓練,每進行一次訓練使用一張所述測試圖像作為訓練材料,每一張所述測試圖像可作為一次或多次對所述生成對抗網路訓練之訓練材料,對所述生成對抗網路每進行一次訓練則進行一次所述生成參數或所述辨別參數之調節。
於一種可能之場景中,對所述生成參數與所述辨別參數之調節可以為藉由人為調整;於另一種可能之場景中,對所述生成參數與所述辨別參數之調節亦可以為所述生成對抗網路基於本身之無監督學習特性進行自動調整。
可理解,訓練完成之所述生成對抗網路,可於輸入任何圖像之情況下生成與所述訓練圖像接近相同之所述生成圖像,且有接近50%之概率可判別出所述生成圖像與所述訓練圖像係不同圖像,此時所述生成對抗網路之兩種能力達到平衡狀態。
步驟S13:獲取多個測試圖像,多個所述測試圖像包括正常圖像與異常圖像。
可理解,所述訓練圖像與所述測試圖像之圖像採集物件相同,例如,所述訓練圖像與所述測試圖像均為對於同一款產品之外觀進行之採集後得到之圖像。
可理解,多個所述測試圖像可以為所述圖像採集設備採集之即時圖像,舉例說明,於自動化之生產流水線上設置所述圖像採集設備,所述圖像採集設備對每個完成生產之產品採集所述測試圖像,並即時對所述測試圖進行
檢測,判別所述測試圖像時正常圖像或係異常圖像,若發現異常圖像,則可控制生產流水線上之標記裝置對異常圖像對應之產品進行標記,工作人員可於生產流水線運行過程中對標記之產品進行收集。
可理解,多個所述測試圖像亦可以為所述圖像採集設備於定時間內對生產流水線上之產品所採集之所有所述測試圖像,即所述測試圖像為所述圖像採集設備經過一段時間之採集後,批量進行檢測之圖像,操作人員可藉由對多個所述測試圖像判別結果之統計,得知一批固定數量之產品中出現之不良品之數量,進而得知一批固定數量之產品之不良率。
步驟S14:檢測多個所述測試圖像中是否存在異常圖像。
於一種可能之場景中,檢測多個所述測試圖像之具體方法包括以下步驟:
步驟S31:提取所述測試圖像之第三圖像特徵。
舉例說明,所述第三圖像特徵可以為產品上重要之外觀特徵,具體之外觀特徵可包括但不局限於產品之輪廓、產品之形狀、產品表面之開孔、產品表面之凹槽等。
可理解,為生成與所述測試圖像相同比例高之所述生成圖像,可提取多個所述第三圖像特徵作為後續生成所述生成圖像之依據。
步驟S32:根據所述第三圖像特徵生成第三圖像資料。
可理解,對一個所述測試圖像提取多個所述第三圖像特徵時,生成多個所述第三圖像資料,多個所述第三圖像資料與多個所述第三圖像特徵一一對應。
步驟S33:對所述第三圖像資料進行解碼,生成所述生成圖像。
可理解,對所述第三圖像資料進行解碼後可將與所述第三圖像資料對應之所述第三圖像特徵重現今所述生成圖像上,進而將所述測試圖像中之
產品之重要外觀特徵重現今所述生成圖像上,使所述生成圖像與所述測試圖像相似。
於本申請之實施例中,對所述測試圖像進行測試時,由於所述測試圖像與所述訓練圖像之圖像採集物件相同,故所述測試圖像中之正常圖像與所述訓練圖像基本相同,所述測試圖像中之異常圖像與所述訓練圖像存在差異,此時完成訓練之所述生成對抗網路無論接收之所述測試圖像為正常圖像或為異常圖像,所輸出之均為與正常圖像高度相似而與異常圖像相似但有所差異之所述生成圖像。
舉例說明,所述測試圖像可以為一個產品之外觀圖像,所述生成圖像可以為同一個產品之外觀圖像,所述生成圖像中之產品之輪廓、形狀、表面之開孔、表面之凹槽等具體特徵,與該產品於符合預先設計之條件下之各種具體特徵相似。
可理解,對於多個所述測試圖像,對應有多個所述生成圖像。
步驟S34:提取所述生成圖像之所述第二圖像特徵與所述測試圖像之所述第三圖像特徵。
可理解,於完成所述生成圖像生成後,再將所述生成圖像作為輸入項,對所述生成圖像進行所述第二圖像特徵之提取,藉由比對所述第二圖像特徵與所述第三圖像特徵中相同特徵之比例,即可類比得出所述生成圖像與所述測試圖像之相同比例。
舉例說明,所述生成圖像與所述測試圖像均可以為產品之外觀圖像,該產品之表面陣列分佈有多個圓形通孔,可藉由比對所述生成圖像與所述測試圖像中產品之通孔位置、形狀、大小與數量是否相同,相同之比例可類比為所述生成圖像、所述訓練圖像之相同比例。
步驟S35:根據所述第三圖像特徵與所述第二圖像特徵分別生成所述第三圖像資料與所述第二圖像資料。
可理解,所述第三圖像特徵與所述第三圖像資料對應,所述第二圖像特徵與所述第二圖像資料對應,藉由對比所述第三圖像資料與所述第二圖像資料中相同資料之比例可類比得出所述第三圖像特徵與所述第二圖像特徵中相同特徵之比例,進而類比得出所述生成圖像與所述測試圖像之相同比例。
步驟S36:確定所述第三圖像資料與所述第二圖像資料之相同比例並生成第二辨別資訊。
於一種可能之場景下,生成之所述第二辨別資訊記錄可以為所述生成圖像與所述測試圖像之相同比例數值;於另一種可能之場景下,所述第二辨別資訊之內容可以為一張純顏色圖像。
舉例說明,當所述測試圖像與所述生成圖像之相同比例為所述第一比例時,所述第二辨別資訊之內容可為一純黑色之圖像;相同比例為所述第二比例時,所述第二辨別資訊之內容可為一純白色之圖像;相同比例小於所述第一比例而大於所述第二比例時,所述第二辨別資訊之內容可為一灰色之圖像,且隨著相同比例之增高,圖像之顏色變深。所述第一比例可為100%,所述第二比例可為0。
步驟S37:根據所述第二辨別資訊確定所述測試圖像與所述生成圖像之相同比例是否大於預設之比例閾值,若是,則進入步驟S38,若否,則進入步驟S39。
本實施例中,當所述測試圖像為異常圖像時,所述生成圖像與所述測試圖像之間存在可被辨別出之差異,此時所述生成圖像與所述測試圖像之間之相同比例小於比例閾值,因此可藉由所述第二判別資訊確定所述生成圖像
與所述測試圖像之相同比例,再判別所述生成圖像與所述測試圖像之相同比例是否小於比例閾值,進而判別所述測試圖像是否為異常圖像。
步驟S38:判定所述測試圖像為正常圖像。
步驟S39:判定所述測試圖像為異常圖像。
舉例說明,所述比例閾值可以為90%,當所述生成圖像與所述測試圖像之相同比例小於或等於90%時,判定所述測試圖像為異常圖像;當所述生成圖像與所述測試圖像之相同比例大於90%,判定所述測試圖像為正常圖像。
請參閱圖4,圖4為本申請實施例公開之一種異常圖像檢測系統之示意圖。本申請實施例提供之異常圖像檢測系統100可包括第一編碼模組11、第一隱藏空間12與第一解碼模組13、第二編碼模組21、第二隱藏空間22與第二解碼模組23與判定模組30。
所述第一編碼模組11用於接收所述訓練圖像,提取所述訓練圖像之所述第一圖像特徵,並輸出與所述第一圖像特徵對應之所述第一圖像資料給所述第一隱藏空間12。
於一種可能之場景中,所述第一編碼模組11還用於接收所述測試圖像,提取所述測試圖像之所述第三圖像特徵,並輸出與所述第三圖像特徵對應之所述第三圖像資料給所述第一隱藏空間12。
所述第一隱藏空間12用於暫存所述第一圖像資料。
於一種可能之場景中,所述第一隱藏空間12還用於暫存所述第三圖像資料。
所述第一解碼模組13用於獲取所述第一圖像資料並對所述第一圖像資料進行解碼,並基於所述第一圖像資料輸出所述生成圖像給所述第二編碼模組21。
於一種可能之場景中,所述第一解碼模組13還用於獲取所述第三圖像資料並對所述第三圖像資料進行解碼,並基於對所述第三圖像資料之解碼結果輸出所述生成圖像給所述第二編碼模組21。
所述第二編碼模組21用於提取所述生成圖像之所述第二圖像特徵,根據所述第二圖像特徵輸出所述第二圖像資料給所述第二隱藏空間22;用於接收所述訓練圖像,並於提取所述第二圖像特徵之同時,提取所述訓練圖像之所述第一圖像特徵,根據所述第一圖像特徵輸出所述第一圖像資料給所述第二隱藏空間22。
於一種可能之場景中,所述第二編碼模組21用於接收所述測試圖像,並於提取所述第二圖像特徵之同時提取所述測試圖像之所述第三圖像特徵,根據所述第三圖像特徵輸出所述第三圖像資料給所述第二隱藏空間22。
所述第二隱藏空間22,用於暫存第一圖像資料與所述第二圖像資料。
於一種可能之場景中,所述第二隱藏空間22還用於暫存所述第三圖像資料。
所述第二解碼模組23用於獲取所述第一圖像資料與所述第二圖像資料,確定所述第一圖像資料與所述第二圖像資料中相同資料之佔比比例,並輸出所述第一辨別資訊。
於一種可能之場景中,所述第二解碼模組23用於獲取所述第一圖像資料與所述第三圖像資料,確定所述第一圖像資料與所述第三圖像資料中相同資料之佔比比例,並輸出所述第二辨別資訊。
可理解,所述第一編碼模組11、所述第一隱藏空間12與所述第一解碼模組13可組成第一自編碼器(Autoencoder,AE)10,所述第二編碼模組21、所述第二隱藏空間22與所述第二解碼模組23可組成第二自編碼器20。所述第一
自編碼器10與所述第二自編碼器均為於無非監督學習中使用之人工神經網路(Artificial Neural Networks,ANNs)。所述第一自編碼器10與所述第二自編碼器20可組成所述生成對抗網路。
所述判定模組30用於根據所述第一辨別資訊確定所述訓練圖像與所述生成圖像之相同比例,判斷所述訓練圖像與所述生成圖像之相同比例數值是否大於預設之比例閾值,並輸出所述對比結果資訊;若所述訓練圖像與所述生成圖像之相同比例大於則所述比例閾值則判定所述訓練圖像與所述生成圖像為同一圖像,否則判定所述訓練圖像與所述生成圖像為不同圖像。
於一種可能之場景中,所述判定模組30還用於根據所述第二辨別資訊確定所述測試圖像與所述生成圖像之相同比例,判斷所述測試圖像與所述生成圖像之相同比例數值是否小於所述預設閾值,若是則判定所述測試圖像為異常圖像,否則判定所述測試圖像為正常圖像。
於本申請實施例中,各個模組之具體實現還可參照圖1至圖3所示之方法實施例之相應描述。
圖4中所描述之異常圖像檢測系統100中,可僅藉由正常圖像作為準備材料搭建測試模型,並最終完成對異常圖像之檢測,降低了異常檢測實現之難度。具體內容可參見上述異常圖像檢測方法之具體實施例,於此不再詳述。
請參閱圖5,圖5為本申請實施例公開之一種終端設備200之示意圖。
本申請實施例提供一種終端設備200,所述終端設備200可包括上述之所述異常圖像檢測系統,所述異常圖像檢測系統具體請參見圖4之實施例之具體描述,於此不再贅述。
如圖5所述,所述終端設備200可包括處理器40、記憶體50與圖像採集設備60,所述處理器40與所述記憶體50與所述圖像採集設備60通訊連接,例如,所述處理器40、所述記憶體50與所述圖像採集設備60可藉由連接線纜建
立電連接,或者,所述處理器40、所述記憶體50與所述圖像採集設備60可藉由藍牙或者無線區域網等短距離無線通訊方式建立無線通訊連接,本申請不做限定。
所述處理器40可以為藉由可以為通用中央處理器(CPU)、微處理器、特定應用積體電路(application-specific integrated circuit,ASIC)、或一個或多個用於控制以上方案程式執行之積體電路。
記憶體50可以為唯讀記憶體(read-only memory,ROM)或可存儲靜態資訊與指令之其他類型之靜態存放裝置,隨機存取記憶體(random access memory,RAM)或者可存儲資訊與指令之其他類型之動態儲存裝置設備,亦可以為電可擦可程式設計唯讀記憶體(Electrically Erasable Programmable Read-Only Memory,EEPROM)、唯讀光碟(Compact Disc Read-Only Memory,CD-ROM)或其他光碟存儲、光碟存儲(包括壓縮光碟、鐳射碟、光碟、數位通用光碟、藍光光碟等)、磁片存儲介質或者其他磁存放裝置、或者能夠用於攜帶或存儲具有指令或資料結構形式之期望之程式碼並能夠由電腦存取之任何其他介質,但不限於此。所述記憶體50可以為獨立存在,亦可與所述處理器40集成於一起。
所述圖像採集設備60係具有圖像採集功能之電子設備,用於採集所述測試圖像與所述訓練圖像。所述圖像採集設備60具體可以為但不局限於監控攝像頭、攝影機等。
基於同一構思,本申請實施例還提供一種存儲介質,所述存儲介質包括電腦指令,當所述電腦指令於所述終端設備200上運行時,使得所述終端設備200執行本申請實施例提供之項所述之異常圖像檢測方法。
對於本領域技術人員而言,顯然本申請不限於上述示範性實施例之細節,且於不背離本申請之精神或基本特徵之情況下,能夠以其他之具體形
式實現本申請。因此,無論從哪一點來看,均應將本申請上述之實施例看作係示範性且係非限制性本申請之範圍由所附請求項而不係上述說明限定,因此旨於將落於請求項之等同要件之含義與範圍內之所有變化涵括於本申請內。
S11~S14:步驟
Claims (13)
- 一種異常圖像檢測方法,應用於終端設備,其改良在於,包括:根據多個訓練圖像訓練生成對抗網路,所述訓練圖像為正常圖像,所述生成對抗網路用於生成與輸入之圖像相似之生成圖像,並確定所述生成圖像與輸入之圖像之相同比例,於訓練所述生成對抗網路時基於確定之相同比例調節所述生成對抗網路之生成參數或辨別參數;獲取多個測試圖像,多個所述測試圖像包括正常圖像與異常圖像;根據完成訓練之所述生成對抗網路,確定所述測試圖像及與所述測試圖像對應之所述生成圖像之相同比例是否大於預設之比例閾值;若是,則確定所述測試圖像為正常圖像;若否,則確定所述測試圖像為異常圖像;其中,當相同比例達到第一比例時,輸出純黑色圖像;當相同比例為第二比例時,輸出純白色圖像;當相同比例大於所述第二比例而小於所述第一比例時,輸出灰色圖像,所述灰色圖像之色彩深度與相同佔比比例呈正比例關係。
- 如請求項1所述之異常圖像檢測方法,其中,所述根據多個訓練圖像訓練生成對抗網路包括:提取所述訓練圖像之第一圖像特徵;根據所述第一圖像特徵生成所述生成圖像;提取所述生成圖像之第二圖像特徵;確定所述第一圖像特徵與所述第二圖像特徵之相同比例並生成第一辨別資訊;根據所述第一辨別資訊調整所述生成參數或所述辨別參數。
- 如請求項2所述之異常圖像檢測方法,其中,所述根據所述第一圖像特徵生成所述生成圖像包括: 根據所述第一圖像特徵生成第一圖像資料;對所述第一圖像資料解碼並生成所述生成圖像。
- 如請求項3所述之異常圖像檢測方法,其中,所述確定所述第一圖像特徵與所述第二圖像特徵之相同比例並生成第一辨別資訊包括:根據所述第二圖像特徵生成第二圖像資料;確定所述第一圖像資料與所述第二圖像資料之相同比例,並生成第一辨別資訊。
- 如請求項2所述之異常圖像檢測方法,其中,所述根據所述第一辨別資訊調整生成參數或辨別參數包括:根據所述第一辨別資訊確定所述生成圖像與所述訓練圖像之相同比例是否大於預設之比例閾值,並輸出對比結果資訊;根據所述對比結果資訊調整所述生成參數或所述辨別參數。
- 如請求項4所述之異常圖像檢測方法,其中,所述根據完成訓練之所述生成對抗網路,確定所述測試圖像及與所述測試圖像對應之所述生成圖像之相同比例是否大於預設之比例閾值包括:提取所述測試圖像中之第三圖像特徵;根據所述第三圖像特徵生成所述生成圖像;提取所述生成圖像之所述第二圖像特徵;確定所述第三圖像特徵與所述第二圖像特徵之相同比例並生成第二辨別資訊;根據所述第二辨別資訊確定所述測試圖像與所述生成圖像之相同比例是否大於預設之比例閾值。
- 如請求項6所述之異常圖像檢測方法,其中,所述根據所述第三圖像特徵生成所述生成圖像包括: 根據所述第三圖像特徵生成第三圖像資訊;對所述第三圖像資料進行解碼並生成所述生成圖像。
- 如請求項7所述之異常圖像檢測方法,其中,所述確定所述第三圖像特徵與所述第二圖像特徵之相同比例並生成第二辨別資訊包括:根據所述第三圖像特徵生成第三圖像資料;確定所述第三圖像資料與所述第二圖像資料之相同比例並生成第二辨別資訊。
- 如請求項4所述之異常圖像檢測方法,其中,所述確定所述第一圖像資料與所述第二圖像資料之相同比例並生成第一辨別資訊包括:確定所述第一圖像資料與所述第二圖像資料中相同資料之佔比比例;當相同資料佔比例達到第一比例時,輸出純黑色圖像;當相同資料佔比例為第二比例時,輸出純白色圖像;當相同資料佔比例大於所述第二比例而小於所述第一比例時,輸出灰色圖像,所述灰色圖像之色彩深度與相同資料之佔比比例呈正比例關係。
- 如請求項8所述之異常圖像檢測方法,其中,所述確定所述第三圖像資料與所述第二圖像資料之相同比例並生成第二辨別資訊包括:確定所述第三圖像資料與所述第二圖像資料中相同資料之佔比比例;當相同資料佔比例達到第一比例時,輸出純黑色圖像;當相同資料佔比例為第二比例時,輸出純白色圖像;當相同資料佔比例大於所述第二比例而小於所述第一比例時,輸出灰色圖像,所述灰色圖像之色彩深度與相同資料之佔比比例呈正比例關係。
- 一種異常圖像檢測系統,其改良在於,用於實現如請求項1至10任一項所述之異常圖像檢測方法,包括: 第一自編碼器,用於接收所述訓練圖像與所述測試圖像,生成與所述訓練圖像與所述測試圖像相似之所述生成圖像;第二自編碼器,用於接收所述生成圖像、所述訓練圖像與所述測試圖像,用於確定所述生成圖像與所述訓練圖像之間之相同比例,還用於確定所述生成圖像與所述測試圖像之間之相同比例。
- 一種終端設備,其改良在於,包括:記憶體,用於存儲電腦程式;處理器,用於執行所述記憶體存儲之所述電腦程式,當所述電腦程式被執行時,所述處理器用於執行如請求項1至10任一項所述之異常圖像檢測方法;圖像採集設備,用於採集所述訓練圖像與所述測試圖像。
- 一種存儲介質,其改良在於,所述存儲介質包括電腦指令,當所述電腦指令於終端設備上運行時,使得終端設備執行如請求項1至10任一項所述之異常圖像檢測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110144659A TWI797857B (zh) | 2021-11-30 | 2021-11-30 | 異常圖像檢測方法、系統、終端設備及存儲介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110144659A TWI797857B (zh) | 2021-11-30 | 2021-11-30 | 異常圖像檢測方法、系統、終端設備及存儲介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI797857B true TWI797857B (zh) | 2023-04-01 |
TW202324293A TW202324293A (zh) | 2023-06-16 |
Family
ID=86945163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110144659A TWI797857B (zh) | 2021-11-30 | 2021-11-30 | 異常圖像檢測方法、系統、終端設備及存儲介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI797857B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190053709A1 (en) * | 2017-08-16 | 2019-02-21 | Delta Electronics, Inc | Examination system and examination method thereof |
CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
CN113592769A (zh) * | 2021-06-23 | 2021-11-02 | 腾讯医疗健康(深圳)有限公司 | 异常图像的检测、模型的训练方法、装置、设备及介质 |
-
2021
- 2021-11-30 TW TW110144659A patent/TWI797857B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190053709A1 (en) * | 2017-08-16 | 2019-02-21 | Delta Electronics, Inc | Examination system and examination method thereof |
CN112435221A (zh) * | 2020-11-10 | 2021-03-02 | 东南大学 | 一种基于生成式对抗网络模型的图像异常检测方法 |
CN113592769A (zh) * | 2021-06-23 | 2021-11-02 | 腾讯医疗健康(深圳)有限公司 | 异常图像的检测、模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
TW202324293A (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN110047073B (zh) | 一种x射线焊缝图像缺陷定级方法及系统 | |
CN106920219B (zh) | 物品缺陷检测方法、图像处理系统与计算机可读记录介质 | |
JP5458905B2 (ja) | 画像におけるシャドーの検知装置および検知方法 | |
KR20190063839A (ko) | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 | |
CN107884415A (zh) | 缺陷产品的识别方法、装置和工业相机 | |
US20140286527A1 (en) | Systems and methods for accelerated face detection | |
TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN113470005B (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN114299036B (zh) | 电子元件的检测方法及装置、存储介质、电子设备 | |
TWI797857B (zh) | 異常圖像檢測方法、系統、終端設備及存儲介質 | |
CN109685756A (zh) | 影像特征自动辨识装置、系统及方法 | |
CN114170477A (zh) | 一种基于注意力图卷积网络的多模态融合机械缺陷检测方法 | |
CN111275137B (zh) | 基于专属孪生网络模型的茶叶验真方法 | |
JP7404817B2 (ja) | 学習装置、検出装置、学習方法、及び学習プログラム | |
WO2020137228A1 (ja) | 画像判定装置、画像判定方法及び画像判定プログラム | |
TWM550465U (zh) | 半導體晶圓檢測系統 | |
CN109360189B (zh) | 检测非制冷红外机芯图像像素缺陷点的方法 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN116205838A (zh) | 异常图像检测方法、系统、终端设备及存储介质 | |
CN115457373A (zh) | 无锚框的一阶段虫害图像检测方法、装置及存储介质 | |
CN110738638B (zh) | 视觉显著性检测算法适用性预测与性能盲评价方法 | |
CN111649804A (zh) | 油位监测方法、设备及具有存储功能的装置 | |
CN108133210B (zh) | 一种图像格式识别方法及装置 |