TWI804798B - 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 - Google Patents
瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 Download PDFInfo
- Publication number
- TWI804798B TWI804798B TW110101863A TW110101863A TWI804798B TW I804798 B TWI804798 B TW I804798B TW 110101863 A TW110101863 A TW 110101863A TW 110101863 A TW110101863 A TW 110101863A TW I804798 B TWI804798 B TW I804798B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- tested
- error
- images
- reconstructed
- Prior art date
Links
Images
Abstract
本發明提供一種瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質。該方法包括:a)將複數張無瑕疵圖像導入至一自編碼器進行模型訓練,以獲得複數張重構圖像;b)處理該複數張無瑕疵圖像,以獲得複數張目標圖像;c)將該重構圖像與對應之目標圖像比對,以得到複數組測試誤差;d)按照默認規則從複數組測試誤差中選取一誤差閾值;e)獲得一待測圖像,並重複步驟a)至步驟c),得到一待測重構圖像、一待測目標圖像及該待測重構圖像與該待測目標圖像之待測誤差;f)根據該待測誤差與誤差閾值,確定該待測圖像之檢測結果。
Description
本發明涉及瑕疵檢測技術領域,具體涉及一種瑕疵檢測方法及裝置、電子裝置及電腦可讀存儲介質。
瑕疵檢測已成為現代工業生產過程中之重要環節,如紡織行業之織物瑕疵檢測,電子行業之印刷電路板瑕疵檢測等。傳統之人工檢測方法耗時耗力,且檢測品質嚴重依賴檢測員之視覺及經驗,且檢測精度不高。
針對上述問題,有必要提供一種瑕疵檢測方法、裝置、電子設備及存儲介質以提高瑕疵圖像之檢測精度。
本申請第一方面提供一種瑕疵檢測方法,所述瑕疵檢測方法包括:(a)將複數張無瑕疵圖像導入至一自編碼器進行模型訓練,以獲得複數張重構圖像;(b)對所述複數張無瑕疵圖像進行處理,以獲得複數張目標圖像;(c)將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤差;(d)按照默認規則從複數組測試誤差中選取一誤差閾值;(e)獲得一待測圖像,並重複步驟(a)至步驟(c),以獲得一待測重構圖像、一待測目標圖像及所述待測重構圖像與所述待測目標圖像之待測誤差;
(f)根據所述待測誤差與誤差閾值,確定所述待測圖像之檢測結果。
進一步地,所述自編碼器包括編碼器與解碼器,步驟(a)包括如下子步驟:利用所述編碼器提取所述無瑕疵圖像之圖像特徵,輸出對應之潛在表徵;利用所述解碼器對所述潛在表徵進行解碼,以得到對應之重構圖像。
進一步地,步驟(b)包括以下子步驟:利用特徵提取函數對複數張所述無瑕疵圖像進行處理,以獲取每一所述無瑕疵圖像之紋理特徵;將獲取之每一無瑕疵圖像之紋理特徵進行轉換,以獲得每一所述無瑕疵圖像對應之目標圖像。
進一步地,所述特徵提取函數包括Gabor函數及灰度共生矩陣函數,所述紋理特徵包括灰度共生矩陣。
進一步地,所述測試誤差為所述重構圖像與所述目標圖像之均方誤差,所述待測誤差為所述待測重構圖像與所述待測目標圖像之均方誤差。
進一步地,所述默認規則為:選取所述複數組測試誤差中之最大值為誤差閾值。
進一步地,步驟(f)包括:當所述待測誤差小於所述誤差閾值時,將所述檢測結果確定為所述待測圖像無瑕疵;或者當所述待測誤差大於或者等於所述誤差閾值時,將所述檢測結果確定為所述待測圖像有瑕疵。
本申請第二方面提供一種瑕疵檢測裝置,所述瑕疵檢測裝置包括:訓練模組,用以將複數張無瑕疵圖像導入至一自編碼器進行模型訓練,以獲得複數張重構圖像;圖像處理模組,用以對所述複數張無瑕疵圖像進行處理,以獲得複數張目標圖像;比較模組,用以將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤差;確定模組,用以按照默認規則從複數組所述測試誤差中選取一誤差閾值;獲取模組,用以獲得一待測圖像,並將所述待測圖像導入所述訓練模組,藉由所述訓練模組獲得一待測重構圖像;所述圖像處理模組還用以對所述待測圖像進行處理,以獲得一待測目標圖像,所述比較模組還用以比對所述待測重構圖像與待測目標圖像,以獲得一待測誤差,所述確定模組還用以根據所述待測誤差與所述誤差閾值,確定所述待測圖像之檢測結果。
本申請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,用以執行所述記憶體中存儲之指令以實現所述瑕疵檢測方法。
本申請第四方面提供一種電腦可讀存儲介質,所述電腦可讀存儲介質中存儲有至少一個指令,所述至少一個指令被電子設備中之處理器執行以實現所述瑕疵檢測方法。
本發明提供之瑕疵檢測方法,利用特徵提取函數處理待測圖像以提取紋理特徵,進一步藉由所述紋理特徵重構所述待測圖像,從而獲得一待測
目標圖像,有效減少了所述待測圖像之冗餘資訊,放大所述待測圖像之紋理特徵資訊,從而提高所述待測目標圖像與待測重構圖像比對時之精度,進而提高瑕疵檢測之檢測精度。
100:瑕疵檢測裝置
101:訓練模組
102:圖像處理模組
103:比較模組
104:確定模組
105:獲取模組
106:提示模組
200:電子設備
201:記憶體
202:處理器
203:電腦程式
S1~S6、S11~S12、S21~S22、S31~S33:步驟
圖1係本發明瑕疵檢測方法一實施例之流程圖。
圖2為圖1所示步驟S1之子步驟。
圖3為圖1所示步驟S2之子步驟。
圖4為圖1所示步驟S3之子步驟。
圖5係本發明瑕疵檢測裝置一實施例之功能模組圖。
圖6係應用本發明實現瑕疵檢測方法之實施例之電子設備之結構示意圖。
下面為了能夠更清楚地理解本發明之上述目的、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。需要說明之係,於不衝突之情況下,本申請之實施例及實施例中之特徵可以相互組合。
於下面之描述中闡述了很多具體細節以便於充分理解本發明,所描述之實施例僅係本發明一部分實施例,而非全部之實施例。基於本發明中之實施例,本領域具有通常技藝者於沒有做出創造性勞動前提下所獲得之所有其他實施例,都屬於本發明保護之範圍。
除非另有定義,本文所使用之所有之技術和科學術語與屬於本發明之技術領域之技術人員通常理解之含義相同。本文中於本發明之說明書中所使用之術語係為了描述具體實施例,非旨於於限制本發明。
請參閱圖1,圖1係本發明瑕疵檢測方法之實施例之流程圖。根據不同之需求,該流程圖中步驟之順序可以改變,某些步驟可以省略。
步驟S1,將複數張無瑕疵圖像導入至一自編碼器(autoencoder,AE)進行模型訓練,以獲得複數張重構圖像。
可以理解,自編碼器(autoencoder,AE)係一類於半監督學習和非監督學習中使用之人工神經網路(Artificial Neural Networks,ANNs),其功能係藉由將輸入資訊作為學習目標,對輸入資訊進行表徵學習(representation learning)。
可以理解,於本實施例中,並不對所述自編碼器之類型進行限制,例如所述自編碼器可以係收縮自編碼器,也可以係正則自編碼器或其他類型之自編碼器。
可以理解,所述自編碼器包括編碼器與解碼器。其中,於執行步驟S1時,請參閱圖2,步驟S1包括如下子步驟:
步驟S11:利用所述編碼器提取所述無瑕疵圖像之圖像特徵,輸出對應之潛在表徵;
步驟S12:利用所述解碼器對所述潛在表徵進行解碼,以得到對應之重構圖像。
可以理解,所述編碼器與所述解碼器都係參數化方程,所述潛在表徵為所述無瑕疵圖像經由所述編碼器學習到之抽象特徵。所述潛在表徵代表了導入之無瑕疵圖像之紋理特徵。
步驟S2,對所述複數張無瑕疵圖像進行處理,以獲得複數張目標圖像。其中,請參閱圖3,於本實施例中,步驟S2包括如下子步驟:
步驟S21,利用特徵提取函數對複數張所述無瑕疵圖像進行處理,以獲取每一所述無瑕疵圖像之紋理特徵。
步驟S22,將獲取之每一所述無瑕疵圖像之紋理特徵進行轉換,以獲得每一所述無瑕疵圖像對應之目標圖像。
於一實施例,步驟S21與步驟S22中,所述特徵提取函數為Gabor函數及灰度共生矩陣函數,所述紋理特徵為所述無瑕疵圖像之灰度共生矩陣。
可以理解,Gabor函數係一種加窗傅立葉轉換函數,Gabor函數可以於圖像頻域不同尺度、不同方向上提取相關之特徵。灰度共生矩陣函數係涉及像素距離和角度之矩陣函數,它藉由計算圖像中一定距離和一定方向之兩點之間之灰度之相關性,來反映圖像於方向、間隔、變化幅度及快慢上之綜合資訊。
由於紋理係由灰度分佈於空間位置上反復出現而形成之,因而於圖像空間中相隔某距離之兩像素之間會存在一定之灰度關係,即圖像中灰度之空間相關特性。灰度共生矩陣係一種藉由統計灰度值之空間相關特性來描述紋理之常用方法。
如此,於本實施例中,步驟S2先利用所述Gabor函數對所述無瑕疵圖像進行處理得到對應之複數訊號,再利用所述灰度共生矩陣函數對所述複數訊號之虛部進行處理,得到所述無瑕疵圖像對應之灰度共生矩陣,即得到所述無瑕疵圖像對應之紋理特徵。再藉由所述灰度共生矩陣之灰度關係重構圖像,得到對應之目標圖像。
可以理解,於其他實施例中,可以先執行步驟S2再執行步驟S1,或者同時執行步驟S1與步驟S2。
步驟S3,將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤差。其中,請參閱圖4,於本實施例中,步驟S3包括如下子步驟:步驟S31:分別提取所述重構圖像及對應之目標圖像之所有像素點;步驟S32:分別對所述重構圖像及對應之目標圖像之每一像素點之像素值進行比較,得到對應之每一像素點之像素值差值;
步驟S33:計算所述每一像素點之像素值差值之平方之期望值,以得到所述複數組測試誤差。
可以理解,於其他實施例中,執行步驟S31之前,還可先對所述重構圖像及所述目標圖像進行預處理,以使所述重構圖像及所述目標圖像之大小及方向一致,方便後續執行步驟S31至步驟S33。
可以理解,於本實施例中,所述測試誤差為所述重構圖像與所述目標圖像之均方誤差。
可以理解,本發明不對所述測試誤差之類型進行限制,例如所述測試誤差可以係峰值信噪比(Peak Signal to Noise Ratio,PSNR),也可以係結構相似性(Structural Similarity,SSIM)指標。
步驟S4,按照默認規則從複數組測試誤差中選取一誤差閾值。
其中,於本實施例中,所述默認規則為:選取所述複數組測試誤差中之最大值為誤差閾值。
步驟S5:獲得一待測圖像,並重複步驟S1至步驟S3,以獲得一待測重構圖像及、一待測目標圖像及所述待測重構圖像與所述待測目標圖像之待測誤差。
可以理解,步驟S5中,獲取所述待測重構圖像之方法與步驟S1中獲取所述重構圖像之方法相同,獲取所述待測目標圖像之方法與步驟S2中獲取所述目標圖像之方法相同,獲取所述待測誤差之方法與步驟S3中獲取所述測試誤差之方法相同,於此不再贅述。
可以理解,所述待測誤差為所述待測重構圖像與所述待測目標圖像之均方誤差。
可以理解,於其他實施例中,所述待測誤差與所述測試誤差為同一類型之誤差。本發明不對所述待測誤差之類型進行限制,例如所述待測誤差
可以係峰值信噪比(Peak Signal to Noise Ratio,PSNR),也可以係結構相似性(Structural Similarity,SSIM)指標。
步驟S6:根據所述待測誤差與誤差閾值,確定所述待測圖像之檢測結果。
於本實施例中,步驟S6包括:當所述待測誤差小於所述誤差閾值時,將所述檢測結果確定為所述待測圖像無瑕疵;或者當所述待測誤差大於或者等於所述誤差閾值時,將所述檢測結果確定為所述待測圖像有瑕疵。
可以理解,於其他實施例中,所述瑕疵檢測方法還包括步驟S7:根據所述檢測結果輸出相應之報警訊號或提示訊號。
即,根據檢測結果可以採取不同之對應措施。例如,於本實施例中,當所述檢測結果為有瑕疵時,根據所述待測圖像生成提醒資訊,並將所述資訊發送至指定連絡人之終端設備中。其中,所述指定連絡人可以係負責檢測所述檢測物件之品質人員。藉由上述實施方式,能夠於所述待測圖像中有瑕疵時,及時通知所述指定連絡人。
於本申請實施例中,以輸入多個無瑕疵圖像,例如N張無瑕疵圖像為例,對本案之瑕疵檢測方法進行詳細說明。
首先,將N張無瑕疵圖像導入至一自編碼器,記為無瑕疵圖像1、無瑕疵圖像2、無瑕疵圖像3......無瑕疵圖像N,以得到相應之複數張重構圖像,分別記為重構圖像1、重構圖像2、重構圖像3......重構圖像N。接著,利用所述Gabor函數及灰度共生矩陣函數對所述N張無瑕疵圖像進行處理,以得到相應之複數張目標圖像,分別記為目標圖像1、目標圖像2、目標圖像3......目標圖像N。再將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤
差。例如,重構圖像1與目標圖像1比對,得到誤差值0.01,記為測試誤差1;重構圖像2與目標圖像2比對,得到誤差值0.02,記為測試誤差2;重構圖像3與目標圖像3比對,得到誤差值0.0001,記為測試誤差3......重構圖像N與目標圖像N比對得到之誤差值記為測試誤差N。選取所述N組測試誤差中之最大值為誤差閾值。獲取一待測圖像,將所述待測圖像輸入所述自編碼器,得到一待測重構圖像;利用所述Gabor函數及灰度共生矩陣函數對所述待測圖像進行處理,得到一待測目標圖像。比對所述待測重構圖像與所述待測目標圖像,得到一待測誤差。比對所述待測誤差與所述誤差閾值,若所述待測誤差小於所述誤差閾值,將檢測結果確定為所述待測圖像無瑕疵;若所述待測誤差大於或等於所述誤差閾值,將檢測結果確定為所述待測圖像有瑕疵。
可以理解,於本發明中,所述自編碼器經過複數張所述無瑕疵圖像訓練後,當輸入含有瑕疵之圖像時,所述自編碼器將修復部分瑕疵,進而輸出修復瑕疵後之重構圖像。進一步地,本發明利用所述特徵提取函數處理所述待測圖像(或無瑕疵圖像)以獲得所述待測目標圖像(或目標圖像),從而減少所述待測圖像(或無瑕疵圖像)之冗餘資訊,放大所述待測圖像(或無瑕疵圖像)之特徵資訊。因此,同一張待測圖像,導入所述自編碼器獲得之待測重構圖像,與經由特徵提取函數處理得到之待測目標圖像之間之待測誤差應當於某個範圍內,若超過所述範圍,則可認為係由所述自編碼器修復了部分瑕疵,導致所述待測重構圖像與所述待測目標圖像之間之誤差較大。本發明藉由複數張重構圖像與複數張目標圖像之比對,確認一誤差閾值。即所述誤差閾值為所述自編碼器重構無瑕疵圖像時可以接受之最大之誤差。因此,當所述待測重構圖像與待測目標圖像之待測誤差超過所述誤差閾值時,可認為所述待測圖像有瑕疵,導致所述自編碼器重構圖像時之誤差超過所述誤差閾值。
可以理解,本發明利用特徵提取函數處理待測圖像以提取紋理特徵,進一步藉由所述紋理特徵重構所述待測圖像,從而獲得一待測目標圖像,有效減少了所述待測圖像之冗餘資訊,放大所述待測圖像之紋理特徵資訊,從而提高所述待測目標圖像與待測重構圖像比對時之精度,進而提高瑕疵檢測之檢測精度。
請參閱圖5,可以理解,本發明另一實施例還提供一種瑕疵檢測裝置100。所述瑕疵檢測裝置100包括訓練模組101、圖像處理模組102、比較模組103、確定模組104及獲取模組105。
其中,所述訓練模組101用以將複數張無瑕疵圖像導入至一自編碼器進行模型訓練,以獲得複數張重構圖像。
所述圖像處理模組102用以對所述複數張無瑕疵圖像進行處理,以獲得複數張目標圖像。
所述比較模組103用以將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤差。
所述確定模組104用以按照默認規則從複數組測試誤差中選取一誤差閾值。
所述獲取模組105用以獲得一待測圖像,並將所述待測圖像導入所述訓練模組101,藉由所述訓練模組101獲得一待測重構圖像。
所述圖像處理模組102還用以對所述待測圖像進行處理,以獲得一待測目標圖像。所述比較模組103還用以比對所述待測重構圖像與待測目標圖像,以獲得一待測誤差。所述確定模組104還用以根據所述待測誤差與所述誤差閾值,確定所述待測圖像之檢測結果。
可以理解,於其他實施例中,所述瑕疵檢測裝置100還包括提示模組106。所述提示模組106用以根據所述檢測結果輸出相應之報警訊號或提示
訊號。例如,於本實施例中,當所述檢測結果為有瑕疵時,所述提示模組106根據所述待測圖像生成提醒資訊,並將所述資訊發送至指定連絡人之終端設備中。其中,所述指定連絡人可以係負責檢測所述檢測物件之品質人員。藉由上述實施方式,能夠於所述待測圖像中有瑕疵時,及時通知所述指定連絡人。
可以理解,所述訓練模組101、圖像處理模組102、比較模組103、確定模組104、獲取模組105及提示模組106用以共同實現上述瑕疵檢測方法實施例中之步驟S1至步驟S7,於此不再贅述各所述功能模組之具體實現過程,具體請參閱上述步驟S1至步驟S7。
可以理解,請一併參閱圖6,本發明另一實施例還提供一種電子設備200。所述電子設備200包括記憶體201、處理器202以及存儲於所述記憶體201中並可於所述處理器202上運行之電腦程式203。
所述電子設備200可以為智慧手機、平板電腦、膝上型便捷電腦、嵌入式電腦、桌上型電腦中之任意一種或伺服器等。本領域具有通常技藝者可以理解,所述示意圖僅僅係電子設備200之示例,並不構成對電子設備200之限定,可以包括比圖示更多或更少之部件,或者組合某些部件,或者不同之部件。
所述處理器202用以執行所述電腦程式203時實現上述瑕疵檢測方法實施例中之步驟,例如第一實施例中所示之步驟S1-S7。或者,所述處理器202執行所述電腦程式203時實現上述瑕疵檢測裝置100實施例中各模組/單元之功能,例如第二實施例中之訓練模組101、圖像處理模組102、比較模組103、確定模組104、獲取模組105及提示模組106。
其中,所述電腦程式203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/單元被存儲於所述記憶體201中,並由所述處理器202執行,以完成本發明。所述一個或多個模組/單元可以係能夠完成特定功能之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203於所述電子設備200
中之執行過程。例如,所述電腦程式203可以被分割成第二實施例中之訓練模組101、圖像處理模組102、比較模組103、確定模組104、獲取模組105及提示模組106。
所述處理器202可以係中央處理模組(Central Processing Unit,CPU),還可以係其他通用處理器、數位訊號處理器(Digital Signal Processor,DSP)、專用積體電路(Application Specific Integrated Circuit,ASIC)、現場可程式化邏輯閘陣列(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。通用處理器可以係微處理器或者所述處理器202也可以係任何常規之處理器等,所述處理器202係所述電子設備200之控制中心,利用各種介面和線路連接整個電子設備200之各個部分。
所述記憶體201可用於存儲所述電腦程式203和/或模組/單元。所述處理器202藉由運行或執行存儲於所述記憶體201內之電腦程式和/或模組/單元,以及調用存儲於記憶體201內之資料,實現所述電子設備200之各種功能。所述記憶體201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、至少一個功能所需之應用程式(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200之使用所創建之資料(比如視頻資料、音訊資料、電話本等)等。此外,記憶體201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200集成之模組/單元如果以軟體功能模組之形式實現並作為獨立之產品銷售或使用時,可以存儲於一個電腦可讀取存儲介質中。
基於這樣之理解,本發明實現上述實施例方法中之全部或部分流程,也可以藉由電腦程式來指令相關之硬體來完成,所述之電腦程式可存儲於一電腦可讀存儲介質中,所述電腦程式於被處理器執行時,可實現上述各個方法實施例之步驟。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、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之任何實體或裝置、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)、電訊號以及軟體分發介質等。需要說明之係,所述電腦可讀介質包含之內容可以根據司法管轄區內立法和專利實踐之要求進行適當之增減,例如於某些司法管轄區,根據立法和專利實踐,電腦可讀介質不包括電載波訊號和電信訊號。
於本發明所提供之幾個實施例中,應該理解到,所揭露之電子設備和方法,可以藉由其它之方式實現。例如,以上所描述之電子設備實施例僅僅係示意性,例如,所述模組之劃分,僅僅為一種邏輯功能劃分,實際實現時可以有另外之劃分方式。
另外,於本發明各個實施例中之各功能模組可以集成於相同處理模組中,也可以係各個模組單獨物理存在,也可以兩個或兩個以上模組集成於相同模組中。上述集成之模組既可以採用硬體之形式實現,也可以採用硬體加軟體功能模組之形式實現。
對於本領域具有通常技藝者而言,顯然本發明不限於上述示範性實施例之細節,而且於不背離本發明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發明。因此,無論從哪一點來看,均應將實施例看作係示範性,而且係非限制性,本發明之範圍由所附請求項而非上述說明限定,因此旨於將落於請求項之等同要件之含義和範圍內之所有變化涵括於本發明內。不應
將請求項中之任何附圖標記視為限制所涉及之請求項。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之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之順序。
最後應說明,以上實施例僅用以說明本發明之技術方案而非限制,儘管參照較佳實施例對本發明進行了詳細說明,本領域之普通技術人員應當理解,可以對本發明之技術方案進行修改或等同替換,而不脫離本發明技術方案之精神和範圍。
S1~S6:步驟
Claims (7)
- 一種瑕疵檢測方法,藉由處理器執行,其改良在於,所述瑕疵檢測方法包括:(a)將複數張無瑕疵圖像導入至一自編碼器進行模型訓練,以獲得複數張重構圖像;(b)對所述複數張無瑕疵圖像進行處理,以獲得複數張目標圖像;且步驟(b)包括以下子步驟:利用特徵提取函數對所述複數張無瑕疵圖像進行處理,以獲取每一所述無瑕疵圖像之紋理特徵;將獲取之每一所述無瑕疵圖像之紋理特徵進行轉換,以獲得每一所述無瑕疵圖像對應之目標圖像;(c)將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤差;(d)按照默認規則從複數組測試誤差中選取一誤差閾值;(e)獲得一待測圖像,並重複步驟(a)至步驟(c),以獲得一待測重構圖像、一待測目標圖像及所述待測重構圖像與所述待測目標圖像之待測誤差;(f)根據所述待測誤差與所述誤差閾值,確定所述待測圖像之檢測結果;步驟(f)包括:當所述待測誤差小於所述誤差閾值時,將所述檢測結果確定為所述待測圖像無瑕疵;或者當所述待測誤差大於或者等於所述誤差閾值時,將所述檢測結果確定為所述待測圖像有瑕疵;其中,所述測試誤差為所述重構圖像與所述目標圖像之均方誤差,所述待測誤差為所述待測重構圖像與所述待測目標圖像之均方誤差。
- 如請求項1所述之瑕疵檢測方法,其中,所述自編碼器包括編碼器與解碼器,步驟(a)包括如下子步驟:利用所述編碼器提取所述無瑕疵圖像之圖像特徵,輸出對應之潛在表徵;利用所述解碼器對所述潛在表徵進行解碼,以得到對應之重構圖像。
- 如請求項1所述之瑕疵檢測方法,其中,所述特徵提取函數包括Gabor函數及灰度共生矩陣函數,所述紋理特徵包括灰度共生矩陣。
- 如請求項1所述之瑕疵檢測方法,其中,所述默認規則為:選取所述複數組測試誤差中之最大值為所述誤差閾值。
- 一種瑕疵檢測裝置,其改良在於,所述瑕疵檢測裝置包括:訓練模組,用以將複數張無瑕疵圖像導入至一自編碼器進行模型訓練,以獲得複數張重構圖像;圖像處理模組,用以對所述複數張無瑕疵圖像進行處理,以獲得複數張目標圖像;其中,所述圖像處理模組利用特徵提取函數對所述複數張無瑕疵圖像進行處理,以獲取每一所述無瑕疵圖像之紋理特徵;所述圖像處理模組還將獲取之每一所述無瑕疵圖像之紋理特徵進行轉換,以獲得每一所述無瑕疵圖像對應之目標圖像;比較模組,用以將所述重構圖像與對應之目標圖像進行比對,以得到複數組測試誤差;確定模組,用以按照默認規則從複數組測試誤差中選取一誤差閾值;獲取模組,用以獲得一待測圖像,並將所述待測圖像導入所述訓練模組,藉由所述訓練模組獲得一待測重構圖像;所述圖像處理模組還用以對所述待測圖像進行處理,以獲得一待測目標圖像,所述比較模組還用以比對所述待測重構圖像與待測目標圖像,以獲得一待 測誤差,所述確定模組還用以根據所述待測誤差與所述誤差閾值,確定所述待測圖像之檢測結果;其中,所述測試誤差為所述重構圖像與所述目標圖像之均方誤差,所述待測誤差為所述待測重構圖像與所述待測目標圖像之均方誤差;且當所述待測誤差小於所述誤差閾值時,將所述檢測結果確定為所述待測圖像無瑕疵;或者當所述待測誤差大於或者等於所述誤差閾值時,將所述檢測結果確定為所述待測圖像有瑕疵。
- 一種電子設備,其改良在於,所述電子設備包括:記憶體,存儲至少一個指令;及處理器,用以執行所述記憶體中存儲之指令以實現如請求項1至4中任意一項所述之瑕疵檢測方法。
- 一種電腦可讀存儲介質,其改良在於,所述電腦可讀存儲介質中存儲有至少一個指令,所述至少一個指令被電子設備中之處理器執行以實現如請求項1至4中任意一項所述之瑕疵檢測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110101863A TWI804798B (zh) | 2021-01-18 | 2021-01-18 | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110101863A TWI804798B (zh) | 2021-01-18 | 2021-01-18 | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202230280A TW202230280A (zh) | 2022-08-01 |
TWI804798B true TWI804798B (zh) | 2023-06-11 |
Family
ID=83782573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110101863A TWI804798B (zh) | 2021-01-18 | 2021-01-18 | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI804798B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
US20200273210A1 (en) * | 2019-02-25 | 2020-08-27 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for compressing shape data for electronic designs |
-
2021
- 2021-01-18 TW TW110101863A patent/TWI804798B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200273210A1 (en) * | 2019-02-25 | 2020-08-27 | Center For Deep Learning In Electronics Manufacturing, Inc. | Methods and systems for compressing shape data for electronic designs |
CN111383209A (zh) * | 2019-12-20 | 2020-07-07 | 华南理工大学 | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 |
Also Published As
Publication number | Publication date |
---|---|
TW202230280A (zh) | 2022-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
US20220198228A1 (en) | Method for detecting defects in multi-scale images and computing device utilizing method | |
US20220222799A1 (en) | Method for detecting defect in products and electronic device using method | |
CN114764768A (zh) | 缺陷检测分类方法、装置、电子设备及存储介质 | |
CN114862740A (zh) | 瑕疵检测方法、装置、电子设备及计算机可读存储介质 | |
US20210295475A1 (en) | Method and apparatus for generating image, and electronic device | |
CN114638777A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
CN116468680A (zh) | 一种元器件反极缺陷检测方法、系统、设备及存储介质 | |
JP2021143884A (ja) | 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット | |
TWI804798B (zh) | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 | |
JP7459697B2 (ja) | 異常検知システム、学習装置、異常検知プログラム、学習プログラム、異常検知方法、および学習方法 | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
CN111358430A (zh) | 一种磁共振成像模型的训练方法及装置 | |
CN116091874A (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
TW202228019A (zh) | 瑕疵檢測方法、裝置、電子設備及電腦可讀存儲介質 | |
CN115564702A (zh) | 模型训练方法、系统、设备、存储介质及缺陷检测方法 | |
TWI762193B (zh) | 圖像瑕疵檢測方法、裝置、電子設備及存儲介質 | |
US20240013369A1 (en) | Image defect detecting system, generation method of image defect detecting system and non-transitory computer readable medium | |
TWI778519B (zh) | 瑕疵圖像生成方法、裝置、電子設備及存儲介質 | |
CN114881864B (zh) | 印章修复网络模型的训练方法及装置 | |
TWI755212B (zh) | 模型輸入尺寸確定方法及相關設備 | |
TWI792135B (zh) | 缺陷檢測方法及裝置、電子裝置及電腦可讀存儲介質 | |
TWI771908B (zh) | 圖像分類標注方法、裝置、電子設備及存儲介質 | |
TWI764492B (zh) | 缺陷檢測分類方法、裝置、電子設備及存儲介質 | |
JP7386287B1 (ja) | 検査方法及び検査装置 |