TWI807854B - 瑕疵偵測方法、電腦設備及儲存介質 - Google Patents
瑕疵偵測方法、電腦設備及儲存介質 Download PDFInfo
- Publication number
- TWI807854B TWI807854B TW111121534A TW111121534A TWI807854B TW I807854 B TWI807854 B TW I807854B TW 111121534 A TW111121534 A TW 111121534A TW 111121534 A TW111121534 A TW 111121534A TW I807854 B TWI807854 B TW I807854B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- defect
- tested
- image block
- region
- Prior art date
Links
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本申請涉及圖像處理,提供一種瑕疵偵測方法、電腦設備及儲存介質。所述瑕疵檢測方法包括:獲取待測樣本圖像、瑕疵圖像及無瑕疵圖像,基於瑕疵圖像及無瑕疵圖像生成多個瑕疵檢測精度,將待測樣本圖像劃分為多個待測區域;基於瑕疵圖像從多個學習器中選取每個瑕疵檢測精度對應的自編碼器;基於無瑕疵圖像對對應的自編碼器進行訓練,得到多尺度自編碼器模型;基於每個待測區域分割的多個待測圖像塊及對應的多尺度自編碼器模型生成多個重構圖像塊;計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值,並生成待測樣本圖像的偵測結果。
Description
本申請涉及圖像處理領域,尤其涉及一種瑕疵偵測方法、電腦設備及儲存介質。
在目前的瑕疵偵測方法中,當待測圖像中存在多個大小不同的瑕疵時,容易產生誤判或者檢測缺漏的結果,造成瑕疵檢測準確率低。
鑒於以上內容,有必要提供一種瑕疵偵測方法、電腦設備及儲存介質,能夠準確地對圖像中不同大小的瑕疵進行檢測。
本申請提供一種瑕疵偵測方法,所述瑕疵偵測方法包括:獲取待測樣本圖像、瑕疵圖像及無瑕疵圖像;將所述待測樣本圖像劃分為多個待測區域,並基於所述瑕疵圖像及所述無瑕疵圖像生成與每個待測區域對應的瑕疵檢測精度;構建多個學習器;從所述多個學習器中選取與每個瑕疵檢測精度對應的自編碼器;基於所述無瑕疵圖像對每個自編碼器進行訓練,得到多尺度自編碼器模型;將每個待測區域分割為多個待測圖像塊,並將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中,得到多個重構圖像塊;
計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值;基於所述重建誤差值生成所述待測樣本圖像中的待測樣本的檢測結果。
根據本申請可選實施例,所述基於所述瑕疵圖像及所述無瑕疵圖像生成與每個待測區域對應的瑕疵檢測精度包括:將所述瑕疵圖像劃分為多個瑕疵區域,並將所述無瑕疵圖像劃分為多個無瑕疵區域;將每個瑕疵區域分割為多個瑕疵圖像塊,並將所述無瑕疵區域分割為多個無瑕疵圖像塊;對於每個瑕疵區域,計算每個瑕疵圖像塊與對應的無瑕疵圖像塊之間的相似值;透過計算每個瑕疵區域中的多個瑕疵圖像塊的相似值的平均值,得到每個瑕疵區域對應的目標平均值;基於所述目標平均值生成每個瑕疵區域的參數範圍;將每個瑕疵區域的參數範圍確定為對應位置上的每個待測區域的瑕疵檢測精度。
根據本申請可選實施例,所述從所述多個學習器中選取與每個瑕疵檢測精度對應的自編碼器包括:將每個瑕疵區域的瑕疵圖像塊及對應的無瑕疵區域的無瑕疵圖像塊確定為測試圖像塊;獲取所述測試圖像塊的標記結果;將所述測試圖像塊輸入到每個學習器中,得到多個第一重建圖像塊;計算每個第一重建圖像塊與對應的測試圖像塊之間的誤差值;根據計算的誤差值及第一預設值生成驗證結果;將所述驗證結果與所述標記結果進行比對,得到比對結果;
根據所述比對結果計算每個學習器的正確率;選取最高的正確率所對應的學習器作為每個瑕疵區域對應的自編碼器;根據每個瑕疵區域與每個瑕疵檢測精度的對應關係,確定與每個瑕疵檢測精度對應的自編碼器。
根據本申請可選實施例,所述根據所述比對結果計算每個學習器的正確率包括:將與所述標記結果相同的驗證結果確定為目標結果;統計所述目標結果的第一數量,並統計所述驗證結果的第二數量;根據所述第一數量及所述第二數量計算所述目標結果在所述驗證結果中所佔的比率,並將所述比率確定為每個學習器的正確率。
根據本申請可選實施例,所述構建多個學習器包括:構建大小為多個尺度的潛在空間;根據每個尺度及所述待測圖像塊的圖像尺寸進行運算,得到多個運算結果;對於每個尺度,根據所述多個運算結果構建相應數量的隱層作為編碼器,並構建相應數量的運算層作為解碼器;根據每個尺度的編碼器、潛在空間及解碼器生成所述多個學習器。
根據本申請可選實施例,所述將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中,得到多個重構圖像塊包括:將每個待測圖像塊輸入到所述對應的多尺度自編碼器模型的隱層進行特徵提取,得到每個隱層輸出的特徵向量,其中每個隱層輸出的特徵向量作為下一個隱層的輸入向量;將最後一個隱層輸出的特徵向量確定為所述待測樣本圖像對應的潛在向量;
將所述潛在向量輸入到對應的多尺度自編碼器模型的運算層進行重構,得到每個運算層輸出的重構向量,其中每個運算層輸出的重構向量是下一個運算層的輸入向量;對最後一個運算層輸出的重構向量進行轉換處理,得到所述多個重構圖像塊。
根據本申請可選實施例,所述計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值包括:將每個重構圖像塊中畫素點的畫素值與所述待測圖像塊中對應畫素點上的畫素值進行相減運算,得到差異圖像;將所述差異圖像進行二值化處理,得到二值化圖像;從所述二值化圖像中提取畫素值為配置值的畫素點作為目的地區域;計算所述目的地區域的面積,得到所述重建誤差值。
根據本申請可選實施例,所述基於所述重建誤差值生成所述待測樣本圖像中的待測樣本的檢測結果包括:將所述重建誤差值與第二預設值進行比較;若所述重建誤差值大於所述第二預設值,將該重建誤差值所對應的待測圖像塊確定為目標圖像塊;根據所述目標圖像塊在所述待測樣本圖像中的位置定位出瑕疵位置;將所述待測樣本及所述瑕疵位置確定為所述檢測結果。
本申請提供一種電腦設備,所述電腦設備包括: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的瑕疵偵測方法。
本申請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設備中的處理器執行以實現所述的瑕疵偵測方法。
由以上技術方案可以看出,將所述待測樣本圖像劃分為多個待測區域,並根據所述瑕疵圖像及無瑕疵圖像生成每個待測區域對應的瑕疵檢測精度,建立了每個瑕疵檢測精度與每個待測區域之間的對應關係,構建多個學習器,從所述多個學習器中選取每個瑕疵檢測精度對應的多尺度自編碼器模型,根據所述對應關係能夠選取對應的自編碼器模型對每個待測區域進行檢測,由於每個瑕疵檢測精度與每個瑕疵的大小之間存在反比關係(也就是說,每個瑕疵檢測精度能夠表徵對應的待測區域中瑕疵的大小),因此將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中進行檢測,能夠實現對所述待測樣本圖像中不同大小的瑕疵進行檢測,由於多個所述瑕疵檢測精度全面地表徵了所有瑕疵的大小,使用每個瑕疵檢測精度對應的自編碼器對每個待測區域檢測,能夠全面地對所述待測圖像中不同大小的瑕疵進行檢測,避免檢測缺漏或者誤判,將每個待測區域分割為多個待測圖像塊後輸入到所述對應的多尺度自編碼器模型中進行檢測,由於無需將所述待測樣本圖像進行縮放,避免了丟失所述待測樣本圖像的圖像細節,透過對每個待測圖像塊進行瑕疵檢測,減小了每次瑕疵檢測的圖像範圍,因此,能夠對所述待測樣本圖像進行更加精細地檢測,提高了瑕疵檢測的準確性。
1:電腦設備
2:攝像裝置
12:儲存器
13:處理器
S10~S17:步驟
圖1是本申請瑕疵偵測方法的較佳實施例的應用環境圖。
圖2是本申請瑕疵偵測方法的較佳實施例的流程圖。
圖3是本申請瑕疵偵測方法的較佳實施例的學習器的生成示意圖。
圖4是本申請實現瑕疵偵測方法的較佳實施例的電腦設備的結構示意圖。
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,是本申請一種瑕疵偵測方法的較佳實施例的應用環境圖。所述瑕疵偵測方法可應用於一個或者多個電腦設備1中,所述電腦設備1與攝像裝置2相通信,所述攝像裝置2可以是攝像頭,也可以是實現拍攝的其它裝置,例如,透過攝像裝置2能夠拍攝多個瑕疵產品,進而獲得多張瑕疵圖像,同時透過攝像裝置2拍攝多個無瑕疵產品,進而獲得多張無瑕疵圖像。所述產品可以是各類設備,例如,移動電話等。
所述電腦設備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。
所述電腦設備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、智慧移動電話、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。
所述電腦設備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。
所述電腦設備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、區域網路、虛擬私人網路(Virtual Private Network,VPN)等。
如圖2所示,是本申請一種瑕疵偵測方法的較佳實施例的流程圖。根據不同的需求,該流程圖中各個步驟的順序可以根據實際檢測要求進行調整,
某些步驟可以省略。所述方法的執行主體為電腦設備,例如圖1所示的電腦設備1。
步驟S10,獲取待測樣本圖像、瑕疵圖像及無瑕疵圖像。
在本申請的至少一個實施例中,每張瑕疵圖像是指包含瑕疵產品的圖像,可以理解的是,每張無瑕疵圖像是指包含無瑕疵產品的圖像,所述瑕疵產品可以為存在刮痕的移動電話殼、有色差的水杯等,所述瑕疵圖像可用於生成重構圖像,所述無瑕疵圖像可用於對自編碼器的訓練。可以理解的是,本申請中的瑕疵圖像與無瑕疵圖像為同一類產品的圖像,例如,當所述瑕疵圖像為有色差的水杯的圖像,所述無瑕疵圖像為不存在色差的水杯的圖像。
在本申請的至少一個實施例中,所述待測樣本圖像是指需要檢測是否存在瑕疵的圖像。
在本申請的至少一個實施例中,所述電腦設備獲取待測樣本圖像、瑕疵圖像及無瑕疵圖像包括:所述電腦設備控制所述攝像裝置以相同的位置和角度拍攝待測樣本,得到所述待測樣本圖像,所述電腦設備從預先配置的第一資料庫中獲取所述瑕疵圖像及所述無瑕疵圖像。
其中,所述待測樣本同樣可以為水杯等產品,所述攝像裝置可以是攝像頭。
步驟S11,將所述待測樣本圖像劃分為多個待測區域,並基於所述瑕疵圖像及所述無瑕疵圖像生成與每個待測區域對應的瑕疵檢測精度。
在本申請的至少一個實施例中,所述多個待測區域是指需要進行檢測是否存在瑕疵的多個區域。
在本申請的至少一個實施例中,所述瑕疵檢測精度是指相似值的平均值,其中,所述相似值是指所述瑕疵圖像中的瑕疵區域與所述無瑕疵圖像中對應的無瑕疵區域之間的相似值。
在本申請的至少一個實施例中,所述電腦設備將所述待測樣本圖像劃分為多個待測區域存在多種方式,例如,所述電腦設備將所述待測樣本圖像劃分為上半部分區域及下半部分區域。
在本申請的至少一個實施例中,所述電腦設備基於所述瑕疵圖像及所述無瑕疵圖像生成每個待測區域對應的瑕疵檢測精度包括:所述電腦設備將所述瑕疵圖像劃分為多個瑕疵區域,並將所述無瑕疵圖像劃分為多個無瑕疵區域,進一步地,所述電腦設備將每個瑕疵區域分割為多個瑕疵圖像塊,並將所述無瑕疵區域分割為多個無瑕疵圖像塊,對於每個瑕疵區域,所述電腦設備計算每個瑕疵圖像塊與對應的無瑕疵圖像塊之間的相似值,並透過計算每個瑕疵區域中的多個瑕疵圖像塊的相似值的平均值,得到每個瑕疵區域對應的目標平均值,更進一步地,所述電腦設備基於所述目標平均值生成每個瑕疵區域的參數範圍,將每個瑕疵區域的參數範圍確定為對應位置上的每個待測區域的瑕疵檢測精度。
此外,在本申請的其他實施例中,可以先預設劃分規則,依據預設的劃分規則對所述瑕疵圖像、所述無瑕疵圖像及所述待測樣本圖像進行劃分,例如,所述劃分規則可以是根據預設尺寸、預設位置等參數進行設定,預設位置可以基於預先構建的座標系進行確定。例如,基於圖像中心點或者其他任意一點作為基準點,確定橫軸與縱軸的方向,從而構建二維座標系。
所述目標平均值為所述相似值與所述多個瑕疵圖像塊的數量的比值,所述相似值的範圍為[0,1]。
具體地,所述相似值的計算方法可以為:
c 1=(K 1 L)2;c 2=(K 2 L)2;
其中,SSIM(x,y)為所述相似值,x為所述瑕疵圖像塊,y為所述瑕疵圖像塊對應的無瑕疵圖像塊,μ x 為所述瑕疵圖像塊的灰度平均值,μ y 為所述對應的無瑕疵圖像塊的灰度平均值,σ x 為瑕疵圖像塊的灰度標準差,σ y 所述對應的無瑕疵圖像塊的灰度標準差,σ xy 為所述瑕疵圖像塊與所述對應的無瑕疵圖像塊之間的灰度協方差,c 1及c 2均是維持所述相似值中的分母不為零的參數,L為所述瑕疵圖像塊中畫素點的畫素值的動態範圍,K 1及K 2是預先設置好的常數,且K 1<<1,K 2<<1。
具體地,所述電腦設備基於所述目標平均值生成每個瑕疵區域的參數範圍包括:所述電腦設備將所述目標平均值進行昇冪排序,所述電腦設備根據零及第二個目標平均值生成第一區間,將所述第一區間作為第一個目標平均值對應的瑕疵區域的參數範圍,所述電腦設備根據所述第二個目標平均值及第三個目標平均值生成第二區間,將所述第二區間作為所述第二個目標平均值對應的瑕疵區域的參數範圍,重複上述操作直到需要使用最後一個目標平均值進行生成操作,所述電腦設備根據所述最後一個目標平均值及數值1生成特徵區間,將所述特徵區間作為所述最後一個目標平均值對應的瑕疵區域的參數範圍。
例如,所述電腦設備將所述瑕疵圖像劃分為第一瑕疵區域、第二瑕疵區域及第三瑕疵區域,將所述無瑕疵圖像劃分為第一無瑕疵區域、第二無瑕疵區域及第三無瑕疵區域,所述電腦設備將每個瑕疵區域分割為多個瑕疵圖像塊,將每個無瑕疵區域分割為多個無瑕疵圖像塊,計算每個瑕疵圖像塊與對應的無瑕疵圖像塊之間的相似值,並計算所述相似值的平均值,得到每個瑕疵區域對應的目標平均值,若所述第一瑕疵區域對應的目標平均值為0.4,所述第二瑕疵區域對應的目標平均值為0.5,所述第三瑕疵區域對應的目標平均值為0.8,所述電腦設備根據零及0.5生成不包含0.5的第一區間[0,0.5),將所述第一區間[0,0.5)作為所述第一瑕疵區域的第一參數範圍,所述電腦設備根據0.5及0.8生成不包含0.8的第二區間[0.5,0.8),將所述第二區間[0.5,0.8)作為所述第二瑕疵區
域的第二參數範圍,所述電腦設備根據0.8及數值1生成特徵區間[0.8,1],將所述特徵區間[0.8,1]作為第三參數範圍,並將所述第三參數範圍作為所述第三瑕疵區域的第三參數範圍,將每個瑕疵區域的參數範圍確定為對應位置上的每個待測區域的瑕疵檢測精度。
透過上述實施方式,計算出每個瑕疵區域與對應的無瑕疵區域之間的相似值,並將所述相似值作為每個待測區域對應的瑕疵檢測精度,根據不同的瑕疵檢測精度能夠初步判斷每個待測區域是否存在瑕疵,瑕疵檢測精度越小的待測區域存在瑕疵的可能性越大,將每個目標平均值的參數範圍作為瑕疵檢測精度,由於所述目標相似值能夠表徵對應的瑕疵區域中的瑕疵大小,而且每個參數範圍是指每個目標相似值的範圍,因此多個所述瑕疵檢測精度能夠全面地表徵不同瑕疵的大小。
步驟S12,構建多個學習器。
在本申請的至少一個實施例中,所述多個學習器可用於根據輸入的圖像塊生成重構圖像塊。
在本申請的至少一個實施例中,所述電腦設備構建多個學習器包括:所述電腦設備構建大小為多個尺度的潛在空間,根據每個尺度及所述待測圖像塊的圖像尺寸進行運算,得到多個運算結果,對於每個尺度,所述電腦設備根據所述多個運算結果構建相應數量的隱層作為編碼器,並構建相應數量的運算層作為解碼器,所述電腦設備根據每個尺度的編碼器、潛在空間及解碼器生成所述多個學習器。
其中,每個隱層由卷積層、批標準化層及啟動函數層級聯構成,每個運算層由反卷積層、所述批標準化層及所述啟動函數層級聯構成。所述啟動函數層為ReLu。
所述潛在空間是指提取後的圖像特徵存在的空間。所述多個尺度可以包括4*4、8*8及16*16。
所述圖像尺寸是指在水準方向及豎直方向上所包含的畫素點的數量,所述圖像尺寸可用來計算所述多個學習器中隱層的數量,所述圖像尺寸包括,但不限於:64*64、32*32。
具體地,所述電腦設備構建大小為多個尺度的潛在空間包括:所述電腦設備將所述潛在空間的大小設置為多個尺度,並根據每個尺度構建潛在空間,得到多個所述潛在空間。
具體地,所述電腦設備根據每個尺度及所述待測圖像塊的圖像尺寸進行運算,得到多個運算結果包括:所述電腦設備將所述圖像尺寸與目標設置值進行反覆運算相除運算,得到運算結果,若所述運算結果與任一尺度不同,則進行下一次反覆運算相除運算,並將所述運算結果確定為下一次相除運算中的圖像尺寸(可稱為“目標圖像尺寸”),所述電腦設備將所述目標圖像尺寸與所述目標設置值進行相除運算,直到所述運算結果與所述多個尺度中的任一尺度相同,停止相除運算。透過反覆運算相除的方式,可以得到與多個尺度分別等同的多個運算結果。例如,若有兩個尺度,對於每個尺度需要分別進行反覆運算計算。以尺度A為例,在進行反覆運算相除計算的過程中,可以有多個運算結果,直至獲得一個等同於尺度A的運算結果,停止反覆運算,並確定獲得所述等同於尺度A的運算結果的反覆運算次數,將所述反覆運算次數作為每個學習器中隱層的數量,並將多個所述運算結果作為所述編碼器生成的特徵圖的大小。
其中,所述目標設置值包括,但不限於:2、4。
可以理解的是,所述編碼器與所述解碼器的生成過程互為可逆,本申請對所述解碼器的生成過程不作贅述。
如圖3所示,是本申請瑕疵偵測方法的較佳實施例的學習器的生成示意圖。當所述圖像尺寸為32*32、所述潛在空間的尺度為4*4、所述目標設置值為2時,將所述圖像尺寸與所述目標設置值進行第一次相除運算,得到第一相除結果16*16,將所述第一相除結果與所述目標設置值進行第二次相除運算,
得到第二相除結果8*8,所述第二相除結果8*8與所述潛在空間的尺度8*8相同,停止運算,得到運算次數為2,構建網路層數為2隱層作為編碼器,並將第一運算結果16*16作為第一個隱層輸出的特徵圖的大小,將第二運算結果8*8作為第二個隱層輸出的特徵圖的大小。經構建,得到學習器,所述學習器包括編碼器、尺度為16*16的潛在空間及解碼器網路,所述編碼器網路包含2個隱層,其中,第一個隱層輸出的特徵圖的大小為所述第一相除結果16*16,第二個隱層輸出的特徵圖的大小為所述第二相除結果8*8,所述解碼器網路包含2個運算層,其中,第一個運算層輸出的特徵圖的大小為16*16,第二個運算層輸出的特徵圖的大小為32*32。
透過上述實施方式,使用每個學習器進行特徵提取時,能夠根據所述運算結果控制每個學習器提取的特徵的大小,由於每個學習器提取到的特徵的大小不同,每個學習器的重構準確性也不同。
步驟S13,從所述多個學習器中選取每個瑕疵檢測精度對應的自編碼器。
在本申請的至少一個實施例中,所述自編碼器是基於所述瑕疵圖像塊及所述無瑕疵圖像塊從所述多個學習器中選取的。
在本申請的至少一個實施例中,所述電腦設備從所述多個學習器中選取每個瑕疵檢測精度對應的自編碼器包括:所述電腦設備將每個瑕疵區域的瑕疵圖像塊及對應的無瑕疵區域的無瑕疵圖像塊確定為測試圖像塊,所述電腦設備獲取所述測試圖像塊的標記結果,及將所述測試圖像塊輸入到每個學習器中,得到多個第一重建圖像塊,進一步地,所述電腦設備計算每個第一重建圖像塊與對應的測試圖像塊之間的誤差值,並根據計算的誤差值及第一預設值生成驗證結果,更進一步地,所述電腦設備將所述驗證結果與所述標記結果進行比對,得到比對結果,更進一步地,所述電腦設備根據所述比對結果計算每個學習器的正確率,選取最高的正確率所對應的學習器作為每個瑕疵區域對應的自編碼器,所述電腦設備根據每個瑕
疵區域與每個瑕疵檢測精度的對應關係,確定與每個瑕疵檢測精度對應的自編碼器。
其中,所述標記結果可以從預先配置的第二資料庫中獲取,所述標記結果包括任一測試圖像塊存在瑕疵,以及,任一測試圖像塊不存在瑕疵,所述標記結果可用於與所述驗證結果相比較。
所述比對結果包括驗證結果與標記結果相同,以及,驗證結果與標記結果不相同。
所述第一預設值可以自行設置,本申請不作限制。
所述正確率是指與標記結果相同的驗證結果的概率。
具體地,所述電腦設備根據計算的誤差值及第一預設值生成驗證結果包括:若所述計算的誤差值等於或者大於所述第一預設值,所述電腦設備將該計算的誤差值所對應的驗證結果確定為測試圖像塊存在瑕疵,或者,若所述計算的誤差值小於所述第一預設值,所述電腦設備將該計算的誤差值所對應的驗證結果確定為測試圖像塊不存在瑕疵。
具體地,所述電腦設備根據所述比對結果計算每個學習器的正確率包括:所述電腦設備將與所述標記結果相同的驗證結果確定為目標結果,統計所述目標結果的第一數量,並統計所述驗證結果的第二數量,進一步地,所述電腦設備根據所述第一數量及所述第二數量計算所述目標結果在所述驗證結果中所佔的比率,並將所述比率確定為每個學習器的正確率。
透過上述實施方式,將所述瑕疵圖像塊及對應的無瑕疵圖像塊作為所述測試圖像塊,並將所述測試圖像塊輸入到每個學習器中,得到所述多個第一重建圖像塊,由於所述瑕疵圖像塊與無瑕疵圖像塊之間的差異大,因此透過每個學習器生成準確的第一重建圖像塊的難度增加,因此所述正確率能夠準確
反映每個學習器的重構能力,透過選取最大的正確率對應的學習器作為每個瑕疵檢測精度對應的自編碼器,能夠提高所述自編碼器的重構正確性。
步驟S14,基於所述無瑕疵圖像對所述自編碼器進行訓練,得到多尺度自編碼器模型。
在本申請的至少一個實施例中,所述多尺度自編碼器模型是根據所述無瑕疵圖像對所述自編碼器訓練後生成的,所述多尺度自編碼器模型可用於生成與所述無瑕疵圖像相似的圖像。
在本申請的至少一個實施例中,對所述自編碼器進行訓練得到所述多尺度自編碼器模型的過程與下文中多個重構塊的生成過程一致,故本申請在此不作贅述。
本實施例中,使用所述無瑕疵圖像對所述自編碼器進行訓練生成所述多尺度自編碼器模型,所述多尺度自編碼器模型學習到了所述無瑕疵圖像的特徵。
步驟S15,將每個待測區域分割為多個待測圖像塊,並所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中,得到多個重構圖像塊。
在本申請的至少一個實施例中,所述多個重構圖像塊是指所述多尺度自編碼器模型根據所述多個待測圖像塊重構出來的圖像塊。
在本申請的至少一個實施例中,所述電腦設備將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中,得到多個重構圖像塊包括:所述電腦設備將每個待測圖像塊輸入到所述對應的多尺度自編碼器模型的隱層進行特徵提取,得到每個隱層輸出的特徵向量,其中每個隱層輸出的特徵向量作為下一個隱層的輸入向量,所述電腦設備將最後一個隱層輸出的特徵向量確定為所述待測樣本圖像對應的潛在向量,進一步地,所述電腦設備將所述潛在向量輸入到對應的多尺度自編碼器模型的運算層進行重構,得到每個運算層輸出的重構向量,其中每個運算層輸出的重構向量是下一個運算層的
輸入向量,所述電腦設備對最後一個運算層輸出的重構向量進行轉換處理,得到所述多個重構圖像塊。
其中,所述潛在向量是指所述多尺度自編碼器模型將每個待測圖像塊進行壓縮後得到的特徵。所述重構向量是指多尺度自編碼器模型將所述潛在向量進行解壓後得到的特徵。所述對最後一個運算層輸出的重構向量進行轉換處理存在多種方式,且所述多種方式均為現有技術,本申請對此不再贅述。
透過上述實施方式,根據每個待測區域的瑕疵檢測精度選取對應的自編碼器對該待測區域進行檢測,由於多個所述瑕疵檢測精度全面地表徵了不同瑕疵的大小,使用每個瑕疵檢測精度對應的自編碼器對每個待測區域檢測,能夠全面地對所述待測圖像中不同大小的瑕疵進行檢測,避免檢測缺漏或者誤判,提高了瑕疵檢測的準確性。
步驟S16,計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值。
在本申請的至少一個實施例中,所述重建誤差值是指每個重構圖像塊與對應的待測圖像塊之間的差異大小,所述重建誤差值可用於判斷待測圖像塊是否存在瑕疵。
在本申請的至少一個實施例中,所述電腦設備計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值包括:所述電腦設備將每個重構圖像塊中畫素點的畫素值與所述待測圖像塊中對應畫素點上的畫素值進行相減運算,得到差異圖像,進一步地,所述電腦設備將所述差異圖像進行二值化處理,得到二值化圖像,更進一步地,所述電腦設備從所述二值化圖像中提取畫素值為配置值的畫素點作為目的地區域,並計算所述目的地區域的面積,得到所述重建誤差值。
其中,所述配置值可以自行設置,本申請對此不作限制。
透過上述實施方式,能夠計算出每個重構圖像塊與對應的待測圖像塊之間的重建誤差值,由於所述多尺度自編碼器模型學習到了所述無瑕疵圖像
的特徵,因此所述多個重構圖像塊可以看作無瑕疵圖像塊,所述重建誤差值能夠準確反映重構圖像塊與對應的待測圖像塊之間的差異,使用所述重建誤差值能夠準確檢測出待測圖像塊是否存在瑕疵。
步驟S17,基於所述重建誤差值生成所述待測樣本圖像中待測樣本的檢測結果。
在本申請的至少一個實施例中,所述檢測結果是指所述待測樣本是否存在瑕疵,以及存在瑕疵時瑕疵的具體位置。
在本申請的至少一個實施例中,所述電腦設備基於所述重建誤差值生成所述待測樣本圖像中待測樣本的檢測結果包括:所述電腦設備將所述重建誤差值與第二預設值進行比較,若所述重建誤差值大於所述第二預設值,所述電腦設備將該重建誤差值所對應的待測圖像塊確定為目標圖像塊,並根據所述目標圖像塊在所述待測樣本圖像中的位置定位出瑕疵位置,所述電腦設備將所述待測樣本及所述瑕疵位置確定為所述檢測結果。
其中,所述第二預設值可以按照需求設置,本申請對此不作限制,所述目標圖像塊是指存在瑕疵的圖像塊。
透過上述實施方式,將大於所述第二預設值的重建誤差值所對應的待測圖像塊確定為目標圖像塊,由於重建誤差值越大,差異越大,所述待測圖像塊存在瑕疵的可能性越大,透過所述重建誤差值與所述第二預設值的比較,能夠快速並準確地偵測出所述待測樣本是否存在瑕疵並定位出瑕疵的位置。
在本申請的至少一個實施例中,若所述待測圖像塊中不存在所述目標圖像塊,所述電腦設備將所述待測樣本為無瑕疵樣本以及所述待測樣本圖像為無瑕疵圖像作為所述檢測結果。
由以上技術方案可以看出,將所述待測樣本圖像劃分為多個待測區域,並根據所述瑕疵圖像及無瑕疵圖像生成每個待測區域對應的瑕疵檢測精度,建立了每個瑕疵檢測精度與每個待測區域之間的對應關係,構建多個學習器,
從所述多個學習器中選取每個瑕疵檢測精度對應的多尺度自編碼器模型,根據所述對應關係能夠選取對應的自編碼器模型對每個待測區域進行檢測,由於每個瑕疵檢測精度與每個瑕疵的大小之間存在反比關係(也就是說,每個瑕疵檢測精度能夠表徵對應的待測區域中瑕疵的大小),因此將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中進行檢測,能夠實現對所述待測樣本圖像中不同大小的瑕疵進行檢測,由於多個所述瑕疵檢測精度全面地表徵了所有瑕疵的大小,使用每個瑕疵檢測精度對應的自編碼器對每個待測區域檢測,能夠全面地對所述待測圖像中不同大小的瑕疵進行檢測,避免檢測缺漏或者誤判,將每個待測區域分割為多個待測圖像塊後輸入到所述對應的多尺度自編碼器模型中進行檢測,由於無需將所述待測樣本圖像進行縮放,避免了丟失所述待測樣本圖像的圖像細節,透過對每個待測圖像塊進行瑕疵檢測,減小了每次瑕疵檢測的圖像範圍,因此,能夠對所述待測樣本圖像進行更加精細地檢測,提高了瑕疵檢測的準確性。
如圖4所示,是本申請實現瑕疵偵測方法的較佳實施例的電腦設備的結構示意圖。
在本申請的一個實施例中,所述電腦設備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,例如瑕疵偵測程式。
本領域技術人員可以理解,所述示意圖僅僅是電腦設備1的示例,並不構成對電腦設備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,例如所述電腦設備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是所述電腦設備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設備1的各個部分,及獲取所述電腦設備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獲取所述電腦設備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瑕疵偵測方法實施例中的步驟,例如圖2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設備1中的獲取過程。
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,實現所述電腦設備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設備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,快閃儲存卡(Flash Card)、至少一個磁碟儲存器件、快閃儲存器件、或其他非易失性固態儲存器件。
所述儲存器12可以是電腦設備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,如儲存條、TF卡(Trans-flash Card)等等。
所述電腦設備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、隨身碟、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2,所述電腦設備1中的所述儲存器12儲存多個指令以實現一種瑕疵偵測方法,所述處理器13可獲取所述多個指令從而實現:獲取待測樣本圖像、瑕疵圖像及無瑕疵圖像;將所述待測樣本圖像劃分為多個待測區域,並基於所述瑕疵圖像及所述無瑕疵圖像生成與每個待測區域對應的瑕疵檢測精度;構建多個學習器;從所述多個學習器中選取與每個瑕疵檢測精度對應的自編碼器;基於所述無瑕疵圖像對每個自編碼器進行訓練,得到多尺度自編碼器模型;將每個待測區域分割為多個待測圖像塊,並將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中,得到多個重構圖像塊;計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值;基於所述重建誤差值生成所述待測樣本圖像中的待測樣本的檢測結果。
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2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,單數不排除多個。本申請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。
S10~S17:步驟
Claims (8)
- 一種瑕疵偵測方法,應用於電腦設備,其中,所述瑕疵偵測方法包括:獲取待測樣本圖像、瑕疵圖像及無瑕疵圖像;將所述待測樣本圖像劃分為多個待測區域,並基於所述瑕疵圖像及所述無瑕疵圖像生成與每個待測區域對應的瑕疵檢測精度;構建多個學習器,包括:構建大小為多個尺度的潛在空間,根據每個尺度及所述待測圖像塊的圖像尺寸進行運算,得到多個運算結果,對於每個尺度,根據所述多個運算結果構建相應數量的隱層作為編碼器,並構建相應數量的運算層作為解碼器,根據每個尺度的編碼器、潛在空間及解碼器生成所述多個學習器;從所述多個學習器中選取與每個瑕疵檢測精度對應的自編碼器;基於所述無瑕疵圖像對每個自編碼器進行訓練,得到多尺度自編碼器模型;將每個待測區域分割為多個待測圖像塊,並將所述多個待測圖像塊輸入到對應的多尺度自編碼器模型中,得到多個重構圖像塊,包括:將每個待測圖像塊輸入到所述對應的多尺度自編碼器模型的隱層進行特徵提取,得到每個隱層輸出的特徵向量,其中每個隱層輸出的特徵向量作為下一個隱層的輸入向量,將最後一個隱層輸出的特徵向量確定為所述待測樣本圖像對應的潛在向量,將所述潛在向量輸入到對應的多尺度自編碼器模型的運算層進行重構,得到每個運算層輸出的重構向量,其中每個運算層輸出的重構向量是下一個運算層的輸入向量,對最後一個運算層輸出的重構向量進行轉換處理,得到所述多個重構圖像塊;計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值;基於所述重建誤差值生成所述待測樣本圖像中的待測樣本的檢測結果。
- 如請求項1所述的瑕疵偵測方法,其中,所述基於所述瑕疵圖像及所述無瑕疵圖像生成與每個待測區域對應的瑕疵檢測精度包括:將所述瑕疵圖像劃分為多個瑕疵區域,並將所述無瑕疵圖像劃分為多個無瑕疵區域;將每個瑕疵區域分割為多個瑕疵圖像塊,並將所述無瑕疵區域分割為多個無瑕疵圖像塊;對於每個瑕疵區域,計算每個瑕疵圖像塊與對應的無瑕疵圖像塊之間的相似值;透過計算每個瑕疵區域中的多個瑕疵圖像塊的相似值的平均值,得到每個瑕疵區域對應的目標平均值;基於所述目標平均值生成每個瑕疵區域的參數範圍;將每個瑕疵區域的參數範圍確定為對應位置上的每個待測區域的瑕疵檢測精度。
- 如請求項2所述的瑕疵偵測方法,其中,所述從所述多個學習器中選取與每個瑕疵檢測精度對應的自編碼器包括:將每個瑕疵區域的瑕疵圖像塊及對應的無瑕疵區域的無瑕疵圖像塊確定為測試圖像塊;獲取所述測試圖像塊的標記結果;將所述測試圖像塊輸入到每個學習器中,得到多個第一重建圖像塊;計算每個第一重建圖像塊與對應的測試圖像塊之間的誤差值;根據計算的誤差值及第一預設值生成驗證結果;將所述驗證結果與所述標記結果進行比對,得到比對結果;根據所述比對結果計算每個學習器的正確率;選取最高的正確率所對應的學習器作為每個瑕疵區域對應的自編碼器;根據每個瑕疵區域與每個瑕疵檢測精度的對應關係,確定與每個瑕疵檢測精度對應的自編碼器。
- 如請求項3所述的瑕疵偵測方法,其中,所述根據所述比對結果計算每個學習器的正確率包括:將與所述標記結果相同的驗證結果確定為目標結果;統計所述目標結果的第一數量,並統計所述驗證結果的第二數量;根據所述第一數量及所述第二數量計算所述目標結果在所述驗證結果中所佔的比率,並將所述比率確定為每個學習器的正確率。
- 如請求項1所述的瑕疵偵測方法,其中,所述計算每個重構圖像塊與對應的待測圖像塊之間的重建誤差值包括:將每個重構圖像塊中畫素點的畫素值與所述待測圖像塊中對應畫素點上的畫素值進行相減運算,得到差異圖像;將所述差異圖像進行二值化處理,得到二值化圖像;從所述二值化圖像中提取畫素值為配置值的畫素點作為目的地區域;計算所述目的地區域的面積,得到所述重建誤差值。
- 如請求項1所述的瑕疵偵測方法,其中,所述基於所述重建誤差值生成所述待測樣本圖像中的待測樣本的檢測結果包括:將所述重建誤差值與第二預設值進行比較;若所述重建誤差值大於所述第二預設值,將該重建誤差值所對應的待測圖像塊確定為目標圖像塊;根據所述目標圖像塊在所述待測樣本圖像中的位置定位出瑕疵位置;將所述待測樣本及所述瑕疵位置確定為所述檢測結果。
- 一種電腦設備,其中,所述電腦設備包括:儲存器,儲存至少一個指令;及處理器,執行所述至少一個指令以實現如請求項1至6中任意一項所述的瑕疵偵測方法。
- 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設備中的處理器執行以實現如請求項1至6中任意一項所述的瑕疵偵測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111121534A TWI807854B (zh) | 2022-06-09 | 2022-06-09 | 瑕疵偵測方法、電腦設備及儲存介質 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111121534A TWI807854B (zh) | 2022-06-09 | 2022-06-09 | 瑕疵偵測方法、電腦設備及儲存介質 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI807854B true TWI807854B (zh) | 2023-07-01 |
TW202349269A TW202349269A (zh) | 2023-12-16 |
Family
ID=88149303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111121534A TWI807854B (zh) | 2022-06-09 | 2022-06-09 | 瑕疵偵測方法、電腦設備及儲存介質 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI807854B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201514474A (zh) * | 2013-10-15 | 2015-04-16 | Benq Materials Corp | 一種檢測具週期性結構光學薄膜的瑕疵檢測方法及其檢測裝置 |
TW202040511A (zh) * | 2019-02-02 | 2020-11-01 | 香港商阿里巴巴集團服務有限公司 | 資料處理方法、瑕疵的檢測方法、計算設備及儲存媒體 |
TW202125330A (zh) * | 2019-12-30 | 2021-07-01 | 緯創資通股份有限公司 | 物件的瑕疵判斷方法及裝置 |
TW202127371A (zh) * | 2019-12-31 | 2021-07-16 | 大陸商鄭州富聯智能工坊有限公司 | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 |
TWI748828B (zh) * | 2020-12-29 | 2021-12-01 | 鴻海精密工業股份有限公司 | 產品瑕疵檢測方法、電腦裝置及儲存媒體 |
TW202215037A (zh) * | 2020-09-15 | 2022-04-16 | 德商卡爾蔡司Smt有限公司 | 晶圓上半導體結構之缺陷檢測 |
-
2022
- 2022-06-09 TW TW111121534A patent/TWI807854B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201514474A (zh) * | 2013-10-15 | 2015-04-16 | Benq Materials Corp | 一種檢測具週期性結構光學薄膜的瑕疵檢測方法及其檢測裝置 |
TW202040511A (zh) * | 2019-02-02 | 2020-11-01 | 香港商阿里巴巴集團服務有限公司 | 資料處理方法、瑕疵的檢測方法、計算設備及儲存媒體 |
TW202125330A (zh) * | 2019-12-30 | 2021-07-01 | 緯創資通股份有限公司 | 物件的瑕疵判斷方法及裝置 |
TW202127371A (zh) * | 2019-12-31 | 2021-07-16 | 大陸商鄭州富聯智能工坊有限公司 | 基於圖像的瑕疵檢測方法及電腦可讀存儲介質 |
TW202215037A (zh) * | 2020-09-15 | 2022-04-16 | 德商卡爾蔡司Smt有限公司 | 晶圓上半導體結構之缺陷檢測 |
TWI748828B (zh) * | 2020-12-29 | 2021-12-01 | 鴻海精密工業股份有限公司 | 產品瑕疵檢測方法、電腦裝置及儲存媒體 |
Also Published As
Publication number | Publication date |
---|---|
TW202349269A (zh) | 2023-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977191B (zh) | 问题地图检测方法、装置、电子设备和介质 | |
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
CN111598825B (zh) | 数据处理方法、瑕疵的检测方法、计算设备及存储介质 | |
CN114663335A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
CN114299034A (zh) | 一种缺陷检测模型的训练方法、缺陷检测方法及装置 | |
US20230401691A1 (en) | Image defect detection method, electronic device and readable storage medium | |
CN116433559A (zh) | 产品外观缺陷检测方法、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 | |
CN111428373A (zh) | 产品装配质量检测方法、装置、设备及存储介质 | |
CN114638777A (zh) | 图像瑕疵检测方法、装置、电子设备及介质 | |
CN111428374A (zh) | 零件缺陷检测方法、装置、设备及存储介质 | |
CN116416190A (zh) | 瑕疵检测方法及装置、电子设备及存储介质 | |
CN112634201A (zh) | 目标检测方法、装置和电子设备 | |
CN117173568A (zh) | 目标检测模型训练方法和目标检测方法 | |
CN115311618A (zh) | 一种基于深度学习和对象匹配的装配质量检查方法 | |
CN114972268A (zh) | 一种缺陷图像的生成方法、装置、电子设备及存储介质 | |
CN111709951B (zh) | 目标检测网络训练方法及系统及网络及装置及介质 | |
CN117788444A (zh) | Smt贴片偏移检测方法、装置及视觉检测系统 | |
TWI807854B (zh) | 瑕疵偵測方法、電腦設備及儲存介質 | |
US20230401670A1 (en) | Multi-scale autoencoder generation method, electronic device and readable storage medium | |
CN116597246A (zh) | 模型训练方法、目标检测方法、电子设备及存储介质 | |
CN115953403A (zh) | 缺陷检测方法及装置 | |
TWI840833B (zh) | 多尺度自編碼器生成方法、電腦設備及儲存介質 | |
CN114841255A (zh) | 检测模型的训练方法、装置、设备、存储介质及程序产品 | |
CN111753625A (zh) | 一种行人检测方法、装置、设备及介质 |