异物检测方法、设备和存储介质技术

本发明专利技术公开了一种异物检测方法、设备和存储介质，涉及图像检测技术领域，本发明专利技术的方法，包括：获取待检测图像；将待检测图像输入到孪生自编码网络模型中，得到第一重建图像和第二重建图像；对待检测图像和第一重建图像进行第一像素级减法处理，得到包含异物的第一轮廓梯度图像；对第一重建图像和第二重建图像进行第二像素级减法处理，得到第二轮廓梯度图像；对第二轮廓梯度图像进行膨胀处理，得到第三轮廓梯度图像；对第一轮廓梯度图像与第三轮廓梯度图像进行第三像素级减法处理，得到异物检测结果。通过这种异物检测方法，提升对边缘梯度信息的去除效果，提高异物检测的精度，并降低检测成本。测成本。测成本。

【技术实现步骤摘要】
异物检测方法、设备和存储介质


[0001]本专利技术涉及图像检测
，尤其涉及一种异物检测方法、设备和存储介质。

技术介绍

[0002]目前，自编码器网络在图像重构和异物检测等任务中取得了较好的性能，但是基于自编码器网络的异物检测算法得到的异物重构图像的边缘梯度信息巨大，使得参数过于庞大，进而导致需要更多的数据和计算资源，无法满足工业上的大批次、高并发需求。

技术实现思路

[0003]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种异物检测方法、设备和存储介质，提升对边缘梯度信息的去除效果，提高异物检测的精度，并降低检测成本。
[0004]根据本专利技术第一方面实施例的异物检测方法，其包括：
[0005]获取待检测图像；
[0006]将所述待检测图像输入到孪生自编码网络模型中，得到第一重建图像和第二重建图像；
[0007]对所述待检测图像和所述第一重建图像进行第一像素级减法处理，得到包含异物的第一轮廓梯度图像；
[0008]对所述第一重建图像和所述第二重建图像进行第二像素级减法处理，得到第二轮廓梯度图像；
[0009]对所述第二轮廓梯度图像进行膨胀处理，得到第三轮廓梯度图像；
[0010]对所述第一轮廓梯度图像与所述第三轮廓梯度图像进行第三像素级减法处理，得到异物检测结果。
[0011]根据本专利技术实施例中提供的一个或多个技术方案，至少具有如下有益效果：本专利技术通过孪生自编码网络模型、第一像素级减法处理、第二像素级减法处理、第三像素级减法处理及膨胀处理对待检测图像进行异物检测，以得到异物检测结果。通过这种异物检测方法，提升对边缘梯度信息的去除效果，提高异物检测的精度，并降低检测成本。
[0012]根据本专利技术的一些实施例，所述孪生自编码网络模型为包括第一自编码器、第二自编码器及解码器的全卷积网络结构；所述将所述待检测图像输入到孪生自编码网络模型中，得到第一重建图像和第二重建图像，包括：
[0013]将所述待检测图像输入到所述第一自编码器中，得到第一处理图像；
[0014]将所述第一处理图像输入到所述解码器中，得到第一重建图像；
[0015]将所述待检测图像输入到所述第二自编码器中，得到第二处理图像；
[0016]将所述第二处理图像输入到所述解码器中，得到第二重建图像。
[0017]根据本专利技术的一些实施例，所述第一像素级减法处理的计算公式如下：
[0018]R1＝|X
‑
Y1|，
[0019]其中，R1表示所述第一轮廓梯度图像，X表示所述待检测图像，Y1表示所述第一重建图像；
[0020]所述第二像素级减法处理的计算公式如下：
[0021]R2＝|Y2‑
Y1|，
[0022]其中，R2表示所述第二轮廓梯度图像，Y1表示所述第一重建图像，Y2表示所述第二重建图像；
[0023]所述第三像素级减法处理的计算公式如下：
[0024]OUT＝{R1‑
R3}∩{Z>0}，
[0025]其中，R1表示所述第一轮廓梯度图像，R3表示所述第三轮廓梯度图像,OUT表示所述异物检测结果,Z表示所述第一轮廓梯度图像减去所述第三轮廓梯度图像得到的像素值。
[0026]根据本专利技术的一些实施例，所述膨胀处理的计算公式如下：
[0027]D(X)＝{a|Ba
↑
X}，R3＝D(R2)，
[0028]其中，D表示膨胀函数，D(X)表示所述膨胀函数的表达式，Ba表示结构元素，X表示所述待检测图像，a表示所述待检测图像中满足所述结构元素的像素点组成的集合，R2表示所述第二轮廓梯度图像，R3表示所述第三轮廓梯度图像，D(R2)表示对所述第二轮廓梯度图像进行膨胀处理。
[0029]根据本专利技术的一些实施例，所述孪生自编码网络模型由以下步骤得到：
[0030]获取样本训练集；
[0031]将所述样本训练集输入到孪生自编码网络模型中进行回归训练，直至所述损失函数的变化率符合预设条件。
[0032]根据本专利技术的一些实施例，所述回归训练中采用的损失函数的计算公式如下:
[0033][0034]其中，Loss表示所述损失函数，G表示所述样本训练集，x
i
表示所述待检测图像第i个分量，y
i
表示所述第一重建图像和所述第二重建图像的第i个分量，λ表示超参数数据，w
i
表示网络参数数据。
[0035]根据本专利技术第二方面实施例的异物检测设备，其包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的异物检测方法。
[0036]根据本专利技术第三方面实施例的计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述第一方面所述的异物检测方法。
[0037]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
[0038]附图用来提供对本专利技术技术方案的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术的技术方案，并不构成对专利技术技术方案的限制。
[0039]图1是本专利技术实施例提供的异物检测方法的流程示意图；
[0040]图2是本专利技术实施例提供的获取第一重建图像的流程示意图；
[0041]图3是本专利技术实施例提供的获取第二重建图像的流程示意图；
[0042]图4是本专利技术实施例提供的获取第一轮廓梯度图像的流程示意图；
[0043]图5是本专利技术实施例提供的获取第二轮廓梯度图像的流程示意图；
[0044]图6是本专利技术实施例提供的获取孪生自编码网络模型的流程示意图；
[0045]图7是本专利技术实施例提供的异物检测结果示意图；
[0046]图8是本专利技术实施例提供的异物检测的流程示意图；
[0047]图9是本专利技术实施例提供的异物检测的另一结果示意图；
[0048]图10是本专利技术实施例提供的异物检测方法的结构示意图。
具体实施方式
[0049]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0050]需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0051]目前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种异物检测方法，其特征在于，包括：获取待检测图像；将所述待检测图像输入到孪生自编码网络模型中，得到第一重建图像和第二重建图像；对所述待检测图像和所述第一重建图像进行第一像素级减法处理，得到包含异物的第一轮廓梯度图像；对所述第一重建图像和所述第二重建图像进行第二像素级减法处理，得到第二轮廓梯度图像；对所述第二轮廓梯度图像进行膨胀处理，得到第三轮廓梯度图像；对所述第一轮廓梯度图像与所述第三轮廓梯度图像进行第三像素级减法处理，得到异物检测结果。2.根据权利要求1所述的异物检测方法，其特征在于，所述孪生自编码网络模型为包括第一自编码器、第二自编码器及解码器的全卷积网络结构；所述将所述待检测图像输入到孪生自编码网络模型中，得到第一重建图像和第二重建图像，包括：将所述待检测图像输入到所述第一自编码器中，得到第一处理图像；将所述第一处理图像输入到所述解码器中，得到第一重建图像；将所述待检测图像输入到所述第二自编码器中，得到第二处理图像；将所述第二处理图像输入到所述解码器中，得到第二重建图像。3.根据权利要求1所述的异物检测方法，其特征在于，所述第一像素级减法处理的计算公式如下：R1＝|X
‑
Y1|，其中，R1表示所述第一轮廓梯度图像，X表示所述待检测图像，Y1表示所述第一重建图像；所述第二像素级减法处理的计算公式如下：R2＝|Y2‑
Y1|，其中，R2表示所述第二轮廓梯度图像，Y1表示所述第一重建图像，Y2表示所述第二重建图像；所述第三像素级减法处理的计算公式如下：OUT＝{R1‑
R3}∩{Z>0}，其中，R1表示所述第一轮廓梯度图像，R3表示所述第三轮廓梯度图像...

【专利技术属性】
技术研发人员：李永刚，
申请(专利权)人：东莞市盟拓智能科技有限公司，
类型：发明
国别省市：