【技术实现步骤摘要】
图像瑕疵检测方法、装置、电子设备及存储介质
[0001]本专利技术涉及图像检测领域，提供瑕疵检测和计算机视觉
，具体涉及一种图像瑕疵检测方法、装置、电子设备及存储介质。
技术介绍
[0002]为了提高工业产品的品质，在对工业产品进行打包前，通常会对工业产品进行一定的瑕疵检测。由于目前的基于高斯混合模型的瑕疵检测方法通常有庞大的计算量，使得程序速度无法优化，执行时间无法减少。
技术实现思路
[0003]鉴于以上内容，有必要提出一种图像瑕疵检测方法、装置、电子设备及存储介质以提升瑕疵图像检测效率。
[0004]本申请的第一方面提供一种图像瑕疵检测方法，包括：
[0005]获取无瑕疵样本训练图像；
[0006]将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征；
[0007]将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像...
【技术保护点】
【技术特征摘要】
1.一种图像瑕疵检测方法，其特征在于，所述方法包括：获取无瑕疵样本训练图像；将所述无瑕疵样本训练图像输入自编码器，通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征；将所述第一潜特征输入所述自编码器的解码层并并计算得到所述无瑕疵样本训练图像的第一重构图像，并使用预设的误差函数计算所述无瑕疵样本训练图像和所述第一重构图像得到所述无瑕疵样本训练图像和所述第一重构图像之间的第一重构误差；将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布；将所述第一潜特征输入高斯混合模型并计算得到所述第一潜特征的第二概率分布；计算所述第一概率分布和所述第二概率分布之间的库尔贝克
‑
莱布勒散度；根据所述第一重构误差和所述库尔贝克
‑
莱布勒散度得到总损失，根据所述总损失优化所述自编码器、所述深度学习模型及所述高斯混合模型，并根据所述总损失设定阈值；获取测试样本图像，将所述测试样本图像输入所述自编码器，通过所述自编码器的编码层计算得到所述测试样本图像的第二潜特征，将所述第二潜特征输入所述自编码器的解码层并计算得到所述测试样本图像的第二重构图像，并使用所述预设的误差函数计算所述测试样本图像和所述第二重构图像之间的第二重构误差，将所述第二潜特征输入训练完成的深度学习模型并计算得到所述第二潜特征的第三概率分布，根据所述第三概率分布和所述第二重构误差计算总误差；当所述总误差大于或等于所述阈值时，确定所述测试样本图像为瑕疵图像，当所述总误差小于所述阈值时，确定所述测试样本图像为无瑕疵图像。2.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述通过所述自编码器的编码层计算得到所述无瑕疵样本训练图像的第一潜特征包括：将所述无瑕疵样本训练图像进行向量化处理，得到所述无瑕疵样本训练图像的特征向量；利用所述自编码器中的所述编码层对所述无瑕疵样本训练图像的所述特征向量进行运算，得到所述第一潜特征。3.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将所述第一潜特征输入所述自编码器的解码层并计算得到所述无瑕疵样本训练图像的第一重构图像包括：利用所述自编码器中的所述解码层对所述第一潜特征进行运算；对运算后得到的向量进行还原处理，得到所述第一重建图像。4.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述将所述第一潜特征输入深度学习模型并计算得到所述第一潜特征的第一概率分布包括：将所述第一潜特征输入所述深度学习模型；通过所述深度学习模型中卷积层、池化层和至少一个隐藏层中的一个或多个对所述第一潜特征进行运算，得到所述第一概率分布。5.如权利要求1所述的图像瑕疵检测方法，其特征在于，所述计算所述第一概率分布和所述第二概率分布之间的库尔贝克
‑
莱布勒散度包括：根据公式计算所述第一概率分布和所述第二概率分
布的库尔贝克
‑
莱布勒散度，其中，D
KL
(P||Q)为所述第一概率分布和所述第二概率...
【专利技术属性】
技术研发人员：简士超，郭锦斌，蔡东佐，
申请(专利权)人：鸿海精密工业股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。