一种图像缺陷检测方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种图像缺陷检测方法、装置、设备及存储介质。在图像缺陷检测方法中，首先获取待检测图像；接着将待检测图像分别输入到已训练的第一类图像重建模型和已训练的第二类图像重建模型中，获得第一类图像重建模型输出的第一类重建图像和第二类图像重建模型输出的第二类重建图像；最后根据第一类重建图像和第二类重建图像之间的差异确定待检测图像中的缺陷。两类模型的使用，建立了对于图像缺陷的联合检测的机制。本申请技术方案相比于采用单一的图像重建模型的输入输出来检测缺陷的方案，能够减少模型泛化能力过强带来的影响，从而更易于准确检测图像缺陷。从而更易于准确检测图像缺陷。从而更易于准确检测图像缺陷。

【技术实现步骤摘要】
一种图像缺陷检测方法、装置、设备及存储介质


[0001]本申请涉及图像处理
，特别是涉及一种图像缺陷检测方法、装置、设备及存储介质。

技术介绍

[0002]根据场景的多样性，图像中存在缺陷的原因可能有两种。一种是图像中囊括的物品本身存在缺陷，例如晶圆的图像中的缺陷能够反映出晶圆自身的质量问题。另一种是图像因为成像设备或者拍摄手法等原因，导致图像质量不佳，存在缺陷。针对上述图像缺陷问题，在一些场景中需要进行缺陷检测。下面介绍一种图像缺陷检测方案。
[0003]在一种示例实现方式中，通过图像重建模型对输入其中的带有缺陷的图像进行重建，以获得质量提升的图像。再通过比对模型的输入输出来检测缺陷。但是在实际应用中，使用的图像重建模型可能本身的泛化能力较强。泛化能力过强的图像重建模型，容易将输入模型中的图像的缺陷也重建出来，导致图像的缺陷既存在于输入图像中，又存在于输出的重建图像中，致使图像缺陷检测难度加大，不容易准确检测出图像中的缺陷。

技术实现思路

[0004]基于上述问题，本申请提供了一种图像缺陷检测方法、装置、设备及存储介质，目的是解决因图像重建模型泛化能力过强，导致的图像缺陷检测困难、检测不准确的问题。
[0005]本申请实施例公开了如下技术方案：
[0006]本申请第一方面提供了一种图像缺陷检测方法，包括：
[0007]获取待检测图像；
[0008]将所述待检测图像分别输入到已训练的第一类图像重建模型和已训练的第二类图像重建模型中，获得所述第一类图像重建模型输出的第一类重建图像和所述第二类图像重建模型输出的第二类重建图像；
[0009]根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷；
[0010]其中，所述第二类图像重建模型为以所述第一类图像重建模型为监督指导训练得到的图像重建模型。
[0011]可选地，已训练的所述第二类图像重建模型的数量为多个且不同；所述根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷，具体包括：
[0012]将所述多个第二类图像重建模型分别输出的第二类重建图像一一与所述第一类重建图像进行比较，获得所述待检测图像的多个初步缺陷检测结果；
[0013]根据所述多个初步缺陷检测结果获得所述待检测图像的最终缺陷检测结果。
[0014]可选地，所述根据所述多个初步缺陷检测结果获得所述待检测图像的最终缺陷检测结果，具体包括：
[0015]对所述多个初步缺陷检测结果两两计算差值；
[0016]根据多个差值计算得到所述最终缺陷检测结果。
[0017]可选地，所述根据多个差值计算得到所述最终缺陷检测结果，具体包括：
[0018]将所述多个差值累加得到所述最终缺陷检测结果。
[0019]可选地，图像缺陷检测方法还包括：
[0020]通过第一训练数据集训练所述第一类图像重建模型，以及通过第二训练数据集训练所述第二类图像重建模型；所述第一训练数据集和所述第二训练数据集为不同的训练数据集；
[0021]其中，所述第一训练数据集和所述第二训练数据集均包括正常图像和掩膜图像随机合成后的图像。
[0022]可选地，所述掩膜图像基于多宫格图像采用独热编码的方式随机生成。
[0023]在所述根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷之前，图像缺陷检测方法还包括：
[0024]通过将所述待检测图像和所述第一类重建图像相减，获得图像相减结果；
[0025]根据所述图像相减结果识别所述待检测图像中的缺陷；
[0026]若无法根据所述图像相减结果识别出所述待检测图像中的缺陷，则进一步执行图像缺陷检测方法中根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷的步骤。
[0027]本申请第二方面提供了一种图像缺陷检测装置，包括：
[0028]待检测图像获取模块，用于获取待检测图像；
[0029]图像重建模块，用于将所述待检测图像分别输入到已训练的第一类图像重建模型和已训练的第二类图像重建模型中，获得所述第一类图像重建模型输出的第一类重建图像和所述第二类图像重建模型输出的第二类重建图像；
[0030]缺陷确定模块，用于根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷；
[0031]其中，所述第二类图像重建模型为以所述第一类图像重建模型为指导监督训练得到的图像重建模型。
[0032]本申请第三方面提供了一种图像缺陷检测设备，包括：处理器以及存储器：
[0033]所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0034]所述处理器用于根据所述程序代码中的指令执行第一方面提供的图像缺陷检测方法的步骤。
[0035]本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面提供的图像缺陷检测方法的步骤。
[0036]相较于现有技术，本申请具有以下有益效果：
[0037]本申请技术方案中，采用不同的图像重建模型对图像进行重建，具体涉及到已训练的第一类图像重建模型和第二类图像重建模型。其中第二类图像重建模型具体为以第一类图像重建模型为监督指导训练得到的图像重建模型。在图像缺陷检测方法中，首先获取待检测图像；接着将待检测图像分别输入到第一类图像重建模型和第二类图像重建模型中，获得第一类图像重建模型输出的第一类重建图像和第二类图像重建模型输出的第二类
重建图像；最后根据第一类重建图像和第二类重建图像之间的差异确定待检测图像中的缺陷。由于第二类图像重建模型是以第一类图像重建模型为教师模型训练得到的学生模型，因此二者在图像重建的功能上相互匹配。
[0038]由于两类模型存在差异，因此即便一个模型泛化程度强导致了缺陷也被重建出来，另一个模型不至于重建出一模一样的缺陷。从而可知，两类模型的使用，建立了对于图像缺陷的联合检测的机制。本申请技术方案相比于采用单一的图像重建模型的输入输出来检测缺陷的方案，能够减少模型泛化能力过强带来的影响，从而更易于准确检测图像缺陷。
附图说明
[0039]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0040]图1为本申请实施例提供的一种图像检测方法的流程图；
[0041]图2为本申请实施例提供的一种确定待检测图像中缺陷的示意图；
[0042]图3为本申请实施例提供的另一种确定待检测图像中缺陷的示意图；
[0043]图4为本申请实施例中将图像分割为多块子图后再划分为9个区域的示意图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像缺陷检测方法，其特征在于，包括：获取待检测图像；将所述待检测图像分别输入到已训练的第一类图像重建模型和已训练的第二类图像重建模型中，获得所述第一类图像重建模型输出的第一类重建图像和所述第二类图像重建模型输出的第二类重建图像；根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷；其中，所述第二类图像重建模型为以所述第一类图像重建模型为监督指导训练得到的图像重建模型。2.根据权利要求1所述的图像缺陷检测方法，其特征在于，已训练的所述第二类图像重建模型的数量为多个且不同；所述根据所述第一类重建图像和所述第二类重建图像之间的差异确定所述待检测图像中的缺陷，具体包括：将所述多个第二类图像重建模型分别输出的第二类重建图像一一与所述第一类重建图像进行比较，获得所述待检测图像的多个初步缺陷检测结果；根据所述多个初步缺陷检测结果获得所述待检测图像的最终缺陷检测结果。3.根据权利要求2所述的图像缺陷检测方法，其特征在于，所述根据所述多个初步缺陷检测结果获得所述待检测图像的最终缺陷检测结果，具体包括：对所述多个初步缺陷检测结果两两计算差值；根据多个差值计算得到所述最终缺陷检测结果。4.根据权利要求3所述的图像缺陷检测方法，其特征在于，所述根据多个差值计算得到所述最终缺陷检测结果，具体包括：将所述多个差值累加得到所述最终缺陷检测结果。5.根据权利要求1所述的图像缺陷检测方法，其特征在于，还包括：通过第一训练数据集训练所述第一类图像重建模型，以及通过第二训练数据集训练所述第二类图像重建模型；所述第一训练数据集和所述第二训练数据集为不同的训练数据集；其中，所述第一训练数据集和所述第二训练数据集均包括正常图像和掩膜图像随...

【专利技术属性】
技术研发人员：胡尊刚，代杰，孙新，
申请(专利权)人：苏州镁伽科技有限公司，
类型：发明
国别省市：