本申请涉及一种加工件缺陷检测方法、装置、电子设备及存储介质，应用于图像处理技术领域，所述方法包括：获取待检测图像，通过预先训练的神经网络模型对待检测图像进行特征提取，得到待检测图像的图像特征；从图像特征库中获取样本图像特征；其中，每个样本图像特征是将样本图像输入神经网络模型进行特征提取得到的；样本图像特征包括无缺陷类型的样本图像特征；根据无缺陷类型的样本图像特征，生成高斯分布函数；计算待检测图像的图像特征在高斯分布函数中的概率密度值；其中，概率密度值表示待检测图像为无缺陷图像的概率；根据概率密度值，判断待检测图像是否存在缺陷，本申请可以提高缺陷检测的准确性。可以提高缺陷检测的准确性。可以提高缺陷检测的准确性。
【技术实现步骤摘要】
一种加工件缺陷检测方法、装置、电子设备及存储介质
[0001]本申请涉及图像处理
，尤其涉及一种加工件缺陷检测方法、装置、电子设备及存储介质。
技术介绍
[0002]在金属加工过程中，通过对金属加工件的表面图像进行缺陷检测，可以筛选出存在缺陷的金属加工件。相关技术中，可以基于深度学习的方法对金属加工件的表面图像进行缺陷检测。然而，该方法在训练阶段需要收集海量的样本图像，并且需要尽可能地覆盖所有可能出现的缺陷，这在实际场景中难以实现。而且缺陷的样式在出现以前是无法定义和采集的，因此基于该方法会造成漏检的问题，导致缺陷检测的准确性较低。
技术实现思路
[0003]为了解决上述技术问题，本申请提供了一种加工件缺陷检测方法、装置、电子设备及存储介质。
[0004]根据本申请的第一方面，提供了一种加工件缺陷检测方法，包括：
[0005]获取待检测图像，通过预先训练的神经网络模型对所述待检测图像进行特征提取，得到所述待检测图像的图像特征；
[0006]从图像特征库中获取样本图像特征；其中，每个所述样本图像特征是将样本图像输入所述神经网络模型进行特征提取得到的；所述样本图像特征包括无缺陷类型的样本图像特征；
[0007]根据所述无缺陷类型的样本图像特征，生成高斯分布函数；
[0008]计算所述待检测图像的图像特征在所述高斯分布函数中的概率密度值；其中，所述概率密度值表示所述待检测图像为无缺陷图像的概率；
[0009]根据所述概率密度值，判断所述待检测图像是否存在缺陷。
[0010]可选地，所述根据所述概率密度值，判断所述待检测图像是否存在缺陷，包括：
[0011]在所述概率密度值小于等于概率密度阈值的情况下，确定所述待检测图像存在缺陷；
[0012]在所述概率密度值大于所述概率密度阈值的情况下，确定所述待检测图像不存在缺陷，或者，
[0013]在所述概率密度值大于所述概率密度阈值的情况下，且所述样本图像特征包括有缺陷类型的样本图像特征，根据所述有缺陷类型的样本图像特征，判断所述待检测图像是否存在缺陷。
[0014]可选地，所述根据所述有缺陷类型的样本图像特征，判断所述待检测图像是否存在缺陷，包括：
[0015]计算所述待检测图像的图像特征与无缺陷类型的样本图像特征之间的第一距离；
[0016]计算所述待检测图像的图像特征与有缺陷类型的样本图像特征之间的第二距离；
[0017]根据所述第一距离和所述第二距离，判断所述待检测图像是否存在缺陷。
[0018]可选地，所述根据所述无缺陷类型的样本图像特征，生成高斯分布函数，包括：
[0019]根据所述无缺陷类型的样本图像特征，得到所述无缺陷类型的样本图像特征的均值μ，并生成以下高斯分布函数：
[0020][0021]其中，∑为协方差，T为矩阵的转置，x为输入变量图像特征，p(x)为输入变量图像特征x对应的图像为无缺陷图像的概率，n表示样本图像特征的维度。
[0022]可选地，所述计算所述待检测图像的图像特征与无缺陷类型的样本图像特征之间的第一距离，包括：
[0023]计算所述待检测图像的图像特征与每个无缺陷类型的样本图像特征之间的距离，并从得到的距离中选取最小的距离作为第一距离；
[0024]所述计算所述待检测图像的图像特征与有缺陷类型的样本图像特征之间的第二距离，包括：
[0025]计算所述待检测图像的图像特征与每个有缺陷类型的样本图像特征之间的距离，并从得到的距离中选取最小的距离作为第二距离。
[0026]可选地，所述根据所述第一距离和所述第二距离，判断所述待检测图像是否存在缺陷，包括：
[0027]根据以下公式：
[0028][0029]得到待检测图像的置信度f；其中，d1为第一距离，d2为第二距离；
[0030]在置信度f小于置信度阈值的情况下，确定待检测图像存在缺陷；
[0031]在置信度f大于等于置信度阈值的情况下，确定待检测图像不存在缺陷。
[0032]可选地，所述神经网络模型包括：编码模块和解码模块；
[0033]所述神经网络模型的训练方法包括：
[0034]获取多个训练图像与每个所述训练图像对应的实际图像分割结果；
[0035]通过编码模块对每个所述训练图像进行编码处理，得到训练图像特征；
[0036]通过解码模块对所述训练图像特征进行解码处理，得到预测图像分割结果；
[0037]根据所述预测图像分割结果和所述实际图像分割结果，得到损失函数值；
[0038]通过损失函数值对编码模块和解码模块中的网络参数进行更新，得到所述神经网络模型。
[0039]根据本申请的第二方面，提供了一种缺陷检测装置，包括：
[0040]待检测图像获取模块，用于获取待检测图像；
[0041]图像特征提取模块，用于通过预先训练的神经网络模型对所述待检测图像进行特征提取，得到所述待检测图像的图像特征；
[0042]样本图像特征获取模块，用于从图像特征库中获取样本图像特征；其中，每个所述样本图像特征是将样本图像输入所述神经网络模型进行特征提取得到的；所述样本图像特
征包括无缺陷类型的样本图像特征；
[0043]高斯分布函数生成模块，用于根据所述无缺陷类型的样本图像特征，生成高斯分布函数；
[0044]概率密度值计算模块，用于计算所述待检测图像的图像特征在所述高斯分布函数中的概率密度值；其中，所述概率密度值表示所述待检测图像为无缺陷图像的概率；
[0045]缺陷判断模块，用于根据所述概率密度值，判断所述待检测图像是否存在缺陷。
[0046]可选地，所述缺陷判断模块，具体用于在所述概率密度值小于等于概率密度阈值的情况下，确定所述待检测图像存在缺陷；在所述概率密度值大于所述概率密度阈值的情况下，确定所述待检测图像不存在缺陷，或者，在所述概率密度值大于所述概率密度阈值的情况下，且所述样本图像特征包括有缺陷类型的样本图像特征，根据所述有缺陷类型的样本图像特征，判断所述待检测图像是否存在缺陷。
[0047]可选地，所述缺陷判断模块，具体用于通过下述步骤实现根据所述有缺陷类型的样本图像特征，判断所述待检测图像是否存在缺陷：
[0048]计算所述待检测图像的图像特征与无缺陷类型的样本图像特征之间的第一距离；
[0049]计算所述待检测图像的图像特征与有缺陷类型的样本图像特征之间的第二距离；
[0050]根据所述第一距离和所述第二距离，判断所述待检测图像是否存在缺陷。
[0051]可选地，所述高斯分布函数生成模块，具体用于根据所述无缺陷类型的样本图像特征，得到所述无缺陷类型的样本图像特征的均值μ，并生成以下高斯分布函数：
[0052][0053]其中，Σ为协方差，T为矩阵的转置，x为输入变量图像特征，p(x)为输入变量图像特征x对应的图像为无缺陷图像的概本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种加工件缺陷检测方法，其特征在于，包括：获取待检测图像，通过预先训练的神经网络模型对所述待检测图像进行特征提取，得到所述待检测图像的图像特征；从图像特征库中获取样本图像特征；其中，每个所述样本图像特征是将样本图像输入所述神经网络模型进行特征提取得到的；所述样本图像特征包括无缺陷类型的样本图像特征；根据所述无缺陷类型的样本图像特征，生成高斯分布函数；计算所述待检测图像的图像特征在所述高斯分布函数中的概率密度值；其中，所述概率密度值表示所述待检测图像为无缺陷图像的概率；根据所述概率密度值，判断所述待检测图像是否存在缺陷。2.根据权利要求1所述的方法，其特征在于，所述根据所述概率密度值，判断所述待检测图像是否存在缺陷，包括：在所述概率密度值小于等于概率密度阈值的情况下，确定所述待检测图像存在缺陷；在所述概率密度值大于所述概率密度阈值的情况下，确定所述待检测图像不存在缺陷，或者，在所述概率密度值大于所述概率密度阈值的情况下，且所述样本图像特征包括有缺陷类型的样本图像特征，根据所述有缺陷类型的样本图像特征，判断所述待检测图像是否存在缺陷。3.根据权利要求2所述的方法，其特征在于，所述根据所述有缺陷类型的样本图像特征，判断所述待检测图像是否存在缺陷，包括：计算所述待检测图像的图像特征与无缺陷类型的样本图像特征之间的第一距离；计算所述待检测图像的图像特征与有缺陷类型的样本图像特征之间的第二距离；根据所述第一距离和所述第二距离，判断所述待检测图像是否存在缺陷。4.根据权利要求1所述的方法，其特征在于，所述根据所述无缺陷类型的样本图像特征，生成高斯分布函数，包括：根据所述无缺陷类型的样本图像特征，得到所述无缺陷类型的样本图像特征的均值μ，并生成以下高斯分布函数：其中，∑为协方差，T为矩阵的转置，x为输入变量图像特征，p(x)为输入变量图像特征x对应的图像为无缺陷图像的概率，n表示样本图像特征的维度。5.根据权利要求3所述的方法，其特征在于，所述计算所述待检测图像的图像特征与无缺陷类型的样本图像特征之间的第一距离，包括：计算所述待检测图像的图像特征与每个无缺陷类型的样本图像特征之间的距离，并从得到的距离中选取最小的距离作为第一距离；所述计算所述待检测图像的图像特征与有缺陷类型的样本图像特征之间的第二...
【专利技术属性】
技术研发人员：王志刚，冯京，赵笑蕊，孙红英，李军，
申请(专利权)人：安阳工学院，
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。