System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及图像检测,尤其涉及一种瑕疵检测方法、电子设备及存储介质。
技术介绍
1、在工业检测领域中,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,由于现有的瑕疵检测方法使用的自编码器的网络架构和损失函数设计上的限制,使得输入图像透过自编码器重构后的输出图像都较为模糊,无法跟原图一样清晰,甚至在图像中的物件边缘上会有较大的误差,这些误差的累积,造成细微瑕疵产生的误差无法很好的突显出来。此外,由自编码器重构后的输出图像与原图会在物件边缘产生较大的误差,直接对输入原图和重构的图像进行误差计算,只能检测出明显的瑕疵,对较小且细微瑕疵的检测效果不佳。
技术实现思路
1、鉴于以上内容,有必要提供一种瑕疵检测方法、装置及相关设备,能够检测出图像中的细微瑕疵,从而提高瑕疵检测的准确度。
2、本申请的第一方面提供一种瑕疵检测方法,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瑕疵检测模型的自编码器,并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,并使用第一预设的误差函数计算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;将所述无瑕疵样本训练图像及所述第一重构图像输入所述瑕疵检测模型的判别器中,训练所述判别器,在所述判别器训练完成时确定所述自编码器训练完成,并利用第二预设的误差函数计算所述训练完成的判别器和
3、在一种可选的实施方式中,所述将所述无瑕疵样本训练图像输入瑕疵检测模型的自编码器,并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;利用所述自编码器的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。
4、在一种可选的实施方式中,所述利用所述自编码器的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包括:提取所述自编码器的编码层对应的隐层;获取所述隐层的权重矩阵及偏置值;将所述第一特征向量与所述权重矩阵进行相乘运算,得到运算结果;将所述运算结果与所述偏置值进行相加运算,得到所述第一潜特征。
5、在一种可选的实施方式中,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:利用所述自编码器的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,得到所述第一重构图像。
6、在一种可选的实施方式中,所述将所述无瑕疵样本训练图像及所述第一重构图像输入所述瑕疵检测模型的判别器中,训练所述判别器,在所述判别器训练完成时确定所述自编码器训练完成,包括:将所述无瑕疵训练样本图像标注为真,将所述第一重构图像标注为假,训练所述判别器,让所述判别器分辨图像的真假;当所述判别器无法分辨出所述图像的真假时,确定所述判别器训练完成,确定所述自编码器训练完成。
7、在一种可选的实施方式中,所述根据所述第一重构误差以及所述对抗学习误差计算样本误差包括:将所述第一重构误差与所述对抗学习误差进行加权和运算,得到样本误差。
8、在一种可选的实施方式中,所述根据所述样本误差确定误差阈值包括:将所述样本误差按照从小至大的顺序进行排序,得到所述样本误差的总列表及每个样本误差的序号;从所述样本误差的总列表中按照第二预设条件选择一个样本误差作为所述误差阈值。
9、在一种可选的实施方式中,所述根据所述第二重构误差以及所述误差阈值确定测试样本图像的检测结果包括:当所述第二重构误差大于或等于所述误差阈值时,确定所述测试样本图像有瑕疵;或者当所述第二重构误差小于所述误差阈值时,确定所述测试样本图像无瑕疵。
10、本申请的第二方面提供一种电子设备,所述电子设备包括:
11、存储器,存储至少一个指令;及处理器,执行所述存储器中存储的指令以实现所述瑕疵检测方法。
12、本申请的第三方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行时实现所述的瑕疵检测方法。
13、本申请通过训练自编码器,使得训练完成的自编码器能够检测出图像中的细微瑕疵,从而提高对产品进行瑕疵检测的精准度。
本文档来自技高网...【技术保护点】
1.一种瑕疵检测方法,其特征在于,所述瑕疵检测方法包括:
2.根据权利要求1所述的瑕疵检测方法,其特征在于,所述将所述无瑕疵样本训练图像输入瑕疵检测模型的自编码器,并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:
3.根据权利要求2所述的瑕疵检测方法,其特征在于,所述利用所述自编码器的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包括:
4.根据权利要求1所述的瑕疵检测方法,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:
5.根据权利要求1所述的瑕疵检测方法,其特征在于,所述将所述无瑕疵样本训练图像及所述第一重构图像输入所述瑕疵检测模型的判别器中,训练所述判别器,在所述判别器训练完成时确定所述自编码器训练完成,包括:
6.根据权利要求1所述的瑕疵检测方法,其特征在于,所述根据所述第一重构误差以及所述对抗学习误差计算样本误差包括:
7.根据权利要求1所述的瑕疵检测方法,其特征在于,所述根据所述样本
8.根据权利要求1所述的瑕疵检测方法,其特征在于,所述根据所述第二重构误差以及所述误差阈值确定测试样本图像的检测结果包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至8中任意一项所述的瑕疵检测方法。
...【技术特征摘要】
1.一种瑕疵检测方法,其特征在于,所述瑕疵检测方法包括:
2.根据权利要求1所述的瑕疵检测方法,其特征在于,所述将所述无瑕疵样本训练图像输入瑕疵检测模型的自编码器,并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:
3.根据权利要求2所述的瑕疵检测方法,其特征在于,所述利用所述自编码器的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包括:
4.根据权利要求1所述的瑕疵检测方法,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:
5.根据权利要求1所述的瑕疵检测方法,其特征在于,所述将所述无瑕疵样本训练图像及所述第一重构图像输入所述瑕疵检测模...
【专利技术属性】
技术研发人员:简士超,郭锦斌,
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。