CN111080626A - 一种检测方法和电子设备 - Google Patents
一种检测方法和电子设备 Download PDFInfo
- Publication number
- CN111080626A CN111080626A CN201911316484.XA CN201911316484A CN111080626A CN 111080626 A CN111080626 A CN 111080626A CN 201911316484 A CN201911316484 A CN 201911316484A CN 111080626 A CN111080626 A CN 111080626A
- Authority
- CN
- China
- Prior art keywords
- image
- normal
- training
- abnormal
- space
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 131
- 238000013507 mapping Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 19
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 24
- 230000007547 defect Effects 0.000 description 18
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种检测方法和电子设备，通过获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述第一图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模型将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，本申请提高了屏幕表面检测的准确性。
Description
技术领域
本发明涉及图像检测技术领域，更具体的说是涉及一种检测方法和电子设备。
背景技术
电子设备在出厂前均会对屏幕表面进行缺陷检测，以确定屏幕表面是否存在缺陷。
目前，采用的缺陷检测方法为预先定义屏幕表面的缺陷类型，从而制作样本训练模型进行屏幕表面检测。例如，获取一张没有缺陷的屏幕表面的图像，在图像上添加划痕，并在图像上将划痕的位置框出来，从而定义缺陷类型为划痕。
那么，当屏幕表面上出现不在定义范围内的缺陷时，采用上述检测方式将无法检测出来，降低了检测的准确性。
发明内容
有鉴于此，本发明提供一种检测方法和电子设备，以解决上述技术问题。
为实现上述目的，本发明提供如下技术方案：
一种检测方法，包括：
获取针对待检测的屏幕表面的第一图像；
利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述第一图像的待检测特征参数；
在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数；
利用第二训练模型将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像；
判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
优选的，还包括：
利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数；所述第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合；
利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像；所述第二训练用于使得所述正常重构图像与所述正常图像尽量一致。
优选的，还包括：
利用所述第一训练模型对异常图像进行第一训练，将所述异常图像由图像空间映射到特征空间，生成异常特征参数；所述第一训练使得异常图像的异常特征参数在特征空间尽量远离所述正常特征参数；
利用所述第二训练模型对所述异常特征参数进行第二训练，将所述异常特征参数由特征空间映射到图像空间，生成异常重构图像，所述第二训练使得所述异常重构图像与所述异常图像尽量一致。
优选的，所述判断所述第一图像和所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，包括：
计算所述第一图像和所述第二图像之间的距离；
判断所述距离是否小于预设的第一距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
优选的，所述计算所述第一图像和所述第二图像之间的距离，包括：
计算所述第一图像的整体图像与所述第二图像的整体图像之间的距离；
或者，分别将所述第一图像和所述第二图像划分为多个区域，其中，所述第一图像和所述第二图像的区域划分方式相同；
计算所述第一图像和所述第二图像处于相同位置的区域之间的距离；
判断与所述多个区域对应的距离是否均小于预设的第二距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
一种电子设备，包括：
存储器，用于存储程序；
处理器，用于通过运行所述程序，执行获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
优选的，还包括：
图像采集器，用于采集针对待检测的屏幕表面的第一图像。
优选的，所述处理器还用于利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数，利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像；
其中，所述第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合；所述第二训练用于使得所述正常重构图像与所述正常图像尽量一致。
优选的，所述处理器还用于利用所述第一训练模型对异常图像进行第一训练，将所述异常图像由图像空间映射到特征空间，生成异常特征参数，利用所述第二训练模型对所述异常特征参数进行第二训练，将所述异常特征参数由特征空间映射到图像空间，生成异常重构图像；
其中，所述第一训练使得异常图像的异常特征参数在特征空间尽量远离所述正常特征参数；所述第二训练使得所述正异常重构图像与所述异常图像尽量一致。
优选的，所述处理器判断所述第一图像和所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，包括：
计算所述第一图像和所述第二图像之间的距离；
判断所述距离是否小于预设的第一距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
经由上述的技术方案可知，与现有技术相比，本申请提供了一种检测方法，通过获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像；由此可见，本申请能够利用第一图像通过第一训练模型和第二训练模型获取第二图像，通过判断第一图像和第二图像是否匹配来确定第一图像是否为异常图像，提高了屏幕表面检测的准确性。
附图说明
为了更清楚地说明本发明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发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请一个方法实施例提供的一种检测方法的流程示意图；
图2为本申请另一方法实施例提供的一种检测方法的流程示意图；
图3为本申请又一方法实施例提供的一种检测方法的流程示意图；
图4a为本申请又一方法实施例中提供的计算第一图像和第二图像之间的距离的一种实现方式；
图4b为本申请又一方法实施例中提供的计算第一图像和第二图像之间的距离的另一种实现方式；
图5为本申请一个装置实施例提供的一种电子设备的结构示意图；
图6为本申请另一装置实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请一个方法实施例提供了一种检测方法，如图1所示，该方法包括如下步骤：
步骤101：获取针对待检测的屏幕表面的第一图像；
具体的，工作人员可以在生产电子设备的屏幕的产线上部署图像采集器，通过控制光照等拍摄条件来控制图像采集器采集针对待检测的屏幕表面的第一图像。
步骤102：利用第一训练模型将第一图像由图像空间映射到特征空间，获取针对所述第一图像的待检测特征参数。
在本实施例中，第一训练模型能够将图像由图像空间映射到特征空间。具体的，该第一训练模型可以为编码器。
步骤103：在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数。
正常特征参数集合为第一训练模型预先对多个正常图像进行第一训练，使得多个正常图像由图像空间映射到特征空间生成的多个正常特征参数尽量靠近的集合。
其中，多个正常特征参数在特征空间尽量靠近可以指代为多个正常特征参数聚集在一定范围内，如聚集在预设范围内。具体的，第一训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常图像进行第一训练。
可以理解的是，正常图像为针对无缺陷的屏幕表面进行拍摄从而获取的图像。
在本申请中，正常特征参数集合中与所述待检测特征参数匹配的正常特征参数可以指代为正常特征参数集合中与待检测特征参数最相似的正常特征参数。
步骤104：利用第二训练模型将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像。
第二训练模型能够将特征参数由特征空间映射到图像空间，具体的，该第二训练模型可以为解码器。
其中，第二训练模型为预先对多个正常特征参数进行第二训练，使得正常特征参数由特征空间映射到图像空间生成的正常重构图像与正常图像尽量一致的模型。
具体的，第二训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常特征参数进行第二训练。
可以理解的是，正常重构图像与正常图像尽量一致指代为正常重构图像与正常图像的相似度尽量高，如大于一预设相似度。需说明的是，尽量一致的两个图像指代为正常特征参数相同的正常重构图像和正常图像，即正常重构图像使用的正常特征参数与正常图像生成的正常特征参数相同。
步骤105：判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
具体的，可以计算第一图像与第二图像的之间的距离，判断所述距离是否小于预设的第一距离，若是，确定第一图像为正常图像，若否，确定所述第一图像为异常图像。
其中，第一图像和第二图像之间的距离可以采用MSE(mean spuare error，均方差误差)算法进行计算。
当确定第一图像为正常图像时，能够确定待检测的屏幕表面没有缺陷，当确定第一图像为异常图像时，能够确定待检测的屏幕表面具有缺陷，从而实现对待检测的屏幕表面的缺陷检测。
本实施例中，通过获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像；由此可见，本申请能够利用第一图像通过第一训练模型和第二训练模型获取第二图像，通过判断第一图像和第二图像是否匹配来确定第一图像是否为异常图像，提高了屏幕表面检测的准确性。
本申请另一方法实施例提供了一种检测方法，如图2所示，包括如下步骤：
步骤201：利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数；
其中，第一训练模型能够将图像由图像空间映射到特征空间。具体的，该第一训练模型可以为编码器。而第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合。具体的，第一训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常图像进行第一训练。
多个正常特征参数在特征空间尽量靠近可以指代为多个正常特征参数聚集在一定范围内，如聚集在预设范围内。
可以理解的是，正常图像为针对无缺陷的屏幕表面进行拍摄从而获取的图像。
步骤202：利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像；
其中，第二训练模型能够将特征参数由特征空间映射到图像空间，具体的，该第二训练模型可以为解码器。而第二训练用于使得所述正常重构图像与所述正常图像尽量一致，正常重构图像与正常图像尽量一致指代为正常重构图像与正常图像的相似度尽量高，如大于一预设相似度。需说明的是，尽量一致的两个图像指代为正常特征参数相同的正常重构图像和正常图像，即正常重构图像使用的正常特征参数与正常图像生成的正常特征参数相同。
具体的，第二训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常特征参数进行第二训练。
步骤203：获取针对待检测的屏幕表面的第一图像；
步骤204：利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述第一图像的待检测特征参数；
步骤205：在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数；
步骤206：利用第二训练模型将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像；
步骤207：判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
本实施例中，可以利用正常图像预先对第一训练模型和第二训练模型进行训练，从而使用第一训练模型和第二训练模型对待检测的屏幕表面的第一图像进行检测，判断第一图像是否为异常图像，提高了屏幕表面检测的准确性。
为了进一步提高检测的准确性，本申请又一方法实施例进行对第一训练模型和第二训练模型进行进一步训练，具体的，如图3所示，一种检测方法可以包括如下步骤：
步骤301：利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数；
其中，第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合。
步骤302：利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像；
其中，第二训练用于使得所述正常重构图像与所述正常图像尽量一致。
步骤303：利用第一训练模型对异常图像进行第一训练，将所述异常图像由图像空间映射到特征空间，生成异常特征参数；
可以理解的是，异常图像为针对有缺陷的屏幕表面进行拍摄从而获取的图像。
第一训练使得异常图像的异常特征参数在特征空间尽量远离所述正常特征参数；其中，异常特征参数在特征空间尽量远离所述正常特征参数可以指代为异常特征参数位于正常特征参数的预设范围之外。
其中，第一训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对异常图像进行第一训练。
步骤304：利用第二训练模型对所述异常特征参数进行第二训练，将所述异常特征参数由特征空间映射到图像空间，生成异常重构图像；
其中，第二训练使得所述异常重构图像与所述异常图像尽量一致。异常重构图像与异常图像尽量一致指代为异常重构图像与异常图像的相似度尽量高，如大于一预设相似度。需说明的是，尽量一致的两个图像指代为异常特征参数相同的异常重构图像和异常图像，即异常重构图像使用的异常特征参数与异常图像生成的异常特征参数相同。
具体的，第二训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对异常特征参数进行第二训练。
步骤305：获取针对待检测的屏幕表面的第一图像；
步骤306：利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述第一图像的待检测特征参数；
步骤307：在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数；
步骤308：利用第二训练模型将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像；
步骤309：判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
如果第一图像为正常图像，通过第一训练模型和第二训练模型能够确定出一个与第一图像最相似的正常图像(第二图像)，由于正常图像之间相似度较高，因此重构后的第二图像与第一图像的相似度也高。
如果第一图像为异常图像，通过第一训练模型和第二训练模型也能够确定出一个与第一图像最相似的正常图像(第二图像)，重构后的第二图像与第一图像之间的差别较大。
本实施例中，可以利用正常图像和异常图像预先对第一训练模型和第二训练模型进行训练，从而使用第一训练模型和第二训练模型对待检测的屏幕表面的第一图像进行检测，判断第一图像是否为异常图像，提高了屏幕表面检测的准确性。
在本申请又一方法实施例中，主要描述计算所述第一图像和所述第二图像之间的距离的两种实现方式。
具体的，一种实现方式中，计算所述第一图像和所述第二图像之间的距离，包括：计算所述第一图像的整体图像与所述第二图像的整体图像之间的距离。
如图4a所示，第一图像为P1，第二图像为P2，可以计算P1的整体图像和P2的整体图像之间的距离。
另一种实现方式中，计算所述第一图像和所述第二图像之间的距离，包括：
(1)分别将所述第一图像和所述第二图像划分为多个区域，其中，所述第一图像和所述第二图像的区域划分方式相同；
(2)计算所述第一图像和所述第二图像处于相同位置的区域之间的距离；
(3)判断与所述多个区域对应的距离是否均小于预设的第二距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
如图4b所示，第一图像为P1，第二图像为P2，将P1和P2采用相同的区域划分方式分别划分为9个区域，分别计算P1的第1区域和P2的第1区域之间的距离，P1的第2区域和P2的第2区域之间的距离，P1的第3区域和P2的第3区域之间的距离，P1的第4区域和P2的第4区域之间的距离，P1的第5区域和P2的第5区域之间的距离，P1的第6区域和P2的第6区域之间的距离，P1的第7区域和P2的第7区域之间的距离，P1的第8区域和P2的第8区域之间的距离，P1的第9区域和P2的第9区域之间的距离，判断所计算的多个距离中是否均小于预设的第二距离，若是，确定所述P1为正常图像，若否，确定所述P1为异常图像。
与上述一种检测方法对应的，本申请装置实施例还提供了一种电子设备，以下通过几个实施例进行描述。
本申请一个装置实施例提供了一种电子设备，如图5所示，包括：存储器110、处理器120；其中：
存储器110，用于存储程序；
处理器120，用于通过运行所述程序，执行获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
具体的，工作人员可以在生产电子设备的屏幕的产线上部署图像采集器，通过控制光照等拍摄条件来控制图像采集器采集针对待检测的屏幕表面的第一图像。一种实现方式下，图像采集器独立于电子设备，电子设备通过与图像采集器通信来获取图像。
在本实施例中，第一训练模型能够将图像由图像空间映射到特征空间。具体的，该第一训练模型可以为编码器。
正常特征参数集合为第一训练模型预先对多个正常图像进行第一训练，使得多个正常图像由图像空间映射到特征空间生成的多个正常特征参数尽量靠近的集合。
其中，多个正常特征参数在特征空间尽量靠近可以指代为多个正常特征参数聚集在一定范围内，如聚集在预设范围内。具体的，第一训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常图像进行第一训练。
可以理解的是，正常图像为针对无缺陷的屏幕表面进行拍摄从而获取的图像。
在本申请中，正常特征参数集合中与所述待检测特征参数匹配的正常特征参数可以指代为正常特征参数集合中与待检测特征参数最相似的正常特征参数。
第二训练模型能够将特征参数由特征空间映射到图像空间，具体的，该第二训练模型可以为解码器。
其中，第二训练模型为预先对多个正常特征参数进行第二训练，使得正常特征参数由特征空间映射到图像空间生成的正常重构图像与正常图像尽量一致的模型。
具体的，第二训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常特征参数进行第二训练。
可以理解的是，正常重构图像与正常图像尽量一致指代为正常重构图像与正常图像的相似度尽量高，如大于一预设相似度。需说明的是，尽量一致的两个图像指代为正常特征参数相同的正常重构图像和正常图像，即正常重构图像使用的正常特征参数与正常图像生成的正常特征参数相同。
具体的，处理器120判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，可以包括：计算第一图像与第二图像的之间的距离，判断所述距离是否小于预设的第一距离，若是，确定第一图像为正常图像，若否，确定所述第一图像为异常图像。
其中，第一图像和第二图像之间的距离可以采用MSE(mean spuare error，均方差误差)算法进行计算。
当确定第一图像为正常图像时，能够确定待检测的屏幕表面没有缺陷，当确定第一图像为异常图像时，能够确定待检测的屏幕表面具有缺陷，从而实现对待检测的屏幕表面的缺陷检测。
本实施例中，处理器通过获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像；由此可见，本申请能够利用第一图像通过第一训练模型和第二训练模型获取第二图像，通过判断第一图像和第二图像是否匹配来确定第一图像是否为异常图像，提高了屏幕表面检测的准确性。
本申请另一装置实施例提供了一种电子设备，如图6所示，包括：存储器110、处理器120和图像采集器130；其中：
存储器110，用于存储程序；
图像采集器130，用于采集针对待检测的屏幕表面的第一图像。
在本实施例中，图像采集器为电子设备的一部分。
处理器120，用于通过运行所述程序，执行获取所述第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
在本实施例中，处理器120判断所述第一图像和所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，包括：计算所述第一图像和所述第二图像之间的距离；判断所述距离是否小于预设的第一距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
由此可见，本申请能够利用第一图像通过第一训练模型和第二训练模型获取第二图像，通过判断第一图像和第二图像是否匹配来确定第一图像是否为异常图像，提高了屏幕表面检测的准确性。
在本申请又一装置实施例中，所述处理器还用于利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数，利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像。
其中，第一训练模型能够将图像由图像空间映射到特征空间。具体的，该第一训练模型可以为编码器。而第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合。具体的，第一训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常图像进行第一训练。
多个正常特征参数在特征空间尽量靠近可以指代为多个正常特征参数聚集在一定范围内，如聚集在预设范围内。
可以理解的是，正常图像为针对无缺陷的屏幕表面进行拍摄从而获取的图像。
其中，第二训练模型能够将特征参数由特征空间映射到图像空间，具体的，该第二训练模型可以为解码器。而第二训练用于使得所述正常重构图像与所述正常图像尽量一致，正常重构图像与正常图像尽量一致指代为正常重构图像与正常图像的相似度尽量高，如大于一预设相似度。需说明的是，尽量一致的两个图像指代为正常特征参数相同的正常重构图像和正常图像，即正常重构图像使用的正常特征参数与正常图像生成的正常特征参数相同。
具体的，第二训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对正常特征参数进行第二训练。
在本申请又一装置实施例中，处理器还用于利用第一训练模型对异常图像进行第一训练，将所述异常图像由图像空间映射到特征空间，生成异常特征参数，利用第二训练模型对所述异常特征参数进行第二训练，将所述异常特征参数由特征空间映射到图像空间，生成异常重构图像。
可以理解的是，异常图像为针对有缺陷的屏幕表面进行拍摄从而获取的图像。
第一训练使得异常图像的异常特征参数在特征空间尽量远离所述正常特征参数；其中，异常特征参数在特征空间尽量远离所述正常特征参数可以指代为异常特征参数位于正常特征参数的预设范围之外。
其中，第一训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对异常图像进行第一训练。
其中，第二训练使得所述异常重构图像与所述异常图像尽量一致。异常重构图像与异常图像尽量一致指代为异常重构图像与异常图像的相似度尽量高，如大于一预设相似度。需说明的是，尽量一致的两个图像指代为异常特征参数相同的异常重构图像和异常图像，即异常重构图像使用的异常特征参数与异常图像生成的异常特征参数相同。
具体的，第二训练模型中可以带有卷积神经网络模型，通过卷积神经网络模型对异常特征参数进行第二训练。
在本申请又一装置实施例中，处理器计算所述第一图像和所述第二图像之间的距离，包括：
计算所述第一图像的整体图像与所述第二图像的整体图像之间的距离。
或者，处理器计算所述第一图像和所述第二图像之间的距离，包括：分别将所述第一图像和所述第二图像划分为多个区域，计算所述第一图像和所述第二图像处于相同位置的区域之间的距离，判断与所述多个区域对应的距离是否均小于预设的第二距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
其中，所述第一图像和所述第二图像的区域划分方式相同。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种检测方法，包括：
获取针对待检测的屏幕表面的第一图像；
利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述第一图像的待检测特征参数；
在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数；
利用第二训练模型将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像；
判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
2.根据权利要求1所述的方法，还包括：
利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数；所述第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合；
利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像；所述第二训练用于使得所述正常重构图像与所述正常图像尽量一致。
3.根据权利要求2所述的方法，还包括：
利用所述第一训练模型对异常图像进行第一训练，将所述异常图像由图像空间映射到特征空间，生成异常特征参数；所述第一训练使得异常图像的异常特征参数在特征空间尽量远离所述正常特征参数；
利用所述第二训练模型对所述异常特征参数进行第二训练，将所述异常特征参数由特征空间映射到图像空间，生成异常重构图像，所述第二训练使得所述异常重构图像与所述异常图像尽量一致。
4.根据权利要求1所述的方法，所述判断所述第一图像和所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，包括：
计算所述第一图像和所述第二图像之间的距离；
判断所述距离是否小于预设的第一距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
5.根据权利要求4所述的方法，所述计算所述第一图像和所述第二图像之间的距离，包括：
计算所述第一图像的整体图像与所述第二图像的整体图像之间的距离；
或者，分别将所述第一图像和所述第二图像划分为多个区域，其中，所述第一图像和所述第二图像的区域划分方式相同；
计算所述第一图像和所述第二图像处于相同位置的区域之间的距离；
判断与所述多个区域对应的距离是否均小于预设的第二距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
6.一种电子设备，包括：
存储器，用于存储程序；
处理器，用于通过运行所述程序，执行获取针对待检测的屏幕表面的第一图像，利用第一训练模型将所述第一图像由图像空间映射到特征空间，获取针对所述待检测图像的待检测特征参数，在所述第一训练模型用于训练的正常特征参数集合中确定与所述待检测特征参数匹配的正常特征参数，利用第二训练模块将所述正常特征参数由特征空间映射到图像空间，获取针对所述正常特征参数的第二图像，判断所述第一图像与所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像。
7.根据权利要求6所述的电子设备，还包括：
图像采集器，用于采集针对待检测的屏幕表面的第一图像。
8.根据权利要求6所述的电子设备，所述处理器还用于利用第一训练模型对正常图像进行第一训练，将所述正常图像由图像空间映射到特征空间，生成正常特征参数，利用第二训练模型对所述正常特征参数进行第二训练，将所述正常特征参数由特征空间映射到图像空间，生成正常重构图像；
其中，所述第一训练用于使得多个正常图像的正常特征参数在特征空间尽量靠近，生成用于训练的正常特征参数集合；所述第二训练用于使得所述正常重构图像与所述正常图像尽量一致。
9.根据权利要求8所述的电子设备，所述处理器还用于利用所述第一训练模型对异常图像进行第一训练，将所述异常图像由图像空间映射到特征空间，生成异常特征参数，利用所述第二训练模型对所述异常特征参数进行第二训练，将所述异常特征参数由特征空间映射到图像空间，生成异常重构图像；
其中，所述第一训练使得异常图像的异常特征参数在特征空间尽量远离所述正常特征参数；所述第二训练使得所述正异常重构图像与所述异常图像尽量一致。
10.根据权利要求6所述的电子设备，所述处理器判断所述第一图像和所述第二图像是否匹配，若匹配，确定所述第一图像为正常图像，若不匹配，确定所述第一图像为异常图像，包括：
计算所述第一图像和所述第二图像之间的距离；
判断所述距离是否小于预设的第一距离，若是，确定所述第一图像为正常图像，若否，确定所述第一图像为异常图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911316484.XA CN111080626B (zh) | 2019-12-19 | 2019-12-19 | 一种检测方法和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911316484.XA CN111080626B (zh) | 2019-12-19 | 2019-12-19 | 一种检测方法和电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111080626A true CN111080626A (zh) | 2020-04-28 |
| CN111080626B CN111080626B (zh) | 2024-06-18 |
Family
ID=70315626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911316484.XA Active CN111080626B (zh) | 2019-12-19 | 2019-12-19 | 一种检测方法和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111080626B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718869A (zh) * | 2016-01-15 | 2016-06-29 | 网易（杭州）网络有限公司 | 一种评估图片中人脸颜值的方法和装置 |
| CN108414525A (zh) * | 2018-01-30 | 2018-08-17 | 广东溢达纺织有限公司 | 织物疵点检测方法、装置、计算机设备和存储介质 |
| CN108537152A (zh) * | 2018-03-27 | 2018-09-14 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
| CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
| CN109377544A (zh) * | 2018-11-30 | 2019-02-22 | 腾讯科技（深圳）有限公司 | 一种人脸三维图像生成方法、装置和可读介质 |
| CN109726756A (zh) * | 2018-12-25 | 2019-05-07 | 北京旷视科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| US20190164287A1 (en) * | 2017-11-27 | 2019-05-30 | Deciphex | Automated screening of histopathology tissue samples via analysis of a normal model |
| CN109886242A (zh) * | 2019-03-01 | 2019-06-14 | 中国科学院重庆绿色智能技术研究院 | 一种行人重识别的方法及*** |
| CN110046551A (zh) * | 2019-03-18 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 一种人脸识别模型的生成方法及设备 |
-
2019
- 2019-12-19 CN CN201911316484.XA patent/CN111080626B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718869A (zh) * | 2016-01-15 | 2016-06-29 | 网易（杭州）网络有限公司 | 一种评估图片中人脸颜值的方法和装置 |
| US20190164287A1 (en) * | 2017-11-27 | 2019-05-30 | Deciphex | Automated screening of histopathology tissue samples via analysis of a normal model |
| CN108414525A (zh) * | 2018-01-30 | 2018-08-17 | 广东溢达纺织有限公司 | 织物疵点检测方法、装置、计算机设备和存储介质 |
| CN108734690A (zh) * | 2018-03-02 | 2018-11-02 | 苏州汉特士视觉科技有限公司 | 一种视觉缺陷检测设备及其检测方法 |
| CN108537152A (zh) * | 2018-03-27 | 2018-09-14 | 百度在线网络技术（北京）有限公司 | 用于检测活体的方法和装置 |
| CN109377544A (zh) * | 2018-11-30 | 2019-02-22 | 腾讯科技（深圳）有限公司 | 一种人脸三维图像生成方法、装置和可读介质 |
| CN109726756A (zh) * | 2018-12-25 | 2019-05-07 | 北京旷视科技有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN109886242A (zh) * | 2019-03-01 | 2019-06-14 | 中国科学院重庆绿色智能技术研究院 | 一种行人重识别的方法及*** |
| CN110046551A (zh) * | 2019-03-18 | 2019-07-23 | 中国科学院深圳先进技术研究院 | 一种人脸识别模型的生成方法及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 严伟 等: "BP和SAE深度神经网络方法的织物缺陷检测研究" * |
| 王宪保 等: "基于堆叠降噪自动编码器的胶囊缺陷检测方法" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111080626B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022042579A1 (zh) | 一种用于lcd屏幕的缺陷检测方法、装置 | |
| CN109325930B (zh) | 边界缺陷的检测方法、装置及检测设备 | |
| JP6554169B2 (ja) | 物体認識装置及び物体認識システム | |
| CN105653922B (zh) | 生物特征验证方法和电子设备 | |
| CN112837302B (zh) | 模具的状态监测方法、装置、工控机、存储介质及*** | |
| US10033981B2 (en) | Image processing apparatus | |
| CN112598922B (zh) | 车位检测方法、装置、设备及存储介质 | |
| CN109492642B (zh) | 车牌识别方法、装置、计算机设备及存储介质 | |
| TWI636428B (zh) | 影像分析方法、攝影機及其攝影系統 | |
| CN106054379B (zh) | 用于确定变焦镜头焦距的方法 | |
| CN113326787B (zh) | 指针仪表读数的自动识别方法、***及设备 | |
| CN111640088B (zh) | 基于深度学习的电子元件极性检测方法、***及电子装置 | |
| CN113820333B (zh) | 电池极片异常检测方法、装置、上位机及检测*** | |
| US20170154426A1 (en) | Image analysis and orientation correction for target object detection and validation | |
| CN109191516B (zh) | 结构光模组的旋转纠正方法、装置及可读存储介质 | |
| CN111126147B (zh) | 图像处理方法、装置和电子*** | |
| CN104050454B (zh) | 一种运动手势轨迹获取方法及*** | |
| CN106650732B (zh) | 一种车牌识别方法及装置 | |
| CN110322508B (zh) | 一种基于计算机视觉的辅助定位方法 | |
| CN111080626A (zh) | 一种检测方法和电子设备 | |
| CN110738606A (zh) | 多光源***的图像校正方法、装置、终端及存储介质 | |
| CN111046831B (zh) | 家禽识别方法、装置及服务器 | |
| CN103455998B (zh) | 视频图像中阴影的检测方法及装置 | |
| CN112184814A (zh) | 定位方法和定位*** | |
| JP2018201146A (ja) | 画像補正装置、画像補正方法、注目点認識装置、注目点認識方法及び異常検知システム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |