CN113344862A - 缺陷检测方法、装置、电子设备及存储介质 - Google Patents
缺陷检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113344862A CN113344862A CN202110554117.4A CN202110554117A CN113344862A CN 113344862 A CN113344862 A CN 113344862A CN 202110554117 A CN202110554117 A CN 202110554117A CN 113344862 A CN113344862 A CN 113344862A
- Authority
- CN
- China
- Prior art keywords
- scaling
- feature
- pyramid network
- layer
- channel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 230000004927 fusion Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种缺陷检测方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及计算机视觉、深度学习等人工智能技术领域。具体实现方案为：获取产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，分别基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层分别进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络，之后将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中的对应特征层分别进行融合，最后对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。由此，提高了缺陷检测的准确性。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及计算机视觉、深度学习等人工智能技术领域，具体涉及一种缺陷检测方法、装置、电子设备及存储介质。
背景技术
随着人工智能技术地不断发展和完善，其已经在与人类日常生活相关的各个领域扮演着极其重要的作用，例如，人工智能已经在缺陷检测的应用场景中取得了显著进步。因此，提高产品缺陷检测的准确度成为热点的研究方向。
发明内容
本公开提供了一种缺陷检测方法、装置、电子设备及存储介质。
根据本公开的第一方面，提供了一种缺陷检测方法，包括：
获取待检测的产品图像及模板图像；
将所述产品图像及所述模板图像输入孪生网络中，以确定所述产品图像对应的第一特征金字塔网络及所述模板图像对应的第二特征金字塔网络；
分别基于训练生成的第一缩放参数及第二缩放参数，将所述第一特征金字塔网络中每个特征层及所述第二特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络；
将所述第一缩放特征金字塔网络中每个特征层与所述第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络；
分别对所述融合后的特征金字塔网络中每个特征层进行识别，以确定所述产品图像中的产品是否存在缺陷。
根据本公开的第二方面，提供了一种缺陷检测装置，包括：
第一获取模块，用于获取待检测的产品图像及模板图像；
第一确定模块，用于将所述产品图像及所述模板图像输入孪生网络中，以确定所述产品图像对应的第一特征金字塔网络及所述模板图像对应的第二特征金字塔网络；
第二获取模块，用于分别基于训练生成的第一缩放参数及第二缩放参数，将所述第一特征金字塔网络中每个特征层及所述第二特征金字塔网络中每个特征层分别进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络；
第一生成模块，用于将所述第一缩放特征金字塔网络中每个特征层与所述第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络；
第二确定模块，用于分别对所述融合后的特征金字塔网络中每个特征层进行识别，以确定所述产品图像中的产品是否存在缺陷。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如第一方面所述的方法。
根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如第一方面所述的方法。
本公开提供的缺陷检测方法、装置、电子设备及存储介质，存在如下有益效果：
首先将获取的待检测的产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，之后再分别基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层进行缩放处理，并将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络，最后分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。由此，通过将产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络中的每个特征层分别进行缩放处理，然后再将经过缩放处理的特征层进行特征融合，从而可以使确定的缺陷类型和位置更准确，提高了缺陷检测的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本公开第四实施例的示意图；
图5是根据本公开第五实施例的示意图；
图6是用来实现本公开实施例的缺陷检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。
人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
计算机视觉，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。
图1是根据本公开第一实施例的缺陷检测方法的流程示意图。
其中，需要说明的是，本实施例的缺陷检测方法的执行主体为缺陷检测装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
如图1所示，该缺陷检测方法包括：
S101：获取待检测的产品图像及模板图像。
其中，待检测的产品图像为采用图像采集设备获取的需要进行缺陷检测的产品的图像。模板图像为采用图像采集设备获取的没有缺陷的产品的图像，可以作为模板检测其他产品是否存在缺陷。
图像采集设备包括摄像头，摄像机，相机，扫描仪，其他带有拍照功能的设备(手机、平板电脑等)，本公开对此不做限定。
S102：将产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络。
其中，孪生网络由两个子网络组成，可以将产品图像和模板图像分别输入不同的子网络中进行特征提取，以得到产品图像对应多个不同尺度的产品特征层及模板图像对应的多个不同尺度的模板特征层。即确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络。
需要说明的是，孪生网络中的两个子网络可以是卷积神经网络或循环神经网络，且两个子网络的网络结构可以相同，也可以不同，本公开对此不做限定。
其中，第一特征金字塔网络可以为从多个产品特征层抽取n个产品特征层构建的特征金字塔网络；第二特征金字塔网络可以为从多个模板特征层抽取n个模板特征层构建的特征金字塔网络。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中第一特征金字塔网络、第二特征金字塔网络的限定。
本公开实施例中，将产品图像输入孪生网络之前可以先对产品图像进行预处理，以使预处理后的产品图像中产品的成像角度与模板图像中产品的成像角度相同。其中，预处理可以包括将产品图像进行旋转、平移、缩放等等，本公开对此不做限定。
S103：分别基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络。
其中，第一缩放参数和第二缩放参数为预先训练生成的用于对特征金字塔网络中的特征层进行缩放处理的参数。
第一缩放参数用于对第一特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络；第二缩放参数用于对第二特征金字塔网络中每个特征层进行缩放处理，以获取第二缩放特征金字塔网络。
S104：将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络。
可选的，可以将第一缩放特征金字塔网络中的每个特征层中的特征与第二缩放特征金字塔网络中的对应特征层中的特征进行相加，以生成融合后的特征金字塔网络。
可选的，还可以将第一缩放特征金字塔网络中的每个特征层中的特征与第二缩放特征金字塔网络中的对应特征层中的特征进行拼接，以生成融合后的特征金字塔网络等等，本公开对此不做限定。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中融合后的特征金字塔网络的限定。
本公开实施例中，通过将产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络中的每个特征层分别进行缩放处理，然后再将经过缩放处理的特征层进行特征融合，从而可以使得基于融合后的特征金字塔网络确定的缺陷类型和位置更准确。
S105：分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。
具体为，对融合后的特征金字塔网络中每个特征层进行识别，得到每个特征层的识别结果，对每个特征层的识别结果进行分析，即可确定产品图像中的产品是否存在缺陷。
本实施例中，首先将获取的待检测的产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，之后再分别基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层进行缩放处理，并将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络，最后分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。由此，通过将产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络中的每个特征层分别进行缩放处理，然后再将经过缩放处理的特征层进行特征融合，从而可以使确定的缺陷类型和位置更准确，提高了缺陷检测的准确性。
图2是根据本公开第二实施例的示意图，如图2所示，在将产品图像及模板图像输入孪生网络之前还可以包括以下步骤：
S201：获取训练数据集，其中，训练数据集中包括模板图像及多个已标注的产品图像。
其中，可以采用图像采集设备获取训练数据集。
其中，已标注的产品图像为人工对图像采集设备获取的产品图像中的缺陷进行标注后的图像。
S202：将已标注的产品图像及模板图像输入初始孪生网络中，以确定已标注的产品图像对应的第三特征金字塔网络及模板图像对应的第四特征金字塔网络。
具体的，在将已标注的产品图像及模板图像输入初始孪生网络之前，可以先对已标注的产品图像进行预处理，以使预处理后的已标注的产品图像中产品的成像角度与模板图像中产品的成像角度相同。
其中，初始孪生网络为未经过训练的网络，需要采用训练数据集对初始孪生网络进行训练，以生成可用于准确提取产品图像及模板图像对应的特征金字塔网络的孪生网络。
S203：分别基于预设的第三缩放参数及预设的第四缩放参数，将第三特征金字塔网络中每个特征层及第四特征金字塔网络中每个特征层分别进行缩放处理，以获取第三缩放特征金字塔网络及第四缩放特征金字塔网络。
其中，第三缩放参数为预设的对第三特征金字塔网络中的每个特征层进行缩放处理的参数。
其中，第四缩放参数为预设的对第四特征金字塔网络中的每个特征层进行缩放处理的参数。
其中，缩放处理可以为将每个特征层中的特征与对应的缩放参数相乘，本公开对此不做限定。
比如，将第三特征金字塔网络中的每个特征层与第三缩放参数相乘获取第三缩放特征金字塔网络。或者，将第四特征金字塔网络中的每个特征层与第四缩放参数相乘获取第四缩放特征金字塔网络。
S204：将第三缩放特征金字塔网络中每个特征层与第四缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的缩放特征金字塔网络。
S205：分别对融合后的缩放特征金字塔网络中每个特征层进行识别，以确定已标注的产品图像中对应的缺陷预测结果。
比如，对融合后的缩放特征金字塔网络中的每个特征层分别进行识别，以确定每个特征层对应的识别结果，根据每个识别结果及每个特征层的权重值，确定已标注的产品图像中的对应的缺陷预测结果。
S206：根据缺陷预测结果与已标注的产品图像对应的缺陷标注结果的差异，对第三缩放参数、第四缩放参数及初始孪生网络分别进行修正，直至已标注的产品图像中对应的缺陷预测结果与标注结果间的差异小于阈值，以确定孪生网络、第一缩放参数及第二缩放参数。
比如，在缺陷预测结果与已标注的产品图像对应的缺陷标注结果的差异较大的情况下，分别调节预设的第三缩放参数、第四缩放参数及初始孪生网络中的内部参数，直至根据经过孪生网络及缩放处理生成的融合后的缩放特征金字塔网络，确定出的已标注的产品图像中对应的缺陷预测结果与标注结果间的差异小于阈值，即可结束训练。之后，即可利用训练好的孪生网络、第一缩放参数及第二缩放参数检测待检测的产品图像中的产品是否存在缺陷。
本实施例中，根据训练数据集对初始孪生网络、预设的第三缩放参数及预设的第四缩放参数进行训练，确定孪生网络、第一缩放参数及第二缩放参数。由此，将产品图像及模板图像输入训练好的孪生网络中，并基于第一缩放参数及第二缩放参数，获取第一缩放特征金字塔网络及第二缩放特征金字塔网络，然后再将第一缩放特征金字塔网络及第二缩放特征金字塔网络中的每个的特征层进行特征融合，从而可以使确定的缺陷类型和位置更准确，提高了缺陷检测的准确性。
在本公开一种可能的实现形式中，孪生网络输出的特征金字塔网络中包括至少一个通道，那么可以基于相同的缩放参数，将第一特征金字塔网络中每个通道特征进行缩放，也可以基于不同的缩放参数将第一特征金字塔网络中每个通道特征进行缩放。下面结合图3和图4，对本公开中对特征金字塔网络进行缩放的处理过程进行详细说明。
图3是根据本公开第三实施例的示意图，如图3所示，本公开提供的缺陷检测方法，包括：
301，获取待检测的产品图像及模板图像。
302，将产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，其中，第一特征金字塔网络及第二特征金字塔网络中每个特征层分别包括多个通道。
其中，上述步骤301和步骤302的具体实现形式，可参照本公开其他各实施例的详细描述，此处不再赘述。
S303：基于第一缩放参数，将第一特征金字塔网络中每个特征层中的每个第一通道的特征分别进行缩放处理，以获取每个第一通道的缩放特征。
其中，第一特征金字塔网络中的每个特征层中都包含多个通道，多个通道中的每个通道统称为第一通道。
其中，每个第一通道的缩放特征为采用同一个第一缩放参数对每个第一通道的特征进行缩放处理后获取的特征。
比如，将每个第一通道的特征与第一缩放参数相乘，获取对应的缩放特征。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中每个第一通道的缩放特征的限定。
S304：基于第二缩放参数，将第二特征金字塔网络中每个特征层中的每个第二通道的特征分别进行缩放处理，以获取每个第二通道的缩放特征。
其中，第二特征金字塔网络中的每个特征层中都包含多个通道，多个通道中的每个通道统称为第二通道。
其中，每个第二通道的缩放特征为采用同一个第二缩放参数对每个第二通道的特征进行缩放处理后获取的特征。
比如，将每个第二通道的特征与第二缩放参数相乘，获取对应的缩放特征。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中每个第二通道的缩放特征的限定。
S305：将每个第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个特征层中的每个通道的融合特征。
比如，将每个第一通道的缩放特征与对应的第二通道的缩放特征相加，生成了每个特征层中的每个通道的融合特征。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中每个通道的融合特征的限定。
本实施例中，基于第一缩放参数，将第一特征金字塔网络中每个特征层中的每个第一通道的特征分别进行缩放处理，以获取每个第一通道的缩放特征；基于第二缩放参数，将第二特征金字塔网络中每个特征层中的每个第二通道的特征分别进行缩放处理，以获取每个第二通道的缩放特征，最后将每个第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个特征层中的每个通道的融合特征。由此，采用不同的缩放参数对不同的通道进行缩放后，再将缩放特征金字塔网络进行融合，以根据融合特征确定产品图像中的产品是否存在缺陷，从而可以进一步提高确定的缺陷类型和位置的准确性，提高了缺陷检测的准确性。
图4是根据本公开第四实施例的示意图，如图4所示，第一特征金字塔网络及第二特征金字塔网络中每个特征层分别包括至少一个通道，所述第一缩放参数包括与第一特征金字塔网络中每个特征层中每个通道对应的第一子缩放参数，第二缩放参数中包括与第二特征金字塔网络中每个特征层中每个通道对应的第二子缩放参数，则本公开提供的缺陷检测方法，包括：
S401，获取待检测的产品图像及模板图像。
S402，将产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，其中，第一特征金字塔网络及第二特征金字塔网络中每个特征层分别包括多个通道。
其中，上述步骤401和步骤402的具体实现形式，可参照本公开其他各实施例的详细描述，此处不再赘述。
S403：分别基于与每个第一特征金字塔网络中每个特征层中的每个第一通道对应的第一子缩放参数，将对应的第一通道的特征进行缩放处理，以获取每个第一通道的缩放特征。
需要说明的是，第一特征金字塔网络中的每个第一通道对应一个第一缩放参数，不同的第一通道对应的第一缩放参数可以相同，也可以不同。
S404：分别基于与每个第二特征金字塔网络中每个特征层中的每个第二通道对应的第二子缩放参数，将对应的每个第二通道的特征进行缩放处理，以获取每个第二通道的缩放特征。
需要说明的是，第二特征金字塔网络中的每个第二通道对应一个第二缩放参数，不同的第二通道对应的第二缩放参数可以相同，也可以不同。
S405：将每个第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个特征层中的每个通道的融合特征，即可得到融合后的特征金字塔网络。
比如，将每个第一通道的缩放特征与对应的每个第二通道的缩放特征相加，生成了每个特征层中的每个通道的融合特征。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中每个通道的融合特征的限定。
S406：对融合后的特征金字塔网络中每个特征层进行识别，以确定每个特征层对应的识别结果。
其中，识别结果可以包括缺陷的类型，缺陷的位置，缺陷的大小等，本公开对此不做限定。
S407：根据每个特征层对应的识别结果及每个特征层的权重值，确定产品图像中的产品是否存在缺陷。
其中，每个特征层的权重值可以相同也可以不同。
比如，融合后的特征金字塔网络中有三个特征层，每个特征层对应相同的权重，则三个特征层对应的权重均为1/3。
或者，也可以根据每个特征层包含的特征的多少及重要程度等为每个特征层分配权重。
需要说明的是，上述示例只是举例说明，不能作为对本公开实施例中每个特征层的权重值的限定。
本实施例中，第一特征金字塔网络及第二特征金字塔网络中每个特征层分别包括多个通道，分别基于与每个第一特征金字塔网络中每个特征层中的每个第一通道对应的第一子缩放参数，将每个第一通道的特征进行缩放处理，以获取每个第一通道的缩放特征；分别基于与每个第二特征金字塔网络中每个特征层中的每个第二通道对应的第二子缩放参数，将对应的第二通道的特征进行缩放处理，以获取每个第二通道的缩放特征，最后将每个第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个特征层中的每个通道的融合特征，即可得到融合后的特征金字塔网络，对融合后的特征金字塔网络中每个特征层进行识别，以确定每个特征层对应的识别结果，根据每个特征层对应的识别结果及每个特征层的权重值，确定产品图像中的产品是否存在缺陷。由此，采用不同的缩放参数对不同的通道进行缩放后，再将缩放特征金字塔网络进行融合，以得到融合后的特征金字塔网络，之后分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷，从而可以进一步提高确定的缺陷类型和位置的准确性，提高了缺陷检测的准确性。
本公开还提供了缺陷检测装置，该装置用于实现上述任一缺陷检测方法。
图5是根据本公开第五实施例的示意图，如图5所示，该缺陷检测装置500，包括：
第一获取模块510，用于获取待检测的产品图像及模板图像；
第一确定模块520，用于将产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络；
第二获取模块530，用于分别基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层分别进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络；
第一生成模块540，用于将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络；
第二确定模块550，用于分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。
在本公开的一些实施例中，其中，第一特征金字塔网络及第二特征金字塔网络中每个特征层分别包括至少一个通道，第二获取模块503，具体用于：
基于第一缩放参数，将第一特征金字塔网络中每个特征层中的每个第一通道的特征分别进行缩放处理，以获取每个第一通道的缩放特征；
基于第二缩放参数，将第二特征金字塔网络中每个特征层中的每个第二通道的特征分别进行缩放处理，以获取每个第二通道的缩放特征；
第一生成模块540，具体用于将每个第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个特征层中的每个通道的融合特征。
在本公开的一些实施例中，其中，第一特征金字塔网络及第二特征金字塔网络中每个特征层分别包括至少一个通道，第一缩放参数包括与所述第一特征金字塔网络中每个特征层中每个通道对应的第一子缩放参数，第二缩放参数中包括与第二特征金字塔网络中每个特征层中每个通道对应的第二子缩放参数，第二获取模块530，具体用于：
分别基于与每个第一特征金字塔网络中每个特征层中的每个第一通道对应的第一子缩放参数，将对应的第一通道的特征进行缩放处理，以获取每个第一通道的缩放特征；
分别基于与每个第二特征金字塔网络中每个特征层中的每个第二通道对应的第二子缩放参数，将对应的第二通道的特征进行缩放处理，以获取每个第二通道的缩放特征；
第一生成模块540，具体用于将每个第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个特征层中的每个通道的融合特征。
在本公开的一些实施例中，其中，第二确定模块550，具体用于：
对融合后的特征金字塔网络中每个特征层进行识别，以确定每个特征层对应的识别结果；
根据每个特征层对应的识别结果及每个特征层的权重值，确定产品图像中的产品是否存在缺陷。
在本公开的一些实施例中，其中，第一确定模块520，具体用于：
获取训练数据集，其中，训练数据集中包括模板图像及多个已标注的产品图像；
将已标注的产品图像及模板图像输入初始孪生网络中，以确定已标注的产品图像对应的第三特征金字塔网络及模板图像对应的第四特征金字塔网络；
分别基于预设的第三缩放参数及预设的第四缩放参数，将第三特征金字塔网络中每个特征层及第四特征金字塔网络中每个特征层分别进行缩放处理，以获取第三缩放特征金字塔网络及第四缩放特征金字塔网络；
将第三缩放特征金字塔网络中每个特征层与第四缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的缩放特征金字塔网络；
分别对融合后的缩放特征金字塔网络中每个特征层进行识别，以确定已标注的产品图像中对应的缺陷预测结果；
根据缺陷预测结果与已标注的产品图像对应的缺陷标注结果的差异，对第三缩放参数、第四缩放参数及初始孪生网络分别进行修正，直至已标注的产品图像中对应的缺陷预测结果与标注结果间的差异小于阈值，以确定孪生网络、第一缩放参数及第二缩放参数。
在本公开的一些实施例中，其中，第一获取模块510，具体用于：
将产品图像进行预处理，以使预处理后的产品图像中产品的成像角度与模板图像中产品的成像角度相同。
本实施例中，首先将获取的待检测的产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，之后再基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层分别进行缩放处理，并将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中每个特征层分别进行融合，以生成融合后的特征金字塔网络，最后分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。由此，通过将产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络中的每个特征层分别进行缩放处理，然后再将经过缩放处理的特征层进行特征融合，从而可以使确定的缺陷类型和位置更准确，提高了缺陷检测的准确性。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元606加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元606，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如一种动态手势识别方法。例如，在一些实施例中，动态手势识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的动态手势识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行动态手势识别方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网及区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
本实施例中，首先将获取的待检测的产品图像及模板图像输入孪生网络中，以确定产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络，之后再基于训练生成的第一缩放参数及第二缩放参数，将第一特征金字塔网络中每个特征层及第二特征金字塔网络中每个特征层分别进行缩放处理，并将第一缩放特征金字塔网络中每个特征层与第二缩放特征金字塔网络中每个特征层分别进行融合，以生成融合后的特征金字塔网络，最后分别对融合后的特征金字塔网络中每个特征层进行识别，以确定产品图像中的产品是否存在缺陷。由此，通过将产品图像对应的第一特征金字塔网络及模板图像对应的第二特征金字塔网络中的每个特征层分别进行缩放处理，然后再将经过缩放处理的特征层进行特征融合，从而可以使确定的缺陷类型和位置更准确，提高了缺陷检测的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种缺陷检测方法，包括：
获取待检测的产品图像及模板图像；
将所述产品图像及所述模板图像输入孪生网络中，以确定所述产品图像对应的第一特征金字塔网络及所述模板图像对应的第二特征金字塔网络；
分别基于训练生成的第一缩放参数及第二缩放参数，将所述第一特征金字塔网络中每个特征层及所述第二特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络；
将所述第一缩放特征金字塔网络中每个特征层与所述第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络；
分别对所述融合后的特征金字塔网络中每个特征层进行识别，以确定所述产品图像中的产品是否存在缺陷。
2.如权利要求1所述的方法，其中，所述第一特征金字塔网络及所述第二特征金字塔网络中每个特征层分别包括至少一个通道，所述分别基于训练生成的第一缩放参数及第二缩放参数，将所述第一特征金字塔网络中每个特征层及所述第二特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络，包括：
基于所述第一缩放参数，将所述第一特征金字塔网络中每个特征层中的每个第一通道的特征分别进行缩放处理，以获取每个所述第一通道的缩放特征；
基于所述第二缩放参数，将所述第二特征金字塔网络中每个特征层中的每个第二通道的特征分别进行缩放处理，以获取每个所述第二通道的缩放特征；
所述将所述第一缩放特征金字塔网络中每个特征层与所述第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络，包括：
将每个所述第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个所述特征层中的每个通道的融合特征。
3.如权利要求1所述的方法，其中，所述第一特征金字塔网络及所述第二特征金字塔网络中每个特征层分别包括至少一个通道，所述第一缩放参数包括与所述第一特征金字塔网络中每个特征层中每个通道对应的第一子缩放参数，所述第二缩放参数中包括与所述第二特征金字塔网络中每个特征层中每个通道对应的第二子缩放参数，所述分别基于训练生成的第一缩放参数及第二缩放参数，将所述第一特征金字塔网络中每个特征层及所述第二特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络，包括：
分别基于与每个第一特征金字塔网络中每个特征层中的每个第一通道对应的第一子缩放参数，将对应的第一通道的特征进行缩放处理，以获取每个所述第一通道的缩放特征；
分别基于与每个第二特征金字塔网络中每个特征层中的每个第二通道对应的第二子缩放参数，将对应的第二通道的特征进行缩放处理，以获取每个所述第二通道的缩放特征；
所述将所述第一缩放特征金字塔网络中每个特征层与所述第二缩放特征金字塔网络中对应的特征层分别进行融合，以生成融合后的特征金字塔网络，包括：
将每个所述第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个所述特征层中的每个通道的融合特征。
4.如权利要求1所述的方法，其中，所述分别对所述融合后的特征金字塔网络中每个特征层进行识别，以确定所述产品图像中的产品是否存在缺陷，包括：
对所述融合后的特征金字塔网络中每个特征层进行识别，以确定每个所述特征层对应的识别结果；
根据每个特征层对应的识别结果及每个所述特征层的权重值，确定所述产品图像中的产品是否存在缺陷。
5.如权利要求1-4任一所述的方法，其中，在所述将所述产品图像及所述模板图像输入孪生网络之前，还包括：
获取训练数据集，其中，所述训练数据集中包括所述模板图像及多个已标注的产品图像；
将所述已标注的产品图像及所述模板图像输入初始孪生网络中，以确定所述已标注的产品图像对应的第三特征金字塔网络及所述模板图像对应的第四特征金字塔网络；
分别基于预设的第三缩放参数及预设的第四缩放参数，将所述第三特征金字塔网络中每个特征层及所述第四特征金字塔网络中每个特征层进行缩放处理，以获取第三缩放特征金字塔网络及第四缩放特征金字塔网络；
将所述第三缩放特征金字塔网络中每个特征层与所述第四缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的缩放特征金字塔网络；
分别对所述融合后的缩放特征金字塔网络中每个特征层进行识别，以确定所述已标注的产品图像中对应的缺陷预测结果；
根据所述缺陷预测结果与所述已标注的产品图像对应的缺陷标注结果的差异，对所述第三缩放参数、所述第四缩放参数及所述初始孪生网络分别进行修正，直至所述已标注的产品图像中对应的缺陷预测结果与标注结果间的差异小于阈值，以确定所述孪生网络、所述第一缩放参数及所述第二缩放参数。
6.如权利要求1-4任一所述的方法，其中，在所述将所述产品图像及所述模板图像输入孪生网络之前，还包括：
将所述产品图像进行预处理，以使预处理后的产品图像中产品的成像角度与所述模板图像中产品的成像角度相同。
7.一种缺陷检测装置，包括：
第一获取模块，用于获取待检测的产品图像及模板图像；
第一确定模块，用于将所述产品图像及所述模板图像输入孪生网络中，以确定所述产品图像对应的第一特征金字塔网络及所述模板图像对应的第二特征金字塔网络；
第二获取模块，用于分别基于训练生成的第一缩放参数及第二缩放参数，将所述第一特征金字塔网络中每个特征层及所述第二特征金字塔网络中每个特征层进行缩放处理，以获取第一缩放特征金字塔网络及第二缩放特征金字塔网络；
第一生成模块，用于将所述第一缩放特征金字塔网络中每个特征层与所述第二缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的特征金字塔网络；
第二确定模块，用于分别对所述融合后的特征金字塔网络中每个特征层进行识别，以确定所述产品图像中的产品是否存在缺陷。
8.如权利要求7所述的缺陷检测装置，其中，所述第一特征金字塔网络及所述第二特征金字塔网络中每个特征层分别包括至少一个通道，所述第二获取模块，还用于：
基于所述第一缩放参数，将所述第一特征金字塔网络中每个特征层中的每个第一通道的特征分别进行缩放处理，以获取每个所述第一通道的缩放特征；
基于所述第二缩放参数，将所述第二特征金字塔网络中每个特征层中的每个第二通道的特征分别进行缩放处理，以获取每个所述第二通道的缩放特征；
所述第一生成模块，还用于：
将每个所述第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个所述特征层中的每个通道的融合特征。
9.如权利要求7所述的缺陷检测装置，其中，所述第一特征金字塔网络及所述第二特征金字塔网络中每个特征层分别包括至少一个通道，所述第一缩放参数包括与所述第一特征金字塔网络中每个特征层中每个通道对应的第一子缩放参数，所述第二缩放参数中包括与所述第二特征金字塔网络中每个特征层中每个通道对应的第二子缩放参数，所述第二获取模块，还用于：
分别基于与每个第一特征金字塔网络中每个特征层中的每个第一通道对应的第一子缩放参数，将对应的第一通道的特征进行缩放处理，以获取每个所述第一通道的缩放特征；
分别基于与每个第二特征金字塔网络中每个特征层中的每个第二通道对应的第二子缩放参数，将对应的第二通道的特征进行缩放处理，以获取每个所述第二通道的缩放特征；
所述第一生成模块，具体用于：
将每个所述第一通道的缩放特征与对应的第二通道的缩放特征进行融合，以生成每个所述特征层中的每个通道的融合特征。
10.如权利要求7所述的缺陷检测装置，其中，所述第二确定模块，还用于：
对所述融合后的特征金字塔网络中每个特征层进行识别，以确定每个所述特征层对应的识别结果；
根据每个特征层对应的识别结果及每个所述特征层的权重值，确定所述产品图像中的产品是否存在缺陷。
11.如权利要求7-10所述的缺陷检测装置，其中，所述第一确定模块，还用于：
获取训练数据集，其中，所述训练数据集中包括所述模板图像及多个已标注的产品图像；
将所述已标注的产品图像及所述模板图像输入初始孪生网络中，以确定所述已标注的产品图像对应的第三特征金字塔网络及所述模板图像对应的第四特征金字塔网络；
分别基于预设的第三缩放参数及预设的第四缩放参数，将所述第三特征金字塔网络中每个特征层及所述第四特征金字塔网络中每个特征层分别进行缩放处理，以获取第三缩放特征金字塔网络及第四缩放特征金字塔网络；
将所述第三缩放特征金字塔网络中每个特征层与所述第四缩放特征金字塔网络中的对应特征层分别进行融合，以生成融合后的缩放特征金字塔网络；
分别对所述融合后的缩放特征金字塔网络中每个特征层进行识别，以确定所述已标注的产品图像中对应的缺陷预测结果；
根据所述缺陷预测结果与所述已标注的产品图像对应的缺陷标注结果的差异，对所述第三缩放参数、所述第四缩放参数及所述初始孪生网络分别进行修正，直至所述已标注的产品图像中对应的缺陷预测结果与标注结果间的差异小于阈值，以确定所述孪生网络、所述第一缩放参数及所述第二缩放参数。
12.如权利要求7-10所述的缺陷检测装置，其中，所述第一获取模块，还用于：
将所述产品图像进行预处理，以使预处理后的产品图像中产品的丞相角度与所述模板图像中产品的成像角度相同。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110554117.4A CN113344862B (zh) | 2021-05-20 | 2021-05-20 | 缺陷检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110554117.4A CN113344862B (zh) | 2021-05-20 | 2021-05-20 | 缺陷检测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113344862A true CN113344862A (zh) | 2021-09-03 |
| CN113344862B CN113344862B (zh) | 2024-04-12 |
Family
ID=77470294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110554117.4A Active CN113344862B (zh) | 2021-05-20 | 2021-05-20 | 缺陷检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344862B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708484A (zh) * | 2022-03-14 | 2022-07-05 | 中铁电气化局集团有限公司 | 适用于识别缺陷的图形分析方法 |
| CN117314895A (zh) * | 2023-11-27 | 2023-12-29 | 北京阿丘科技有限公司 | 缺陷检测方法、设备及计算机可读存储介质 |
| EP4325261A1 (en) * | 2022-08-16 | 2024-02-21 | Fiberfox, Inc. | Apparatus and method for verifying optical fiber work using artificial intelligence |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019020075A1 (zh) * | 2017-07-28 | 2019-01-31 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
| CN111754513A (zh) * | 2020-08-07 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
| CN111898615A (zh) * | 2020-06-16 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 一种物体检测模型的特征提取方法、装置、设备及介质 |
| CN112184752A (zh) * | 2020-09-08 | 2021-01-05 | 北京工业大学 | 一种基于金字塔卷积的视频目标跟踪方法 |
| WO2021026804A1 (zh) * | 2019-08-14 | 2021-02-18 | 深圳市大疆创新科技有限公司 | 基于云台的目标跟随方法、装置、云台和计算机存储介质 |
-
2021
- 2021-05-20 CN CN202110554117.4A patent/CN113344862B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019020075A1 (zh) * | 2017-07-28 | 2019-01-31 | 北京市商汤科技开发有限公司 | 图像处理方法、装置、存储介质、计算机程序和电子设备 |
| WO2021026804A1 (zh) * | 2019-08-14 | 2021-02-18 | 深圳市大疆创新科技有限公司 | 基于云台的目标跟随方法、装置、云台和计算机存储介质 |
| CN111898615A (zh) * | 2020-06-16 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 一种物体检测模型的特征提取方法、装置、设备及介质 |
| CN111754513A (zh) * | 2020-08-07 | 2020-10-09 | 腾讯科技（深圳）有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
| CN112184752A (zh) * | 2020-09-08 | 2021-01-05 | 北京工业大学 | 一种基于金字塔卷积的视频目标跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨雪;郑婷婷;戴阳;: "基于孪生卷积神经网络的图像融合", 计算机***应用, no. 05 * |
| 韩明;吴庆祥;曾雄军;: "基于深度学习的齿轮视觉微小缺陷检测", 计算机***应用, no. 03 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708484A (zh) * | 2022-03-14 | 2022-07-05 | 中铁电气化局集团有限公司 | 适用于识别缺陷的图形分析方法 |
| CN114708484B (zh) * | 2022-03-14 | 2023-04-07 | 中铁电气化局集团有限公司 | 适用于识别缺陷的图形分析方法 |
| EP4325261A1 (en) * | 2022-08-16 | 2024-02-21 | Fiberfox, Inc. | Apparatus and method for verifying optical fiber work using artificial intelligence |
| CN117314895A (zh) * | 2023-11-27 | 2023-12-29 | 北京阿丘科技有限公司 | 缺陷检测方法、设备及计算机可读存储介质 |
| CN117314895B (zh) * | 2023-11-27 | 2024-03-12 | 北京阿丘科技有限公司 | 缺陷检测方法、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113344862B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113344862B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
| CN113177472B (zh) | 动态手势识别方法、装置、设备以及存储介质 | |
| CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
| CN112784765B (zh) | 用于识别动作的方法、装置、设备以及存储介质 | |
| CN113379813A (zh) | 深度估计模型的训练方法、装置、电子设备及存储介质 | |
| CN113362314B (zh) | 医学图像识别方法、识别模型训练方法及装置 | |
| CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN114419035B (zh) | 产品识别方法、模型训练方法、装置和电子设备 | |
| CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113177468A (zh) | 人体行为检测方法、装置、电子设备及存储介质 | |
| CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
| CN113705362A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
| CN113378712A (zh) | 物体检测模型的训练方法、图像检测方法及其装置 | |
| CN113177449A (zh) | 人脸识别的方法、装置、计算机设备及存储介质 | |
| CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
| CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
| CN113191261B (zh) | 图像类别的识别方法、装置和电子设备 | |
| CN114120454A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
| CN113177466A (zh) | 基于人脸图像的身份识别方法、装置、电子设备及介质 | |
| EP4156124A1 (en) | Dynamic gesture recognition method and apparatus, and device and storage medium | |
| CN114494782B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
| CN115861255A (zh) | 用于图像处理的模型训练方法、装置、设备、介质及产品 | |
| CN113781653B (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
| CN113378774A (zh) | 手势识别方法、装置、设备、存储介质以及程序产品 | |
| CN113205131A (zh) | 图像数据的处理方法、装置、路侧设备和云控平台 |
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 |