CN114119463A - 一种缺陷的检测方法及装置 - Google Patents
一种缺陷的检测方法及装置 Download PDFInfo
- Publication number
- CN114119463A CN114119463A CN202111173151.3A CN202111173151A CN114119463A CN 114119463 A CN114119463 A CN 114119463A CN 202111173151 A CN202111173151 A CN 202111173151A CN 114119463 A CN114119463 A CN 114119463A
- Authority
- CN
- China
- Prior art keywords
- error
- detected
- defect detection
- distance
- feature
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 206
- 238000001514 detection method Methods 0.000 title claims abstract description 158
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000470 constituent Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 description 15
- 238000000926 separation method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 239000004566 building material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000000513 principal component analysis Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种缺陷的检测方法及装置。缺陷的检测方法，包括：获取待检测对象对应的待检测图像；所述待检测图像中包括所述待检测对象；将所述待检测图像输入预先训练好的缺陷检测模型中，获得所述缺陷检测模型输出的缺陷检测结果；所述缺陷检测结果用于表征所述待检测对象是否存在缺陷；其中，所述训练好的缺陷检测模型包括依次连接的特征提取模块、特征重构模块以及误差计算模块；所述特征提取模块用于从所述待检测图像中提取出预设特征；所述特征重构模块用于对所述预设特征进行分离，获得主成分特征和次成分特征；所述误差计算模块用于根据所述主成分特征和/或所述次成分特征确定所述缺陷检测结果。该检测方法用以提高缺陷检测的精度。
Description
技术领域
本申请涉及人工智能技术领域，具体而言，涉及一种缺陷的检测方法及装置。
背景技术
缺陷检测，利用检测对象的图像，判断检测对象是否存在缺陷，以实现缺陷检测。
现有技术中，在进行缺陷检测时，利用神经网络模型进行缺陷检测，利用大量存在缺陷或者不存在缺陷的对象对应的图像进行模型训练，这种缺陷检测方式，缺陷检测的精度较低。
发明内容
本申请实施例的目的在于提供一种缺陷的检测方法及装置，用以提高缺陷检测的精度。
第一方面，本申请实施例提供一种缺陷的检测方法，包括：获取待检测对象对应的待检测图像；所述待检测图像中包括所述待检测对象；将所述待检测图像输入预先训练好的缺陷检测模型中，获得所述缺陷检测模型输出的缺陷检测结果；所述缺陷检测结果用于表征所述待检测对象是否存在缺陷；其中，所述训练好的缺陷检测模型包括依次连接的特征提取模块、特征重构模块以及误差计算模块；所述特征提取模块用于从所述待检测图像中提取出预设特征；所述特征重构模块用于对所述预设特征进行分离，获得主成分特征和次成分特征；所述误差计算模块用于根据所述主成分特征和/或所述次成分特征确定所述缺陷检测结果。
在本申请实施例中，与现有技术相比，所采用的缺陷检测模型中，包括依次连接的特征提取模块、特征重构模块以及误差计算模块，通过特征提取模块，实现预设特征的提取；通过特征重构模块，实现预设特征的分离；进而，通过误差计算模块，基于主成分特征和/或次成分特征，确定缺陷检测结果。在这种检测方式中，通过特征的分离，使误差计算模块可以更有效的对缺陷进行确定，提高最终的缺陷检测结果的准确性，进而提高缺陷检测的精度。
作为一种可能的实现方式，所述预设特征包括：所述待检测图像中指定像素点的特征、以及在所述待检测图像中，与所述指定像素点的像素距离大于预设像素距离的像素点的特征。
在本申请实施例中，所提取的预设特征包括指定像素点的特征，以及与指定像素点之间的像素距离大于预设像素距离的像素点的特征，提高预设特征的多样性，进而提高缺陷检测的精度。
作为一种可能的实现方式，所述特征重构模块包括：第一autoencoder(自编码器)和第二autoencoder；所述第一autoencoder对应的重构损失函数表示为：loss1＝||f2-f1||2，f2为所述主成分特征，f1为所述预设特征；所述第二autoencoder对应的重构损失函数表示为：loss2＝||f2+f3-f1||2，f3为所述次成分特征。
在本申请实施例中，通过第一自编码器，实现主成分特征的分离；通过第二自编码器，实现次成分特征的分离；进而实现特征的有效分离。
作为一种可能的实现方式，所述第一autoencoder用于对所述主成分特征进行降维，获得降维后的主成分特征；以及所述第二autoencoder用于对所述次成分特征进行降维，获得降维后的次成分特征。
在本申请实施例中，通过特征的降维处理，可以减少最终所处理的特征数量，提高缺陷检测的效率。
作为一种可能的实现方式，所述误差计算模块具体用于：计算所述次成分特征与预先训练好的位置特征之间的距离误差；根据所述距离误差与预设的误差阈值确定所述缺陷检测结果。
在本申请实施例中，通过次成分特征与预先训练好的位置特征之间的距离误差，与预设的误差阈值，实现缺陷检测结果的有效且准确的确定。
作为一种可能的实现方式，所述距离误差表示为：
xij为第一距离，uij为第二距离，i代表所述次成分特征，j代表所述预先训练好的位置特征；其中，若所述距离误差大于所述误差阈值，则所述缺陷检测结果为：待检测对象存在缺陷；若所述距离误差小于所述误差阈值，则所述缺陷检测结果为：待检测对象不存在缺陷。
在本申请实施例中，通过上述的计算公式，实现距离误差的有效计算；并且，如果距离误差大于误差阈值，则待检测对象存在缺陷，反之则不存在缺陷，实现缺陷的有效检测。
作为一种可能的实现方式，所述误差计算模块具体用于：计算所述主成分特征与预先训练好的第一位置特征之间的第一距离误差；以及计算所述次成分特征与预先训练好的第二位置特征之间的第二距离误差；根据所述第一距离误差、所述第二距离误差以及预设的误差阈值确定所述缺陷检测结果；其中，若所述第一距离误差小于所述第二距离误差，且所述第一距离误差大于所述误差阈值，则所述缺陷检测结果为：待检测对象存在缺陷；若所述第一距离误差大于所述第二距离误差，且所述第二距离误差小于所述误差阈值，则所述检测结果为：待检测对象不存在缺陷。
在本申请实施例中，还可以结合主成分特征和次成分特征对是否存在缺陷进行判断；其中，如果主成分特征对应的第一距离误差大于次成分特征对应的第二距离误差，且第二距离误差小于误差阈值，则待检测对象不存在缺陷，实现缺陷的有效判断。
作为一种可能的实现方式，所述误差计算模块具体用于：计算所述主成分特征与预先训练好的位置特征之间的第三距离误差；以及计算所述次成分特征与所述预先训练好的位置特征之间的第四距离误差；根据所述第三距离误差、所述第四距离误差以及预设的误差阈值确定所述缺陷检测结果；其中，若所述第三距离误差与所述误差阈值之间的差值的绝对值大于所述第四距离误差与所述误差阈值之间的差值的绝对值，且所述第四距离误差小于所述误差阈值，则所述检测结果为：待检测对象不存在缺陷；若所述第三距离误差与所述误差阈值之间的差值的绝对值小于所述第四距离误差与所述误差阈值之间的差值的绝对值，且所述第四距离误差大于所述误差阈值，则所述检测结果为：待检测对象存在缺陷。
在本申请实施例中，还可以结合主成分特征和次成分特征对是否存在缺陷进行判断；其中，如果主成分特征对应的第三距离误差与误差阈值之间的差值的绝对值大于次成分特征对应的第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差小于误差阈值，则检测结果为：待检测对象不存在缺陷；若第三距离误差与误差阈值之间的差值的绝对值小于第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差大于误差阈值，则检测结果为：待检测对象存在缺陷，实现缺陷的有效判断。
第二方面，本申请实施例提供一种缺陷的检测装置，包括：用于实现第一方面以及第一方面的任意一种可能的实现方式中所述的缺陷的检测方法的各个功能模块。
第三方面，本申请实施例提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如第一方面的以及第一方面的任意可能的实现方式中所述缺陷的检测方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的主成分和次成分的示意图；
图2为本申请实施例提供的缺陷的检测方法的流程图；
图3为本申请实施例提供的缺陷检测模块的结构示意图；
图4为本申请实施例提供的缺陷的检测装置的流程图。
图标：400-缺陷的检测装置；410-获取模块；420-处理模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
本申请实施例提供的技术方案可以应用于各个需要缺陷检测的应用场景中，例如：需要针对批量的工业产品进行缺陷检测的应用场景。所检测的对象，结合不同的应用场景，可以不同。
结合上述的应用场景，本申请实施例提供的技术方案对应的硬件运行环境，可以是任意的具备数据处理以及数据存储功能的设备或者硬件，例如：服务器、手机、电脑等，在本申请实施例中不作限定。
例如：在工业产品缺陷检测的应用场景中，需要检测的对象可以是：PCB(PrintedCircuit Board，印制电路板)板、钢材、布匹、建材等。其中，PCB板主要检测外观缺陷，钢材、布匹、建材等主要检测表面缺陷。
在进行缺陷检测时，所采用的主要技术构思为：收集需要检测的对象(即待检测对象)的图像，然后基于待检测对象的图像实现缺陷检测。其中，基于待检测对象的图像实现缺陷检测，通过预先训练好的神经网络模型实现。
预先训练好的神经网络模型的训练方式也有多种，例如：可以将不存在缺陷的对象对应的图像输入到模型中，使模型学习不存在缺陷的对象的图像特征，进而，训练好的模型可以利用不存在缺陷的对象的图像特征与当前检测的图像特征进行比对，确定对应的检测结果。再例如：可以将存在缺陷的对象对应的图像输入到模型中，使模型学习存在缺陷的对象的图像特征，进而，训练好的模型可以利用存在缺陷的对象的图像特征与当前检测的图像特征进行比对，确定对应的检测结果。
在本申请实施例中，不采用上述的两种训练方式，所采用的训练方式为：基于统计的方法；使用神经网络对待检测对象(不具有缺陷的待检测对象)对应的图像的像素点对应提取特征，并聚类统计出每个像素点对应的特征分布，训练好的神经网络模型可以学到到聚类位置特征。进而，训练好的模型可以利用不存在缺陷的对象的聚类位置特征与当前检测的图像的位置特征进行比对，确定对应的检测结果。
并且，在本申请实施例中，还涉及到主成分特征和次成分特征。主成份分析是个专有名词，是一种对特征向量的操作，是用一些基向量对特征向量进行分解，并可以计算出每种基向量的含量，含量高的是主成份。每一种特征向量都能分解为各种成份。
以图1为例，图1中的点可以用(x,y)表示，可以看出向量(x，y)分布于一个椭圆中，沿x轴上的分布是最广的，于是x轴是主成份，y轴是与x垂直的次要成份。主成轴并不一定是坐标轴，是需要计算得到的数据分布最广的方向，各个成份轴之间相互垂直。本申请的技术方案的立意为：在缺陷检测任务中，主要成份并非是最有区分度的成份，次要成份更能区分是否为缺陷。
基于上述应用场景的介绍，接下来请参照图2，图2为本申请实施例提供的缺陷的检测方法的流程图，该检测方法包括：
步骤210：获取待检测对象对应的待检测图像。待检测图像中包括待检测对象。
步骤220：将待检测图像输入预先训练好的缺陷检测模型中，获得缺陷检测模型输出的缺陷检测结果。缺陷检测结果用于表征待检测对象是否存在缺陷。
结合前述实施例的介绍，待检测对象可以是PCB版、板材等。这些待检测对象对应的待检测图像可以通过图像采集装置实现获取，图像采集装置例如：摄像头、手机等。
结合前述实施例中对于本申请所采用的神经网络模型的构思的介绍，请参照图3，为本申请实施例提供的缺陷检测模型的结构示意图，缺陷检测模型包括：依次连接的特征提取模块、特征重构模块以及误差计算模块。
其中，依次连接指的是，特征提取模块的输出作为特征重构模块的输入，特征重构模块的输出作为误差计算模块的输入。此外，特征提取模块的输入为整个神经网络模型的输入，误差计算模块的输出为整个神经网络模型的输出。
特征提取模块用于从待检测图像中提取出预设特征，特征重构模块用于对预设特征进行分离，获得主成分特征和次成分特征，误差计算模块用于根据主成分特征和/或次成分特征确定缺陷检测结果。
在本申请实施例中，与现有技术相比，所采用的缺陷检测模型中，包括依次连接的特征提取模块、特征重构模块以及误差计算模块，通过特征提取模块，实现预设特征的提取；通过特征重构模块，实现预设特征的分离；进而，通过误差计算模块，基于主成分特征和/或次成分特征，确定缺陷检测结果。在这种检测方式中，通过特征的分离，使误差计算模块可以更有效的对缺陷进行确定，提高最终的缺陷检测结果的准确性，进而提高缺陷检测的精度。
接下来对该检测方法以及缺陷检测模型的实施方式进行介绍。
在步骤210中，待检测图像的数量可以为多张，该多张待检测图像可以包括对应一个待检测对象的不同检测位置的图像，例如：一张图像为PCB板正面的图像，另一张图像为PCB板反面的图像。也可以包括对应不同的待检测对象的图像，例如：PCB板的图像、建材的图像等，在本申请实施例中不作限定。
在步骤210中，所获取的待检测图像可以是由用户实时输入的图像，也可以是从本地获取的预先存储的需要检测的图像，在本申请实施例中不作限定。
在本申请实施例中，预先训练好的缺陷检测模型的训练过程可以包括：获取训练样本，该训练样本中包括正常样本(即不存在缺陷的样本)和异常样本(即存在缺陷的样本)；将训练样本输入缺陷检测模型中进行训练，缺陷检测模型在训练过程中，会学习正常样本的聚类位置特征，以及学习异常样本的聚类位置特征；利用聚类位置特征，训练好的缺陷检测模型便可以实现缺陷的检测。
其中，缺陷检测模型中的特征提取模型可以不参与训练，其可以采用成熟的特征提取模型，即已经训练好的特征提取模型，因而，可以不再需要训练；而特征重构模块和误差计算模块需要参加训练。
基于上述缺陷检测模型的训练的实施方式的介绍，接下来对各个模块的功能进行介绍。
对于特征提取模块来说，用于从待检测图像中提取出预设特征。作为一种可选的实施方式，特征提取模块可以是使用在ImageNet等大数据集上预训练的网络(如ResNet18)。并且，特征提取模块最终输出的预设特征的表现形式为特征向量，后续所涉及的各个特征同理，均应当理解为特征向量。
在特征提取模块提取特征时，可以针对图像的每一个像素点都进行特征提取；也可以仅针对部分像素点进行特征提取。
如果需要提取的特征较多，则特征提取的效率较低；如果需要提取的特征相对较少，则特征提取的效率也会提高。
因此，作为一种可选的实施方式，预设特征包括：待检测图像中指定像素点的特征、以及在待检测图像中，与指定像素点的像素距离大于预设像素距离的像素点的特征。
在本申请实施例中，所提取的预设特征包括指定像素点的特征，以及与指定像素点之间的像素距离大于预设像素距离的像素点的特征，提高预设特征的多样性，进而提高缺陷检测的精度。
其中，指定像素点可以是指定图像位置对应的像素点；指定图像位置可以结合实际应用场景进行设置，例如：对于PCB板来说，其缺陷位置通常在边缘，因此，指定像素点可以是边缘位置的像素点。
除了指定像素点，还可以限定与指定像素点之间的像素距离大于预设像素距离的像素点，其对应的特征也作为所选取的特征。
预设像素距离也可以结合实际的应用场景进行设置，其具体值在本申请实施例中不作限定。
可以理解，由于指定像素点可能只是容易发生缺陷的部分位置，在实际应用时，与之距离大于预设距离的像素点也可能发生缺陷，进而，利用指定像素点和与指定像素点的距离大于预设距离的像素点，可以较为有效的定位到缺陷所在处。
在特征提取模块提取出预设特征之后，特征重构模块对预设特征进行分离，以获得主成分特征和次成分特征。作为一种可选的实施方式，特征重构模块包括：第一autoencoder(自编码器)和第二autoencoder。两个自编码器的结构一样，不过采用的损失函数不相同。
对于第一自编码器，其对应的重构损失函数可以表示为：loss1＝||f2-f1||2，f2为主成分特征，f1为预设特征。
对于第二自编码器，其对应的重构损失函数可以表示为：loss2＝||f2+f3-f1||2，f3为次成分特征。
可以理解，通过上述重构损失函数，可以先将预设特征分解为主成分特征，然后再将主成分特征分解为次成分特征。
在本申请实施例中，通过第一自编码器，实现主成分特征的分离；通过第二自编码器，实现次成分特征的分离；进而实现特征的有效分离。
除了上述的特征分解方式，在实际应用中，还可以利用其他的特征拆分方式进行拆分，在本申请实施例中不作限定。
在本申请实施例中，自编码器除了对特征进行拆分，还可以对特征进行降维，以提高缺陷检测的效率。
因此，作为一种可选的实施方式，第一自编码器用于对主成分特征进行降维，获得降维后的主成分特征；以及第二自编码器用于对次成分特征进行降维，获得降维后的次成分特征。
在本申请实施例中，通过特征的降维处理，可以减少最终所处理的特征数量，提高缺陷检测的效率。
在特征重构模块将预设特征分离后，误差计算模块可以根据主成分特征和/或次成分特征确定缺陷检测结果。
在本申请实施例中，误差计算模块可以采用不同的实施方式来实现缺陷检测结果的确定。
作为第一种可选的实施方式，误差计算模块计算次成分特征与预先训练好的位置特征之间的距离误差，根据距离误差与预设的误差阈值确定缺陷检测结果。
在本申请实施例中，通过次成分特征与预先训练好的位置特征之间的距离误差，与预设的误差阈值，实现缺陷检测结果的有效且准确的确定。
其中，作为一种可选的实施方式，距离误差表示为：
xij为第一距离，uij为第二距离，i代表次成分特征，j代表预先训练好的位置特征；其中，若距离误差大于误差阈值，则缺陷检测结果为：待检测对象存在缺陷；若距离误差小于误差阈值，则缺陷检测结果为：待检测对象不存在缺陷。
在本申请实施例中，通过上述的计算公式，实现距离误差的有效计算；并且，如果距离误差大于误差阈值，则待检测对象存在缺陷，反之则不存在缺陷，实现缺陷的有效检测。
基于上述的距离误差的表示形式，误差计算模块还可以采用以下的缺陷检测结果的确定方式：计算主成分特征与预先训练好的第一位置特征之间的第一距离误差；以及计算次成分特征与预先训练好的第二位置特征之间的第二距离误差；根据第一距离误差、第二距离误差以及预设的误差阈值确定缺陷检测结果；其中，若第一距离误差小于第二距离误差，且第一距离误差大于误差阈值，则缺陷检测结果为：待检测对象存在缺陷；若第一距离误差大于所述第二距离误差，且第二距离误差小于误差阈值，则检测结果为：待检测对象不存在缺陷。
在这种实施方式中，主成分特征和次成分特征对应的位置特征不相同，主成分特征对应第一位置特征，次成分特征对应第二位置特征。需要分别计算主成分特征与第一位置特征之间的第一距离误差，以及计算次成分特征与第二位置特征之间的第二距离误差。
其中，第一位置特征和第二位置特征可以结合实际的应用场景，参照前述位置特征的训练方式进行训练，在本申请实施例中不作限定。
结合第一距离误差，第二距离误差以及预设的误差阈值，若第一距离误差小于第二距离误差，且第一距离误差大于误差阈值，则缺陷检测结果为：待检测对象存在缺陷；若第一距离误差大于第二距离误差，且第二距离误差小于误差阈值，则检测结果为：待检测对象不存在缺陷。
其中，预设的误差阈值也可以结合实际的应用场景，参照前述的误差阈值进行设置，在本申请实施例中不对其值作限定。
可以理解，如果第一距离误差和第二距离误差与误差阈值之间的关系不属于上述的任意一种关系，则检测结果为不存在缺陷。
在本申请实施例中，还可以结合主成分特征和次成分特征对是否存在缺陷进行判断；其中，如果主成分特征对应的第一距离误差大于次成分特征对应的第二距离误差，且第二距离误差小于误差阈值，则待检测对象不存在缺陷，实现缺陷的有效判断。
基于上述的距离误差的表示形式，误差计算模块还可以采用以下的缺陷检测结果的确定方式：计算主成分特征与预先训练好的位置特征之间的第三距离误差；以及计算次成分特征与预先训练好的位置特征之间的第四距离误差；根据第三距离误差、第四距离误差以及预设的误差阈值确定缺陷检测结果；其中，若第三距离误差与误差阈值之间的差值的绝对值大于第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差小于误差阈值，则检测结果为：待检测对象不存在缺陷；若第三距离误差与误差阈值之间的差值的绝对值小于第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差大于所述误差阈值，则检测结果为：待检测对象存在缺陷。
在这种实施方式中，主成分特征与次成分特征均与同一位置特征计算距离误差，基于所获得的第三距离误差和第四距离误差，以及预设的误差阈值，便可以确定最终的缺陷检测结果。
其中，若第三距离误差与误差阈值之间的差值的绝对值大于第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差小于误差阈值，则检测结果为：待检测对象不存在缺陷。
以及，若第三距离误差与误差阈值之间的差值的绝对值小于第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差大于所述误差阈值，则检测结果为：待检测对象存在缺陷。
可以理解，如果第三距离误差和第四距离误差与误差阈值之间的关系不属于上述的任意一种关系，则检测结果为不存在缺陷。
在本申请实施例中，还可以结合主成分特征和次成分特征对是否存在缺陷进行判断；其中，如果主成分特征对应的第三距离误差与误差阈值之间的差值的绝对值大于次成分特征对应的第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差小于误差阈值，则检测结果为：待检测对象不存在缺陷；若第三距离误差与误差阈值之间的差值的绝对值小于第四距离误差与误差阈值之间的差值的绝对值，且第四距离误差大于误差阈值，则检测结果为：待检测对象存在缺陷，实现缺陷的有效判断。
基于同一发明构思，请参照图4，本申请实施例中还提供一种缺陷的检测装置400，包括：获取模块410和处理模块420。
获取模块410用于：获取待检测对象对应的待检测图像；所述待检测图像中包括所述待检测对象。处理模块420用于：将所述待检测图像输入预先训练好的缺陷检测模型中，获得所述缺陷检测模型输出的缺陷检测结果；所述缺陷检测结果用于表征所述待检测对象是否存在缺陷；其中，所述训练好的缺陷检测模型包括依次连接的特征提取模块、特征重构模块以及误差计算模块；所述特征提取模块用于从所述待检测图像中提取出预设特征；所述特征重构模块用于对所述预设特征进行分离，获得主成分特征和次成分特征；所述误差计算模块用于根据所述主成分特征和/或所述次成分特征确定所述缺陷检测结果。
在本申请实施例中，所述预设特征包括：所述待检测图像中指定像素点的特征、以及在所述待检测图像中，与所述指定像素点的像素距离大于预设像素距离的像素点的特征。
在本申请实施例中，所述特征重构模块包括：第一autoencoder(自编码器)和第二autoencoder；所述第一autoencoder对应的重构损失函数表示为：loss1＝||f2-f1||2，f2为所述主成分特征，f1为所述预设特征；所述第二autoencoder对应的重构损失函数表示为：loss2＝||f2+f3-f1||2，f3为所述次成分特征。
在本申请实施例中，所述第一autoencoder用于对所述主成分特征进行降维，获得降维后的主成分特征；以及所述第二autoencoder用于对所述次成分特征进行降维，获得降维后的次成分特征。
在本申请实施例中，所述误差计算模块具体用于：计算所述次成分特征与预先训练好的位置特征之间的距离误差；根据所述距离误差与预设的误差阈值确定所述缺陷检测结果。
在本申请实施例中，所述距离误差表示为：
xij为第一距离，uij为第二距离，i代表所述次成分特征，j代表所述预先训练好的位置特征；其中，若所述距离误差大于所述误差阈值，则所述缺陷检测结果为：待检测对象存在缺陷；若所述距离误差小于所述误差阈值，则所述缺陷检测结果为：待检测对象不存在缺陷。
在本申请实施例中，所述误差计算模块具体用于：计算所述主成分特征与预先训练好的第一位置特征之间的第一距离误差；以及计算所述次成分特征与预先训练好的第二位置特征之间的第二距离误差；根据所述第一距离误差、所述第二距离误差以及预设的误差阈值确定所述缺陷检测结果；其中，若所述第一距离误差小于所述第二距离误差，且所述第一距离误差大于所述误差阈值，则所述缺陷检测结果为：待检测对象存在缺陷；若所述第一距离误差大于所述第二距离误差，且所述第二距离误差小于所述误差阈值，则所述检测结果为：待检测对象不存在缺陷。
在本申请实施例中，所述误差计算模块具体用于：计算所述主成分特征与预先训练好的位置特征之间的第三距离误差；以及计算所述次成分特征与所述预先训练好的位置特征之间的第四距离误差；根据所述第三距离误差、所述第四距离误差以及预设的误差阈值确定所述缺陷检测结果；其中，若所述第三距离误差与所述误差阈值之间的差值的绝对值大于所述第四距离误差与所述误差阈值之间的差值的绝对值，且所述第四距离误差小于所述误差阈值，则所述检测结果为：待检测对象不存在缺陷；若所述第三距离误差与所述误差阈值之间的差值的绝对值小于所述第四距离误差与所述误差阈值之间的差值的绝对值，且所述第四距离误差大于所述误差阈值，则所述检测结果为：待检测对象存在缺陷。
缺陷的检测装置与缺陷的检测方法对应，因此，缺陷的检测装置的各个功能模块可以参照各个步骤的实施方式，在此不作重复介绍。
基于同一发明构思，本申请实施例还提供一种可读存储介质，可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时，执行前述实施例中所述的缺陷的检测方法。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种缺陷的检测方法，其特征在于，包括：
获取待检测对象对应的待检测图像；所述待检测图像中包括所述待检测对象；
将所述待检测图像输入预先训练好的缺陷检测模型中，获得所述缺陷检测模型输出的缺陷检测结果；所述缺陷检测结果用于表征所述待检测对象是否存在缺陷；
其中，所述训练好的缺陷检测模型包括依次连接的特征提取模块、特征重构模块以及误差计算模块；
所述特征提取模块用于从所述待检测图像中提取出预设特征；
所述特征重构模块用于对所述预设特征进行分离，获得主成分特征和次成分特征；
所述误差计算模块用于根据所述主成分特征和/或所述次成分特征确定所述缺陷检测结果。
2.根据权利要求1所述的检测方法，其特征在于，所述预设特征包括：
所述待检测图像中指定像素点的特征、以及在所述待检测图像中，与所述指定像素点的像素距离大于预设像素距离的像素点的特征。
3.根据权利要求1所述的检测方法，其特征在于，所述特征重构模块包括：第一autoencoder和第二autoencoder；
所述第一autoencoder对应的重构损失函数表示为：loss1＝||f2-f1||2，f2为所述主成分特征，f1为所述预设特征；
所述第二autoencoder对应的重构损失函数表示为：loss2＝||f2+f3-f1||2，f3为所述次成分特征。
4.根据权利要求3所述的检测方法，其特征在于，所述第一autoencoder用于对所述主成分特征进行降维，获得降维后的主成分特征；以及所述第二autoencoder用于对所述次成分特征进行降维，获得降维后的次成分特征。
5.根据权利要求1所述的检测方法，其特征在于，所述误差计算模块具体用于：计算所述次成分特征与预先训练好的位置特征之间的距离误差；根据所述距离误差与预设的误差阈值确定所述缺陷检测结果。
6.根据权利要求5所述的检测方法，其特征在于，所述距离误差表示为：
xij为第一距离，uij为第二距离，i代表所述次成分特征，j代表所述预先训练好的位置特征；
其中，若所述距离误差大于所述误差阈值，则所述缺陷检测结果为：待检测对象存在缺陷；若所述距离误差小于所述误差阈值，则所述缺陷检测结果为：待检测对象不存在缺陷。
7.根据权利要求1所述的检测方法，其特征在于，所述误差计算模块具体用于：计算所述主成分特征与预先训练好的第一位置特征之间的第一距离误差；以及计算所述次成分特征与预先训练好的第二位置特征之间的第二距离误差；根据所述第一距离误差、所述第二距离误差以及预设的误差阈值确定所述缺陷检测结果；
其中，若所述第一距离误差小于所述第二距离误差，且所述第一距离误差大于所述误差阈值，则所述缺陷检测结果为：待检测对象存在缺陷；若所述第一距离误差大于所述第二距离误差，且所述第二距离误差小于所述误差阈值，则所述检测结果为：待检测对象不存在缺陷。
8.根据权利要求1所述的检测方法，其特征在于，所述误差计算模块具体用于：计算所述主成分特征与预先训练好的位置特征之间的第三距离误差；以及计算所述次成分特征与所述预先训练好的位置特征之间的第四距离误差；根据所述第三距离误差、所述第四距离误差以及预设的误差阈值确定所述缺陷检测结果；
其中，若所述第三距离误差与所述误差阈值之间的差值的绝对值大于所述第四距离误差与所述误差阈值之间的差值的绝对值，且所述第四距离误差小于所述误差阈值，则所述检测结果为：待检测对象不存在缺陷；
若所述第三距离误差与所述误差阈值之间的差值的绝对值小于所述第四距离误差与所述误差阈值之间的差值的绝对值，且所述第四距离误差大于所述误差阈值，则所述检测结果为：待检测对象存在缺陷。
9.一种缺陷的检测装置，其特征在于，包括：
获取模块，用于获取待检测对象对应的待检测图像；所述待检测图像中包括所述待检测对象；
处理模块，用于将所述待检测图像输入预先训练好的缺陷检测模型中，获得所述缺陷检测模型输出的缺陷检测结果；所述缺陷检测结果用于表征所述待检测对象是否存在缺陷；
其中，所述训练好的缺陷检测模型包括依次连接的特征提取模块、特征重构模块以及误差计算模块；
所述特征提取模块用于从所述待检测图像中提取出预设特征；
所述特征重构模块用于对所述预设特征进行分离，获得主成分特征和次成分特征；
所述误差计算模块用于根据所述主成分特征和/或所述次成分特征确定所述缺陷检测结果。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时，执行如权利要求1-8任一项所述的缺陷的检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173151.3A CN114119463A (zh) | 2021-10-08 | 2021-10-08 | 一种缺陷的检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111173151.3A CN114119463A (zh) | 2021-10-08 | 2021-10-08 | 一种缺陷的检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119463A true CN114119463A (zh) | 2022-03-01 |
Family
ID=80441388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111173151.3A Pending CN114119463A (zh) | 2021-10-08 | 2021-10-08 | 一种缺陷的检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119463A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109584225A (zh) * | 2018-11-23 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于自编码器的无监督缺陷检测方法 |
| CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| US20200025690A1 (en) * | 2017-03-21 | 2020-01-23 | Jfe Steel Corporation | Surface defect inspection method and surface defect inspection apparatus |
| CN110969600A (zh) * | 2019-11-12 | 2020-04-07 | 华北电力大学扬中智能电气研究中心 | 一种产品缺陷检测方法、装置、电子设备及存储介质 |
| CN111598857A (zh) * | 2020-05-11 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 产品表面缺陷的检测方法、装置、终端设备及介质 |
| CN112001903A (zh) * | 2020-08-21 | 2020-11-27 | 深圳市华汉伟业科技有限公司 | 缺陷检测网络构建方法、异常检测方法及***、存储介质 |
-
2021
- 2021-10-08 CN CN202111173151.3A patent/CN114119463A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200025690A1 (en) * | 2017-03-21 | 2020-01-23 | Jfe Steel Corporation | Surface defect inspection method and surface defect inspection apparatus |
| CN110619618A (zh) * | 2018-06-04 | 2019-12-27 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
| CN109584225A (zh) * | 2018-11-23 | 2019-04-05 | 聚时科技(上海)有限公司 | 一种基于自编码器的无监督缺陷检测方法 |
| CN110969600A (zh) * | 2019-11-12 | 2020-04-07 | 华北电力大学扬中智能电气研究中心 | 一种产品缺陷检测方法、装置、电子设备及存储介质 |
| CN111598857A (zh) * | 2020-05-11 | 2020-08-28 | 北京阿丘机器人科技有限公司 | 产品表面缺陷的检测方法、装置、终端设备及介质 |
| CN112001903A (zh) * | 2020-08-21 | 2020-11-27 | 深圳市华汉伟业科技有限公司 | 缺陷检测网络构建方法、异常检测方法及***、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3937128A2 (en) | Image defect detection method and apparatus, electronic device, storage medium and product | |
| CN109284729B (zh) | 基于视频获取人脸识别模型训练数据的方法、装置和介质 | |
| CN108961236B (zh) | 电路板缺陷检测方法及装置 | |
| CN108564579B (zh) | 一种基于时空相关的混凝土裂缝检测方法及检测装置 | |
| CN110135514B (zh) | 一种工件分类方法、装置、设备及介质 | |
| US11833618B2 (en) | Solder joint inspection model training method, solder joint inspection method, and solder joint inspection device | |
| CN110346704B (zh) | 板卡测试中测试文件的确定方法、装置、设备及存储介质 | |
| CN115249237A (zh) | 缺陷检测方法、缺陷检测装置及计算机可读存储介质 | |
| CN112818888A (zh) | 视频审核模型训练方法、视频审核方法及相关装置 | |
| CN111758117A (zh) | 检查***、识别***以及学习数据生成装置 | |
| CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
| CN111882547A (zh) | 一种基于神经网络的pcb漏件检测方法 | |
| CN113657370B (zh) | 一种文字识别方法及其相关设备 | |
| CN105678301A (zh) | 一种自动识别并分割文本图像的方法、***及装置 | |
| CN111223078A (zh) | 瑕疵等级判定的方法及存储介质 | |
| CN111178445A (zh) | 图像处理方法及装置 | |
| AU2021204584A1 (en) | Methods, apparatuses, devices and storage media for detecting correlated objects involved in image | |
| CN114119463A (zh) | 一种缺陷的检测方法及装置 | |
| CN109684991B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN111402281B (zh) | 一种书籍边缘检测方法及装置 | |
| CN111983247A (zh) | 一种用于封样送检的取样方法及*** | |
| CN118038026B (zh) | 基于旋转目标检测的变电站二次接线可信质检方法 | |
| CN117750643B (zh) | 印制电路板的表面加工方法 | |
| CN117292395B (zh) | 审图模型的训练方法和训练装置及审图的方法和装置 | |
| CN116188347A (zh) | 图像处理方法以及相关产品 |
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 |