[發明專利]圖像缺陷檢測模型的訓練、測試方法、裝置及存儲介質

在審

• 申請號: 201910933293.1
• 申請日: 2019-09-29
• 公開（公告）號: CN110796637A
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 徐明亮;高志敏;劉啟東;張晨民;閆杰;李丙濤;栗芳
• 申請（專利權）人: 鄭州金惠計算機系統工程有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 41134 鄭州銘晟知識產權代理事務所(特殊普通合伙)
• 代理人: 張鵬

1.一種圖像缺陷檢測模型的訓練方法，其特征在于，該訓練方法包括以下步驟：

將某一高分辨率圖像分解為由多個正常訓練圖像塊構成的正常訓練圖像塊集合；

在所述正常訓練圖像塊集合中添加隨機噪聲和人工合成缺陷得到人工缺陷訓練圖像塊集合；

將所述人工缺陷訓練圖像塊集合中的各個圖像塊輸入生成器，所述生成器對所述隨機噪聲和人工合成缺陷進行修復得到由修復訓練圖像塊組成的修復訓練圖像塊集合；

將所述修復訓練圖像塊集合中的修復訓練圖像塊和所述正常訓練圖像塊集合中的正常訓練圖像塊分別輸入判別器，所述判別器判斷所接收的圖像塊是否屬于所述正常訓練圖像塊，并輸出屬于所述正常訓練圖像塊的無缺陷概率矩陣；

根據所述無缺陷概率矩陣訓練SVM分類器。

2.根據權利要求1所述的一種圖像缺陷檢測模型的訓練方法，其特征在于，所述對所述隨機噪聲和人工合成缺陷進行修復得到修復訓練圖像塊的步驟包括：

將所述圖像塊作為輸入特征圖輸入生成器；

所述輸入特征圖通過多個交替設置的3×3卷積層和2×2最大池化層進行編碼，得到編碼圖像；

所述編碼圖像通過多個交替設置的3×3反卷積層和3×3卷積層進行解碼，該解碼器的最后一層采用1×1卷積，得到解碼后的修復訓練圖像塊，該修復訓練圖像塊與所述輸入特征圖的大小相同。

3.根據權利要求1所述的一種圖像缺陷檢測模型的訓練方法，其特征在于，所述SVM分類器采用One-class SVM模型。

4.根據權利要求1所述的一種圖像缺陷檢測模型的訓練方法，其特征在于，所述高分辨率圖像為正常樣本中的某一個體。

5.一種圖像缺陷檢測模型的測試方法，其特征在于，該測試方法包括以下步驟：

將待測高分辨率圖像分解為由多個圖像塊構成的圖像塊集合，并保留每個圖像塊對應于所述待測高分辨率圖像的位置信息；

將所述圖像塊集合中的每個所述圖像塊輸入判別器得到由每個所述圖像塊為正常樣本的無缺陷概率矩陣組成的無缺陷概率集合；

SVM分類器根據所述無缺陷概率矩陣對輸入的所述多個圖像塊進行篩選，篩選出疑似缺陷圖像塊；

通過生成器對所述疑似缺陷圖像塊進行修復得到修復圖像塊；

根據所述位置信息，將所述修復圖像塊進行空間位置還原得到無缺陷圖像；

將所述無缺陷圖像與所述待測高分辨率圖像進行對比，進而定位缺陷的位置信息。

6.根據權利要求1所述的一種圖像缺陷檢測模型的測試方法，其特征在于，所述缺陷的定義如下：

M＝{|x-G(x)|≥α}

其中，|x-G(x)|為原圖像與修復圖像的對比差異，α為正常樣本的圖像修復殘差閾值，該閾值可從正常樣本的殘差中學到。

7.一種圖像缺陷檢測模型的訓練裝置，其特征在于，該訓練裝置包括：

分解訓練模塊，用于將某一高分辨率圖像分解為由多個正常訓練圖像塊構成的正常訓練圖像塊集合；

添加人工缺陷訓練模塊，用于在所述正常訓練圖像塊集合中添加隨機噪聲和人工合成缺陷得到人工缺陷訓練圖像塊集合；

修復缺陷訓練模塊，用于將所述人工缺陷訓練圖像塊集合中的各個圖像塊輸入生成器，所述生成器對所述隨機噪聲和人工合成缺陷進行修復得到由修復訓練圖像塊組成的修復訓練圖像塊集合；

判別訓練模塊，用于將所述修復訓練圖像塊集合中的修復訓練圖像塊和所述正常訓練圖像塊集合中的正常訓練圖像塊分別輸入判別器，所述判別器判斷所接收的圖像塊是否屬于所述正常訓練圖像塊，并輸出屬于所述正常訓練圖像塊的無缺陷概率矩陣；

分類器訓練模塊，用于根據所述無缺陷概率矩陣訓練SVM分類器。