[發明專利]圖像缺陷檢測方法、裝置及電子設備

有效

• 申請號: 202011228510.6
• 申請日: 2020-11-06
• 公開（公告）號: CN112037223B
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 楊俊愉;杜松
• 申請（專利權）人: 中科創達軟件股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 北京竹辰知識產權代理事務所(普通合伙) 11706
• 代理人: 陳龍

本發明實施例公開了一種圖像缺陷檢測方法、裝置及電子設備，涉及數據處理技術領域。該方法包括：將待進行缺陷檢測的目標圖像輸入到預設的CNN分類模型中，用于獲取目標圖像的第一特征向量；將所述第一特征向量輸入到預設的GAN模型中，用于基于所述第一特征向量生成與所述目標圖像對應的模擬圖像；將生成的所述模擬圖像輸入到所述CNN分類模型中，用于計算所述模擬圖像的第二特征向量；基于所述第一特征向量和所述第二特征向量之間的余弦相似度，確定所述目標圖像是否存在缺陷。通過本申請的方案，提高了圖像缺陷檢測的效率。

技術領域

本發明涉及數據處理技術領域，尤其涉及圖像缺陷檢測技術。

背景技術

少樣本工業缺陷檢測面臨的問題如下：

1. 缺陷圖片數據少，分布極度不均勻；

2. 缺陷尺度變化很多，同一種算法很難同時兼顧大型缺陷和微小缺陷；

3. 同一設備上缺陷圖片背景單一，不同設備上，圖片背景存在部分差別。

現有的技術中的方案包括直接將缺陷圖像增廣后，通過CNN系列目標檢測網絡對縮小的圖像進行缺陷檢測模型的訓練及推理；或者，通過CNN卷積網絡提取圖像特征，計算圖像特征與無缺陷圖片特征集的相似度。

現有技術的方案中直接將缺陷圖像增廣，缺陷形態比較局限，對未出現過的缺陷無法有效檢出，方案示例及存在的問題：將出現的A、B、C類缺陷圖片做增廣變換，訓練模型后進行檢測，但是對于前期未出現過的D類缺陷，模型基本不能檢出；同時對于與訓練使用的A、B、C類缺陷形態差異較大的A、B、C類缺陷，模型檢出率也不好。

通過CNN網絡提取圖像特征，計算圖像特征相似度的方案存在的問題：將大量無缺陷圖片，通過一個CNN卷積網絡，提取出所有圖片的特征并保存為基礎特征向量集；推理時，用CNN網絡提取出推理圖片的特征向量，再計算該特征向量與基礎特征向量集中每一個向量的相似度，計算TOP5的平均相似度作為該圖片與ok圖片的相似度，相似度低于某一個閾值時，視為缺陷圖片該方案如下問題：A、運行時間過長，圖像的特征向量相似度計算會耗費大量時間；B、方案適配性低，依賴初始圖片數據分布；若無缺陷圖片特征分布不充分，以及后續因為工藝等原因造成圖片背景變化時，需要重新收集數據集，生成新的特征集。

針對上述問題，亟需一種全新的圖像缺陷檢測技術。

發明內容

有鑒于此，本發明實施例提供一種圖像缺陷檢測方法、裝置、電子設備、非暫態計算機可讀存儲介質及計算機程序，至少部分的解決現有技術中存在的問題。

第一方面，本發明實施例提供了一種圖像缺陷檢測方法，包括：

將待進行缺陷檢測的目標圖像輸入到預設的CNN分類模型中，用于獲取目標圖像的第一特征向量；

將所述第一特征向量輸入到預設的GAN模型中，用于基于所述第一特征向量生成與所述目標圖像對應的模擬圖像；

將生成的所述模擬圖像輸入到所述CNN分類模型中，用于計算所述模擬圖像的第二特征向量；

基于所述第一特征向量和所述第二特征向量之間的余弦相似度，確定所述目標圖像是否存在缺陷。

根據本公開實施例的一種具體實現方式，所述將待進行缺陷檢測的目標圖像輸入到預設的CNN分類模型中之前，所述方法還包括：

在獲取到的無缺陷圖像集合中的圖像上隨機生成異常區域，以得到異常圖像集合；

將所述無缺陷圖像集合和所述異常圖像集合作為訓練樣本，對所述CNN分類模型進行模型訓練。

根據本公開實施例的一種具體實現方式，所述對所述CNN分類模型進行模型訓練，包括：