[发明专利]图像缺陷检测方法、装置及电子设备

权利要求书

1.一种图像缺陷检测方法，其特征在于，包括：

将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量；

将所述第一特征向量和噪音数据一并输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，所述模拟图像为模拟生成的存在缺陷的图像；

将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量；

基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷；

所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中之前，所述方法还包括：

在获取到的无缺陷图像集合中的图像上随机生成异常区域，以得到异常图像集合；

将所述无缺陷图像集合和所述异常图像集合作为训练样本，对所述CNN分类模型进行模型训练；所述对所述CNN分类模型进行模型训练，包括：

通过Softmax函数以及交叉熵计算所述CNN分类模型的损失函数，并根据梯度下降算法优化所述CNN分类模型中的参数；

所述根据梯度下降算法优化所述CNN分类模型中的参数之后，所述方法还包括：

利用训练好的CNN分类模型提取图像的特征向量；

将提取到的特征向量输入到GAN模型中，用于训练所述GAN模型；

基于GAN模型中的交叉熵，计算GAN模型中发生器和鉴别器的损失值，并分别按照梯度下降算法优化发生器和鉴别器中的参数值；

所述将待进行缺陷检测的目标图像输入到预设的CNN分类模型中，用于获取目标图像的第一特征向量，包括：

获取所述CNN分类模型中最后三个卷积层生成的特征向量；

基于最后三个卷积层生成的特征向量，确定所述第一特征向量；

所述将所述第一特征向量输入到预设的GAN模型中，用于基于所述第一特征向量生成与所述目标图像对应的模拟图像，包括：

将所述第一特征向量及预设的噪音数据同时输入到所述GAN模型中，以便于基于所述第一特征向量和所述噪音数据生成所述模拟图像。

2.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述将生成的所述模拟图像输入到所述CNN分类模型中，用于计算所述模拟图像的第二特征向量，包括：

使用所述CNN分类模型的最后三层卷积层来提取所述模拟图像的特征向量；

将最后三层卷积层提取到所述模拟图像的特征向量拼接融合一维向量，以作为所述模拟图像的特征向量。

3.根据权利要求1所述的图像缺陷检测方法，其特征在于，所述基于所述第一特征向量和所述第二特征向量之间的余弦相似度，确定所述目标图像是否存在缺陷，包括：

判断所述第一特征向量和所述第二特征向量之间的余弦相似度是否小于预设阈值；

若是，则认定所述目标图像存在缺陷。