[发明专利]图像缺陷检测方法、装置及电子设备

说明书

本发明实施例公开了一种图像缺陷检测方法、装置及电子设备，涉及数据处理技术领域。该方法包括：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；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。通过本申请的方案，提高了图像缺陷检测的效率。

技术领域

本发明涉及数据处理技术领域，尤其涉及图像缺陷检测技术。

背景技术

少样本工业缺陷检测面临的问题如下：

1. 缺陷图片数据少，分布极度不均匀；

2. 缺陷尺度变化很多，同一种算法很难同时兼顾大型缺陷和微小缺陷；

3. 同一设备上缺陷图片背景单一，不同设备上，图片背景存在部分差别。

现有的技术中的方案包括直接将缺陷图像增广后，通过CNN系列目标检测网络对缩小的图像进行缺陷检测模型的训练及推理；或者，通过CNN卷积网络提取图像特征，计算图像特征与无缺陷图片特征集的相似度。

现有技术的方案中直接将缺陷图像增广，缺陷形态比较局限，对未出现过的缺陷无法有效检出，方案示例及存在的问题：将出现的A、B、C类缺陷图片做增广变换，训练模型后进行检测，但是对于前期未出现过的D类缺陷，模型基本不能检出；同时对于与训练使用的A、B、C类缺陷形态差异较大的A、B、C类缺陷，模型检出率也不好。

通过CNN网络提取图像特征，计算图像特征相似度的方案存在的问题：将大量无缺陷图片，通过一个CNN卷积网络，提取出所有图片的特征并保存为基础特征向量集；推理时，用CNN网络提取出推理图片的特征向量，再计算该特征向量与基础特征向量集中每一个向量的相似度，计算TOP5的平均相似度作为该图片与ok图片的相似度，相似度低于某一个阈值时，视为缺陷图片该方案如下问题：A、运行时间过长，图像的特征向量相似度计算会耗费大量时间；B、方案适配性低，依赖初始图片数据分布；若无缺陷图片特征分布不充分，以及后续因为工艺等原因造成图片背景变化时，需要重新收集数据集，生成新的特征集。

针对上述问题，亟需一种全新的图像缺陷检测技术。

发明内容

有鉴于此，本发明实施例提供一种图像缺陷检测方法、装置、电子设备、非暂态计算机可读存储介质及计算机程序，至少部分的解决现有技术中存在的问题。

第一方面，本发明实施例提供了一种图像缺陷检测方法，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；

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。

根据本公开实施例的一种具体实现方式，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。

根据本公开实施例的一种具体实现方式，所述对所述CNN分类模型进行模型训练，包括：