[发明专利]图像缺陷检测方法、装置、设备、存储介质和程序产品

说明书

本申请实施例提出了一种图像缺陷检测方法、装置、电子设备、计算机存储介质和计算机程序产品，该方法包括：获取第一样本集；根据所述第一样本集对第一初始模型进行预训练，得到训练完成的第一模型；所述第一样本集包括多张无缺陷图像；获取第二样本集；根据所述第二样本集对第二初始模型进行训练，得到训练完成的第二模型；所述第二样本集包括设置有正样本标签的无缺陷图像和设置有负样本标签的有缺陷图像；其中，所述第二初始模型是基于所述第一模型得到的；获取待检测图像，使用所述第二模型对所述待检测图像进行缺陷检测。

技术领域

本申请涉及深度学习技术领域，尤其涉及一种图像缺陷检测方法、装置、 系统、电子设备、计算机存储介质和计算机程序产品。

背景技术

目前，图像缺陷检测应用非常广泛，传统的机器视觉方法需要针对具体缺 陷的特点人工设计特征算子，开发周期长，且特征算子不通用，难以确保快速 灵活地适应新的场景需求；深度学习发展起来后，由于其可以自动学习特征， 泛化能力强，逐渐取代了经典机器视觉的方法。

相关技术中，常用的一类深度学习检测缺陷方法是搜集标注正负样本，直 接送入目标分类或目标检测网络训练模型；然而，这类方法的明显缺陷是正负 样本非常地不均衡；这是因为对于大多数领域，不良率总是低的，比如：工业 质检领域的电路板缺陷、纺织布匹缺陷、液晶面板缺陷、互联网领域的用户界 面(User Interface，UI)缺陷、医疗领域的疾病缺陷以及水果缺陷图像等领域； 这就造成正常的图像很多，缺陷负样本非常少，如此，极大影响检测准确率。 还有一类方法是仅采用正样本进行学习，然而这种方案重构图像需要复杂的卷 积操作，图像重建较为模糊，会影响检测准确率；此外，还有些方案采用少量无缺陷样本训练记忆网络和图像修复网络，然而，这种方案无法学习到缺陷本 身信息，且重构图像与待检图像的差值阈值在不同条件下差异很大，影响检测 准确率。可见，如何提高图像缺陷的检测准确率，是亟待解决的问题。

发明内容

本申请提供一种图像缺陷检测方法、装置、电子设备、计算机存储介质和 计算机程序产品。

本申请的技术方案是这样实现的：

本申请实施例提供了一种图像缺陷检测方法，所述方法包括：

获取第一样本集；根据所述第一样本集对第一初始模型进行预训练，得到 训练完成的第一模型；所述第一样本集包括多张无缺陷图像；

获取第二样本集；根据所述第二样本集对第二初始模型进行训练，得到训 练完成的第二模型；所述第二样本集包括设置有正样本标签的无缺陷图像和设 置有负样本标签的有缺陷图像；其中，所述第二初始模型是基于所述第一模型 得到的；

获取待检测图像，使用所述第二模型对所述待检测图像进行缺陷检测。

在一些实施例中，所述根据所述第一样本集对第一初始模型进行预训练， 包括：

获取所述第一样本集中的每张图像，将所述第一样本集中的每张图像调整 到固定尺寸；

对调整后的每张图像进行预处理操作；

基于预处理操作后的每张图像，对所述第一初始模型进行预训练。

在一些实施例中，所述基于预处理操作后的每张图像，对所述第一初始模 型进行预训练，包括：

将所述预处理操作后的每张图像划分为大小相等的图像小块；

对所述划分后的每张图像的图像小块进行扁平化处理，得到第一图像块序 列；

将所述第一图像块序列和第一嵌入向量进行组合，得到第一图像块向量序 列；所述第一嵌入向量包括旋转嵌入向量和位置嵌入向量；

将所述第一图像块向量序列输入至第一初始模型进行预训练。