[发明专利]一种表面缺陷检测方法、装置及电子设备

权利要求书

1.一种表面缺陷检测方法，其特征在于，所述方法包括：

获取待检测图像；

通过将所述待检测图像输入预先训练得到的深度学习网络模型，得到所述待检测图像对应的无缺陷的重建图像，所述深度学习网络模型为基于包含多个无缺陷的训练样本图像的样本训练集，预先训练得到的深度学习网络模型；

将所述重建图像与所述待检测图像作差，得到差值图像；

在所述差值图像中，若存在差值大于预设差值的区域，则确定在所述待检测图像中的对应区域存在表面缺陷；

其中，所述深度学习网络模型的训练方式，包括：

获取样本训练集，所述样本训练集中包括多个无缺陷的训练样本图像；

使用高斯噪声、零掩模噪声和块状噪声对所述样本训练集中的各训练样本图像进行加噪处理，得到各训练样本图像分别对应的加噪图像；

将各所述加噪图像输入预设训练模型进行训练，得到所述深度学习网络模型；

所述将各所述加噪图像输入预设训练模型进行训练，得到所述深度学习网络模型，包括：

将各所述加噪图像输入预设卷积神经网络，得到该加噪图像的输出图像；

计算所述输出图像与该加噪图像对应的训练样本图像之间的逐像素点的像素均方误差及梯度均方误差；

基于所述逐像素点的像素均方误差及梯度均方误差，计算总误差函数值；

判断所述总误差函数值是否小于或等于误差阈值，若是，则确定所述深度学习网络模型训练完成；否则根据所述总误差函数值，调整所述深度学习网络模型的网络参数，并返回执行所述将各所述加噪图像输入预设卷积神经网络，得到该加噪图像的输出图像；

所述基于所述逐像素点的像素均方误差及梯度均方误差，计算总误差函数值，包括：

基于所述逐像素点的像素均方误差及梯度均方误差，利用总误差函数，计算得到总误差函数值，其中，所述总误差函数为：

所述m为输入的加噪图像对应的训练样本图像上的像素点个数，所述为逐像素点的像素均方误差，所述x'为所述输出图像上第i个像素点的像素值，所述x为输入的加噪图像对应的训练样本图像上第i个像素点的像素值，所述为逐像素点的梯度均方误差，所述为所述输出图像上第i个像素点的梯度值，所述为输入的加噪图像对应的训练样本图像上第i个像素点的梯度值。

2.根据权利要求1所述的方法，其特征在于，所述获取样本训练集，包括：

获取原始训练样本图像，所述原始训练样本图像包括无缺陷样本图像；

按照亮度变换、对比度变换和尺度变换，对所述原始训练样本图像进行变换扩充；

将所有变换扩充后的训练样本图像和所有所述原始训练样本图像一起构成第一数量的训练样本图像；

将第一数量的所述训练样本图像按照预设尺寸进行裁剪分块，得到第二数量的训练样本图像；

将所述第二数量的训练样本图像作为所述样本训练集。