[发明专利]图像检测方法、装置、终端设备及可读存储介质

说明书

本申请提供一种图像检测方法、装置、终端设备及可读存储介质，该方法包括：对待检测图像进行卷积运算，得到图像特征矩阵；计算图像特征矩阵中的各个图像特征向量在图像特征矩阵中的若干个位置的概率分布；根据概率分布生成图像特征矩阵对应的异常图像；根据异常图像确定待检测图像是否异常的检测结果。本申请能够在卷积运算处理后，不需要对运算结果进行深度模型训练，优化了图像检测步骤，提高了异常图像检测的效率，同时减少了深度模型训练不完善时，容易造成图像异常的漏报、误报等现象，从侧面提高了异常检测的成功率。

技术领域

本申请涉及图像检测领域，具体涉及一种图像检测方法、装置、终端设备及可读存储介质。

背景技术

在制造业中，一般通过人工光学检测来检测生产线上的产品是否包含有缺陷，但是通常具有几个关键限制例如：有限的人类注意力跨度、大规模装配线的人工成本高、不同的产线间通常不会保持一致的质量水平等。因此，自动化的光学异常检测在工业视觉检测领域中非常有价值。

然而，在制造业中，由于较高的生产可靠性，光学检测任务经常缺乏足够的样本用作训练。同时，对于生产线上那些较少出现的缺陷可能更为致命。所以，想要用缺陷数据以监督学习的方式来训练一个精确的深度模型有时候并不现实。如果能实现仅在单类无异常图像上训练模型以检测异常样本，甚至在推理过程中分割缺陷区域，这对于深度学习在工业光学检测应用有着重大的进步意义。

一般基于深度模型的异常定位与检测任务主要是通过生成式模型完成，比如GAN(生成式对抗网络，Generative Adversarial Networks)、VAE(变分编码器，VariationalAuto-encoder，)等，这种方式主要是通过在正常图片上面训练生成式模型，训练主要是通过重建正常图片的方式来更新模型参数。但这种方式有一个较大的问题在于，当模型的重建能力较弱时，模型对于正常图片的重建也会有较大的数据丢失，因此产生误报；或当模型的重建能力较强的时候，模型对于缺陷区域也可以进行重建，这样的话会造成漏报。同时，这种方式对于待检测图片中结构和背景较为复杂的情况下，噪声较大，无法很好的区分缺陷区域与背景。

发明内容

本申请提供一种图像检测方法、装置、终端设备及可读存储介质，可以解决在对图像检测时，对图像异常的漏报、误报等现象。

第一方面，本申请提供一种图像检测方法，包括：

对待检测图像进行卷积运算，得到图像特征矩阵；

计算图像特征矩阵中的各个图像特征向量在图像特征矩阵中的若干个位置的概率分布；

根据概率分布生成图像特征矩阵对应的异常图像；

根据异常图像确定待检测图像是否异常的检测结果。

第二方面，本申请提供一种图像检测装置，包括：

第一计算模块，用于对待检测图像进行卷积运算，得到图像特征矩阵；

第二计算模块，用于计算图像特征矩阵中的各个图像特征向量在图像特征矩阵中的若干个位置的概率分布；

生成模块，用于根据概率分布生成图像特征矩阵对应的异常图像；

检测模块，用于根据异常图像确定待检测图像是否异常的检测结果。

第三方面，本申请提供一种终端设备，终端设备包括处理器、存储器以及存储于存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序以实现任一项本申请中的图像检测方法中的步骤。

第四方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现任一项本申请中的图像检测方法中的步骤。