[发明专利]一种缺陷检测方法、装置、设备及存储介质

说明书

本申请提供了一种缺陷检测方法、装置、设备及存储介质，该方法包括：利用编码器网络对待检测图像进行特征提取，得到多个编码特征向量；将所述多个编码特征向量进行拼接，并利用解码器网络对拼接后的向量进行解码，得到与所述多个编码特征向量分别对应的解码特征向量；对比每个编码特征向量与所述每个编码特征向量对应的解码特征向量，得到多个相似度矩阵；基于所述多个相似度矩阵确定目标相似度矩阵；若所述目标相似度矩阵中存在小于预设阈值的元素，则确定所述待检测图像存在缺陷。通过上述方法，避免了由于缺陷样本获取困难，而对深度学习缺陷检测算法造成影响的问题。

技术领域

本申请涉及图像处理和计算机视觉技术领域，尤其涉及一种缺陷检测方法、装置、设备及存储介质。

背景技术

工业缺陷检测涉及面比较广，包括钢材、木材、纸质材料、布匹、液晶屏幕等。基于传统图像处理的方法对缺陷进行检测已经满足不了日益复杂的检测对象，基于此背景下，深度学习技术被认为是解决当前技术难点的一个突破口。工业界和学术界大量研究和实际应用案例证明，深度学习方法在缺陷特征提取上发挥重要的作用，当缺陷样本充足时，缺陷检测不再是一个工业难题。然而，随着生产工艺的提高，缺陷产品数量随之减少，且对缺陷可能出现的类别形态难以预测和枚举，导致缺陷样本难以获得，所以依赖于大量缺陷样本的传统深度学习缺陷检测算法也出现技术瓶颈。

发明内容

本申请实施例提供了一种缺陷检测方法、装置、设备及存储介质，避免了由于缺陷样本获取困难，而对深度学习缺陷检测算法造成影响的问题。

第一方面，本申请实施例提供了一种缺陷检测方法，所述方法包括：

利用编码器网络对待检测图像进行特征提取，得到多个编码特征向量；

将所述多个编码特征向量进行拼接，并利用解码器网络对拼接后的向量进行解码，得到与所述多个编码特征向量分别对应的解码特征向量；

对比每个编码特征向量与所述每个编码特征向量对应的解码特征向量，得到多个相似度矩阵；

基于所述多个相似度矩阵确定目标相似度矩阵；

若所述目标相似度矩阵中存在小于预设阈值的元素，则确定所述待检测图像存在缺陷；

其中，所述解码器网络是基于多个样本编码特征向量拼接得到的向量，以及每个样本编码特征向量与所述每个样本编码特征向量对应的样本解码特征向量的相似度在没有缺陷的样本集上进行多轮训练得到的，所述样本解码向量是基于对所述多个样本编码特征向量拼接得到的向量进行解码得到，所述多个样本编码特征向量是基于编码器网络对样本图像进行特征提取得到的。

在上述实施例中，采用编码器网络-解码器网络的网络结构，通过编码器网络输出与解码器网络输出之间的相似度的大小来检测缺陷样本，由于仅采用没有缺陷的样本训练该网络，则当存在缺陷的图片输入该网络时，其输出的相似度会较低，没有缺陷的样本获取容易，网络训练简单方便。

在一种可能的实施方式中，所述解码器网络是通过如下方式训练的：

基于所述每个样本编码特征向量与每个样本编码特征向量对应的样本解码特征向量确定每个元素坐标对应的相似度损失值，所述样本编码特征向量中元素的元素坐标与所述样本编码特征向量对应的样本解码特征向量中元素的元素坐标一一对应；

采用各相似度损失函数值确定目标损失函数，利用所述目标损失函数在每对所述解码器网络进行多轮参数调整，其中，在本轮参数调整时，将上轮参数调整后的参数作为初始值，根据所述目标损失函数确定经解码器网络预测的相似度与实际相似度之间的误差并将所述误差进行梯度反向传播，以更新解码器网络中的参数，本轮参数调整结束后，将调整后的参数作为下轮参数调整时的初始值。