[发明专利]基于无监督学习的丝印疵点检测方法、装置及存储介质

权利要求书

1.一种基于无监督学习的丝印疵点检测方法，其特征在于，所述基于无监督学习的丝印疵点检测方法包括以下步骤：

获取异常图像，并将所述异常图像输入至重构网络中，获得无缺陷的重构图像；

比较所述异常图像和所述重构图像的差异，得到初步定位疵点的残差图像；

将所述异常图像、重构图像和残差图像输入至判别网络中，得到精确定位疵点的异常分数图。

2.如权利要求1所述的基于无监督学习的丝印疵点检测方法，其特征在于，所述方法还包括生成模拟的异常图像，所述生成模拟的异常图像的步骤包括：

由柏林噪声生成器随机生成噪声图像，并对所述噪声图像进行二值化处理得到模拟异常图像掩膜和反掩膜；

从预设的源图像数据集上采样一个异常纹理源图像，并对所述异常纹理源图像进行数据增强；

获取正常样本图像，并基于所述正常样本图像、模拟异常图像掩膜和反掩膜以及数据增强后的异常纹理源图像，得到模拟的异常图像。

3.如权利要求2所述的基于无监督学习的丝印疵点检测方法，其特征在于，对所述异常纹理源图像进行数据增强的步骤包括：

从预设的集合中随机选取一种或多种方式对所述异常纹理源图像进行增强采样，其中，所述预设的集合中至少包括亮度变化、锐度、曝光度、颜色变化和色调分离。

4.如权利要求1所述的基于无监督学习的丝印疵点检测方法，其特征在于，所述方法还包括生成模拟的异常图像，所述生成模拟的异常图像的步骤包括：

从预设的源图像数据集中选择一个源图像，并基于所述源图像随机生成贴片；

获取正常样本图像，并将所述贴片粘贴至所述正常样本图像上，得到模拟的异常图像。

5.如权利要求1～4任一项所述的基于无监督学习的丝印疵点检测方法，其特征在于，还包括：

基于模拟的异常图像，对重构网络进行训练，将所述异常图像和重构图像之间的重构误差作为重构损失函数，训练所述重构网络直至趋于收敛。

6.如权利要求1～4任一项所述的基于无监督学习的丝印疵点检测方法，其特征在于，比较所述异常图像和所述重构图像的差异，得到初步定位疵点的残差图像的步骤包括：

采用区域分析方法比较所述异常图像和重构图像的差异，确定疵点所在的缺陷图像块；

对所述异常图像和重构图像进行逐像素比较，在所述缺陷图像块中初步定位疵点，得到残差图像。

7.如权利要求1～4任一项所述的基于无监督学习的丝印疵点检测方法，其特征在于，还包括：

利用所述异常图像、重构图像和残差图像对判别网络进行初始训练，对所述重构网络和判别网络的总损失函数进行计算，直至所述总损失函数的值降到最低。

8.如权利要求1～4任一项所述的基于无监督学习的丝印疵点检测方法，其特征在于，所述重构网络包括一个编码器和一个解码器，所述判别网络包括一个卷积网络，所述判别网络共用所述重构网络的编码器完成特征提取。

9.一种基于无监督学习的丝印疵点检测装置，其特征在于，所述丝印疵点检测装置包括：

重构模块，用于获取异常图像，并将所述异常图像输入至重构网络中，获得无缺陷的重构图像；

初步定位模块，用于比较所述异常图像和所述重构图像的差异，得到初步定位疵点的残差图像；

精确定位模块，用于将所述异常图像、重构图像和残差图像输入至判别网络中，得到精确定位疵点的异常分数图。

10.一种存储介质，其特征在于，所述存储介质上存储有丝印疵点检测程序，所述丝印疵点检测程序被处理器执行时实现如权利要求1至8中任一项所述的基于无监督学习的丝印疵点检测方法的步骤。