[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

说明书

本发明涉及丝印疵点检测技术领域。公开了一种基于无监督学习的丝印疵点检测方法、装置及存储介质。基于无监督学习的丝印疵点检测方法包括：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。通过本发明，提高了丝印疵点检测的准确度。

技术领域

本发明涉及丝印疵点检测技术领域，尤其涉及基于无监督学习的丝印疵点检测方法、装置及存储介质。

背景技术

随着现代工业化的迅速发展，人们对于印刷工业产品的要求也越来越高，然而，在实际印刷过程中往往会出现许多缺印、错印现象。因传统人工检测存在效率低、人工成本高、疲劳误检等一系列问题，现在广泛采用视觉检测系统对缺陷进行在线检测。

随着计算机视觉技术的不断发展，基于深度学习的缺陷识别技术日益成熟，有效提高了缺陷的识别速度和识别精度。其中，监督学习模型在缺陷样本的检测中是最为普遍的，通常是使用大量的缺陷标注样本来训练模型。但是，在实际的丝印检测工业中，缺陷样本的形态多样、图像纹理变换复杂且无规律性，对于疵点检测较为困难。

发明内容

本发明的主要目的在于提供一种基于无监督学习的丝印疵点检测方法、装置及存储介质，旨在解决在丝印缺陷样本形态多样、图像纹理变换复杂的条件下难以实现缺陷检测的技术问题。

为实现上述目的，本发明提供一种基于无监督学习的丝印疵点检测方法，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。

可选地，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还包括：

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。

可选地，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。

可选地，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还包括：

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。

可选地，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重构损失函数趋于收敛。

可选地，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。