瑕疵检测方法、电子装置及存储介质制造方法及图纸

本发明专利技术提供一种瑕疵检测方法，包括：将待检测的多个产品图像划分为线性图像或非线性图像；根据多个降维算法对经过图像划分的所述产品图像进行降维处理而得到多个降维数据；确定多个所述降维数据中的最佳降维数据；将所述最佳降维数据输入高斯混合模型而得到所述产品图像的评分数据；将所述评分数据与阈值进行比对，判断所述评分数据是否小于所述阈值；及当所述评分数据小于所述阈值时，确定所述产品图像中存在瑕疵。本发明专利技术还提供一种电子装置及存储介质。本发明专利技术在数据处理过程中无需进行卷积特征的提取，简化了运算过程，避免丢失信息，从而有效提高了瑕疵检测的准确度。从而有效提高了瑕疵检测的准确度。从而有效提高了瑕疵检测的准确度。

【技术实现步骤摘要】
瑕疵检测方法、电子装置及存储介质


[0001]本专利技术涉及外观检测
，尤其涉及一种瑕疵检测方法、电子装置及存储介质。

技术介绍

[0002]随着科学技术的发展，基于深度学习的神经网络模型，例如卷积神经网络，广泛应用于人工智能领域，可以实现各种功能的自动化，例如调制数据、图像数据等数据的自动化检测及分类。在对图像数据中的瑕疵信号进行检测时，通常需要根据数据集训练卷积神经网络，并对训练过程中的最后一层卷积层进行特征提取，然后进行后续的瑕疵信号检测。然而，当原始图像数据的相似性较高时，提取的特征的相似性也会较高而不易分类，从而降低瑕疵信号的检测准确度。

技术实现思路

[0003]有鉴于此，有必要提供一种瑕疵检测方法、电子装置及存储介质，对于待检测的图像数据直接进行降维处理，并结合高斯混合模型进行瑕疵检测，以提高检测准确度。
[0004]本专利技术的第一方面提供一种瑕疵检测方法，所述方法包括：
[0005]将待检测的多个产品图像划分为线性图像或非线性图像；
[0006]根据多个降维算法对经过图像划分的所述产品图像进行降维处理而得到多个降维数据；
[0007]确定多个所述降维数据中的最佳降维数据；
[0008]将所述最佳降维数据输入高斯混合模型而得到所述产品图像的评分数据；
[0009]将所述评分数据与阈值进行比对，判断所述评分数据是否小于所述阈值；及
[0010]当所述评分数据小于所述阈值时，确定所述产品图像中存在瑕疵。
[0011]优选地，所述方法还包括：
[0012]当所述评分数据大于或等于所述阈值时，确定所述产品图像中不存在瑕疵。
[0013]优选地，所述将待检测的多个产品图像划分为线性图像或非线性图像包括：
[0014]对待检测的所述产品图像进行归一化处理；
[0015]将所述产品图像的像素值输入线性评分函数而得到线性图像及非线性图像的分类分值；
[0016]判断所述线性图像的分类分值是否大于所述非线性图像的分类分值；
[0017]当判定所述线性图像的分类分值大于所述非线性图像的分类分值时，将所述产品图像划分为线性图像；及
[0018]当所述线性图像的分类分值不大于所述非线性图像的分类分值时，将所述产品图像划分为非线性图像。
[0019]优选地，所述根据多个降维算法对经过图像划分的所述产品图像进行降维处理而得到多个降维数据包括：
[0020]当所述产品图像为线性图像时，分别采用主成分分析算法及随机投影算法对所述产品图像进行降维；及
[0021]当所述产品图像为非线性图像时，分别采用等度量映射算法及t分布随机邻域嵌入算法对所述产品图像进行降维。
[0022]优选地，所述确定多个所述降维数据中的最佳降维数据：
[0023]计算每种降维算法得到的多个降维数据之间的距离平均值；及
[0024]确定距离平均值最大的多个降维数据为所述最佳降维数据。
[0025]优选地，所述将所述最佳降维数据输入高斯混合模型而得到所述产品图像的评分数据包括：
[0026]根据待检测瑕疵的类型的数量确定所述高斯混合模型中高斯模型的数量；及
[0027]根据所述最佳降维数据及EM算法计算所述高斯混合模型的期望值及每次迭代的模型参数值；及
[0028]根据每次迭代计算出的期望值及模型参数值推算出所述高斯混合模型的最佳参数作为所述评分数据。
[0029]优选地，所述阈值为每次迭代计算出的模型参数值的均值与三倍所述评分数据的标准差之间的差值。
[0030]优选地，所述方法还包括：
[0031]在所述产品图像上标示存在瑕疵的区域，并在显示屏上显示标示后的所述产品图像。
[0032]本专利技术的第二方面提供一种电子装置，包括：
[0033]处理器；以及
[0034]存储器，所述存储器中存储有多个程序模块，所述多个程序模块由所述处理器加载并执行上述的瑕疵检测方法。
[0035]本专利技术的第三方面提供一种存储介质，其上存储有至少一条计算机指令，所述指令由处理器并加载执行上述瑕疵检测方法。
[0036]上述瑕疵检测方法、电子装置及存储介质对于待检测的图像数据直接进行降维处理，并结合高斯混合模型进行瑕疵检测，在数据处理过程中无需进行卷积特征的提取，简化了运算过程，避免丢失信息，从而有效提高了瑕疵检测的准确度。
附图说明
[0037]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0038]图1是本专利技术较佳实施方式提供的电子装置的结构示意图。
[0039]图2是本专利技术较佳实施方式提供的瑕疵检测系统的结构示意图。
[0040]图3是本专利技术较佳实施方式提供的瑕疵检测方法的流程图。
[0041]主要元件符号说明
[0042]电子装置1
处理器10瑕疵检测系统100获取模块101划分模块102降维模块103确定模块104计算模块105判断模块106显示模块107存储器20计算机程序30显示屏40
[0043]如下具体实施方式将结合上述附图进一步说明本专利技术。
具体实施方式
[0044]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施例对本专利技术进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
[0045]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0046]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0047]请参阅图1所示，为本专利技术较佳实施方式提供的电子装置的结构示意图。
[0048]本专利技术中的瑕疵检测方法应用在电子装置1中。所述电子装置1可以为安装有瑕疵检测程序的电子设备，例如个人电脑、服务器等，其中，所述服务器可以是单一的服务器、服务器集群或云端服务器等。
[0049]所述电子装置1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
[0050]所述电子装置1包括，但不仅限于，处理器10、存储器20、存储在所述存储器20中并可在所述处理器10上运行的计算机程序30及显示屏40。例如，所述计算机程序30为瑕疵检测程序。所述处理器1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瑕疵检测方法，其特征在于，所述方法包括：将待检测的多个产品图像划分为线性图像或非线性图像；根据多个降维算法对经过图像划分的所述产品图像进行降维处理而得到多个降维数据；确定多个所述降维数据中的最佳降维数据；将所述最佳降维数据输入高斯混合模型而得到所述产品图像的评分数据；将所述评分数据与阈值进行比对，判断所述评分数据是否小于所述阈值；及当所述评分数据小于所述阈值时，确定所述产品图像中存在瑕疵。2.如权利要求1所述的瑕疵检测方法，其特征在于，所述方法还包括：当所述评分数据大于或等于所述阈值时，确定所述产品图像中不存在瑕疵。3.如权利要求1所述的瑕疵检测方法，其特征在于，所述将待检测的多个产品图像划分为线性图像或非线性图像包括：对待检测的所述产品图像进行归一化处理；将所述产品图像的像素值输入线性评分函数而得到线性图像及非线性图像的分类分值；判断所述线性图像的分类分值是否大于所述非线性图像的分类分值；当判定所述线性图像的分类分值大于所述非线性图像的分类分值时，将所述产品图像划分为线性图像；及当所述线性图像的分类分值不大于所述非线性图像的分类分值时，将所述产品图像划分为非线性图像。4.如权利要求1所述的瑕疵检测方法，其特征在于，所述根据多个降维算法对经过图像划分的所述产品图像进行降维处理而得到多个降维数据包括：当所述产品图像为线性图像时，分别采用主成分分析算法及随机投影算法对所述产品图像进行降维；及当所述产品图像为非线性图...

【专利技术属性】
技术研发人员：林子甄，蔡东佐，郭锦斌，
申请(专利权)人：鸿海精密工业股份有限公司，
类型：发明
国别省市：