多尺度自编码器生成方法技术

本申请涉及图像处理，提供一种多尺度自编码器生成方法

【技术实现步骤摘要】
多尺度自编码器生成方法、电子设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种多尺度自编码器生成方法
、
电子设备及存储介质
。

技术介绍

[0002]在实际应用中，通过自编码器生成的特征图，存在特征图过大或者过小的问题，导致还原出的重构图像精细程度低，从而造成重构图像与原输入图像不相似
。

技术实现思路

[0003]鉴于以上内容，有必要提供一种多尺度自编码器生成方法，提高重构图像与原输入图像的相似度
。
[0004]本申请提供一种多尺度自编码器生成方法，所述多尺度自编码器生成方法包括：
[0005]获取具有相同图像尺寸的多张产品图像及所述多张产品图像的标注结果，所述多张产品图像包括多张无瑕疵图像；
[0006]构建多个尺度的潜在空间；
[0007]根据所述图像尺寸及多个所述潜在空间构建多个自编码器；
[0008]基于所述多张无瑕疵图像对每个所述自编码器进行训练，得到多个学习器；
[0009]将所述多张产品图像输入到每个所述学习器中，得到多张重构图像；
[0010]根据每张所述重构图像检测对应的产品图像是否存在瑕疵，得到多个检测结果；
[0011]基于每个检测结果与对应的标注结果的比较结果，选取相似图像；
[0012]根据所述相似图像计算每个所述学习器的正确率，并依据所述正确率选择一个学习器作为多尺度自编码器
。
[0013]根据本申请优选实施例，所述根据所述图像尺寸及多个所述潜在空间构建多个自编码器包括：
[0014]迭代计算所述图像尺寸与第一预设值的比值，得到运算结果，直至获得与所述多个尺度分别等同的运算结果；
[0015]统计与每个所述尺度等同的运算结果的迭代次数；
[0016]对于每个所述尺度，构建网络层数为所述迭代次数的隐层作为编码器网络，并构建网络层数为所述迭代次数的运算层作为解码器网络；
[0017]根据每个所述尺度的所述编码器网络
、
所述潜在空间及所述解码器网络生成所述多个自编码器
。
[0018]根据本申请优选实施例，每个隐层依次由卷积层
、
批标准化层
、
激活函数层构成，每个运算层依次由反卷积层
、
所述批标准化层
、
所述激活函数层构成
。
[0019]根据本申请优选实施例，所述将所述多张产品图像输入到每个所述学习器中，得到多张重构图像包括：
[0020]将每张产品图像输入到每个所述学习器中的隐层进行特征提取，得到每个隐层输
出的特征向量，其中每个隐层输出的特征向量作为下一个隐层的输入向量；
[0021]将最后一个隐层输出的特征向量确定为每张产品图像对应的潜在向量；
[0022]将所述潜在向量输入到每个所述学习器的运算层进行重构，得到所述运算层输出的重构向量，其中所述运算层输出的重构向量是下一个运算层的输入向量；
[0023]对所述最后一个运算层输出的重构向量进行映射处理，得到所述多张重构图像
。
[0024]根据本申请优选实施例，所述基于所述多张无瑕疵图像对每个所述自编码器进行训练，得到多个学习器包括：
[0025]计算每个自编码器的损失函数值；
[0026]根据所述损失函数值对每个自编码器进行梯度反向传播，直至所述损失函数值下降到最低，停止训练，得到所述多个学习器
。
[0027]根据本申请优选实施例，所述根据每张所述重构图像检测对应的产品图像是否存在瑕疵，得到多个检测结果包括：
[0028]计算每张重构图像与对应的产品图像之间的相似值；
[0029]所述相似值的计算方法为：
[0030][0031]c1＝
(K1L)2；
[0032]c2＝
(K2L)2；
[0033]其中，
SSIM(x,y)
为所述相似值，
x
为所述重构图像，
y
为所述重构图像对应的产品图像，
μ
x
为所述重构图像的灰度平均值，
μ
y
为所述对应的产品图像的灰度平均值，
σ
x
为重构图像的灰度标准差，
σ
y
所述对应的产品图像的灰度标准差，
σ
xy
为所述重构图像与所述对应的产品图像之间的灰度协方差，
c1及
c2均是维持所述相似值中的分母不为零的参数，
L
为所述对应的产品图像中像素点的最大像素值，
K1及
K2是预先设置好的常数，且
K1＜＜1，
K2＜＜1；
[0034]若所述相似值大于第二预设值，确定所述对应的产品图像不存在瑕疵；
[0035]若所述相似值小于或者等于所述第二预设值，确定所述对应的产品图像存在瑕疵
。
[0036]根据本申请优选实施例，所述基于每个检测结果与对应的标注结果的比较结果，选取相似图像包括：
[0037]将每个检测结果与对应的标注结果进行比较，得到所述比较结果；
[0038]若所述比较结果为所述检测结果与所述对应的标注结果相同，则将所述检测结果所对应的产品图像确定为目标图像，并将与所述目标图像所对应的重构图像确定为所述相似图像
。
[0039]根据本申请优选实施例，所述根据所述相似图像计算每个所述学习器的正确率，并依据所述正确率选择一个学习器作为多尺度自编码器包括：
[0040]将所述相似图像的数量确定为目标数量；
[0041]根据所述目标数量计算所述相似图像在所述多张重构图像中所占的比率，并将所述比率确定为每个所述学习器的正确率；
[0042]将取值最高的正确率所对应的学习器确定为所述多尺度自编码器
。
[0043]本申请提供一种电子设备，所述电子设备包括：
[0044]存储器，存储至少一个指令；及
[0045]处理器，执行所述至少一个指令以实现所述的多尺度自编码器生成方法
。
[0046]本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述的多尺度自编码器生成方法
。
[0047]由以上技术方案可以看出，通过所述图像尺寸及每个尺度的运算结果能够控制每个学习器生成的特征图的大小，避免了特征图的过大或者过小问题，从而提高每个学习器提取图像特征的精细程度，基于每个检测结果与对应的标注结果的比较结果从所述多张重构图像中筛选出所述相似图像，并基于所述相似图像计算每个学习器的正确率，进而选取正确率最大的学习器作为所述图像尺寸对应的所述多尺度自编码器，由于所述正确率能够准确的反映出所述相似图像的数量大小，以及，通过所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种多尺度自编码器生成方法，其特征在于，所述多尺度自编码器生成方法包括：获取具有相同图像尺寸的多张产品图像及所述多张产品图像的标注结果，所述多张产品图像包括多张无瑕疵图像；构建多个尺度的潜在空间；根据所述图像尺寸及多个所述潜在空间构建多个自编码器；基于所述多张无瑕疵图像对每个所述自编码器进行训练，得到多个学习器；将所述多张产品图像输入到每个所述学习器中，得到多张重构图像；根据每张所述重构图像检测对应的产品图像是否存在瑕疵，得到多个检测结果；基于每个检测结果与对应的标注结果的比较结果，选取相似图像；根据所述相似图像计算每个所述学习器的正确率，并依据所述正确率选择一个学习器作为多尺度自编码器
。2.
如权利要求1所述的多尺度自编码器生成方法，其特征在于，所述根据所述图像尺寸及多个所述潜在空间构建多个自编码器包括：迭代计算所述图像尺寸与第一预设值的比值，得到运算结果，直至获得与所述多个尺度分别等同的运算结果；统计与每个所述尺度等同的运算结果的迭代次数；对于每个所述尺度，构建网络层数为所述迭代次数的隐层作为编码器网络，并构建网络层数为所述迭代次数的运算层作为解码器网络；根据每个所述尺度的所述编码器网络
、
所述潜在空间及所述解码器网络生成所述多个自编码器
。3.
如权利要求2所述的多尺度自编码器生成方法，其特征在于，每个隐层依次由卷积层
、
批标准化层
、
激活函数层构成，每个运算层依次由反卷积层
、
所述批标准化层
、
所述激活函数层构成
。4.
如权利要求2所述的多尺度自编码器生成方法，其特征在于，所述将所述多张产品图像输入到每个所述学习器中，得到多张重构图像包括：将每张产品图像输入到每个所述学习器中的隐层进行特征提取，得到每个隐层输出的特征向量，其中每个隐层输出的特征向量作为下一个隐层的输入向量；将最后一个隐层输出的特征向量确定为每张产品图像对应的潜在向量；将所述潜在向量输入到每个所述学习器的运算层进行重构，得到所述运算层输出的重构向量，其中所述运算层输出的重构向量是下一个运算层的输入向量；对所述最后一个运算层输出的重构向量进行映射处理，得到所述多张重构图像
。5.
如权利要求1所述的多尺度自编码器生成方法，其特征在于，所述基于所述多张无瑕疵图像对每个所述自编码器进行训练，得到多个学习器包括：计算每个自编码器的损失函数值；根据所述损失函数值对每个自编码器进行梯度反向传播，直至所述损失函数值下降到最低，停止训练，得到所述多个学习器
。6.
如权利要求1所述的多尺度自编码器生成方法，其特征在于，所述根据每张所述重...

【专利技术属性】
技术研发人员：李宛真，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：