图像缺陷检测方法、检测装置、检测设备及存储介质与流程

1.本发明实施例涉及图像处理技术领域，尤其涉及一种图像缺陷检测方法、检测装置、检测设备及存储介质。


背景技术：

2.随着人工智能技术的不断发展，模式识别技术、ai技术、图像处理技术被广泛应用在生产和生活中。针对图像处理技术领域，缺陷检测技术越来越受到企业的重视。其中，商标对于企业品牌的重要性日渐凸显，商标的正确性和美观决定了产品的质量问题。商标的缺陷检测结果直接影响产品的生产效率和生产成本。
3.目前，大部分依靠人工复判、手动画框建模来实现对产品的缺陷检测。但是，人工复判会出现失误、漏检等情况，而人工建模方式受到人为因素的影响，会造成降低缺陷检测精度等问题。


技术实现要素：

4.鉴于此，为解决上述缺陷检测精度低的技术问题，本发明实施例提供一种图像缺陷检测方法、检测装置、检测设备及存储介质。
5.第一方面，本发明实施例提供一种图像缺陷检测方法，包括：
6.获取对象上的初始图像，以及调用与所述初始图像类型对应的目标图像；
7.提取所述目标图像中的目标特征点集合，以及提取所述初始图像中的初始特征点集合；
8.对所述初始特征点集合和所述目标特征点集合进行匹配，得到所述初始图像对应的第一图像；
9.对所述第一图像进行卷积网络和深度学习处理，得到第二图像；
10.将所述第二图像和所述目标图像进行比对，得到所述初始图像的检测结果。
11.在一个可能的实施方式中，在所述调用与所述初始图像类型对应的目标图像之前，所述方法还包括：
12.确定所述对象上的感兴趣区域，对所述感兴趣区域的图像进行二值化处理；
13.从二值化处理后的所述图像中确定对应的最大轮廓的轮廓信息；
14.确定所述轮廓信息的最小外接矩形，将所述最小外接矩形对应的区域作为目标图像；
15.根据所述轮廓信息确定所述目标对像的类型；
16.按照所述类型对所述目标图像进行存储。
17.在一个可能的实施方式中，所述提取所述目标图像中的目标特征点集合，以及提取所述初始图像中的初始特征点集合，包括：
18.获取所述目标图像的第一目标边缘信息，以及所述初始图像的第一初始边缘信息；
19.获取所述第一目标边缘信息在非线性尺度空间下的第二目标边缘信息，以及所述第一初始边缘信息在非线性尺度空间下的第二初始边缘信息；
20.从所述第二目标边缘信息中获取指定位置的多个第一目标特征点，以及从所述第二初始边缘信息中获取指定位置的多个第一初始特征点；
21.通过描述符处理，得到多个所述第一目标特征点对应的多个第二目标特征点，以及多个所述第一初始特征点对应的多个第二初始特征点；
22.对多个所述第二目标特征点进行度量和配准处理得到所述目标图像的目标特征点集合，以及对多个所述第二初始特征点进行度量和配准处理得到所述初始图像的初始特征点集合。
23.在一个可能的实施方式中，所述对所述第一图像进行卷积网络和深度学习处理，得到第二图像，包括：
24.通过对所述第一图像和所述目标图像进行卷积网络处理，获取所述第一图像对应的第一特征点集合；
25.对所述第一特征点集合进行仿射变换和位移场处理，获取所述第一特征点集合对应的第一组损失值信息；
26.通过细化位移场和深度学习处理，确定所述第一特征点集合的第二组损失值信息；
27.对所述第一组损失值信息和所述第二组损失值信息进行比对，得到比对结果；
28.根据所述比对结果，得到所述第一图像对应的第二图像。
29.在一个可能的实施方式中，所述对所述初始特征点集合和所述目标特征点集合进行匹配，得到所述初始图像对应的第一图像，包括：
30.对所述初始图像和所述目标图像进行随机抽样一致性算法匹配处理，得到所述初始图像对应的预设特征点集合和预设变换矩阵信息；
31.利用所述预设变换矩阵信息，对所述预设特征点集合进行仿射变换处理，得到所述初始图像对应的所述第一图像。
32.在一个可能的实施方式中，所述根据所述第二图像和所述目标图像进行比对，得到所述初始图像的检测结果，包括：
33.对所述第二图像和所述目标图像进行比对，得到所述初始图像对应的缺陷面积；
34.根据所述缺陷面积，确定所述初始图像的检测结果。
35.在一个可能的实施方式中，所述对所述第二图像和所述目标图像进行比对，得到所述初始图像对应的缺陷面积，包括：
36.按照所述目标图像，对所述第二图像进行缺陷检测算法处理，得到第三特征点集合；
37.将所述第三特征点集合对应的区域作为所述初始图像对应的缺陷面积。
38.在一个可能的实施方式中，所述根据所述缺陷面积，得到所述初始图像的检测结果，包括：
39.当所述缺陷面积大于等于面积阈值时，确定所述初始图像为缺陷图像；
40.当所述缺陷面积小于所述面积阈值时，确定所述初始图像为非缺陷图像。
41.第二方面，本发明实施例提供一种检测装置，包括：
42.获取模块，用于获取对象上的初始图像，以及调用与所述初始图像类型对应的目标图像；
43.提取模块，用于提取所述目标图像中的目标特征点集合，以及提取所述初始图像中的初始特征点集合；
44.匹配模块，用于对所述初始特征点集合和所述目标特征点集合进行匹配，得到所述初始图像对应的第一图像；
45.学习模块，用于对所述第一图像进行卷积网络和深度学习处理，得到第二图像；
46.比对模块，用于将所述第二图像和所述目标图像进行比对，得到所述初始图像的检测结果。
47.第三方面，本发明实施例提供一种检测设备，包括：处理器和存储器，所述处理器用于执行所述存储器中存储的图像缺陷检测程序，以实现第一方面中任一所述的图像缺陷检测方法。
48.第四方面，本发明实施例提供一种存储介质，所述存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现第一方面中任一所述的图像缺陷检测方法。
49.本发明实施例提供的一种图像缺陷检测方法、检测装置、检测设备及存储介质，通过获取对象上的初始图像，以及调用与初始图像类型对应的目标图像；可以得到参考图像和待检测的图像。通过提取所述目标图像中的目标特征点集合，以及提取所述初始图像中的初始特征点集合；得到目标图像和初始图像对应的图像特征点，为后续进行的图像比对提供数据。对所述初始特征点集合和所述目标特征点集合进行匹配，得到所述初始图像对应的第一图像；第一图像用于表征缺陷检测得到的初步处理图像。对所述第一图像进行卷积网络和深度学习处理，得到第二图像；在第一图像的基础上，提炼出特征更加精准的第二图像。将所述第二图像和所述目标图像进行比对，得到所述初始图像的检测结果。通过在获取第一图像的基础上增加特征信息更加精准的第二图像，使得到的缺陷检测结果更加精准。由本方案，可以完成对图像的缺陷检测，从而实现提高缺陷检测精度的效果。
附图说明
50.图1为本发明实施例提供的一种图像缺陷检测方法的流程示意图；
51.图2为本发明实施例提供的另一种图像缺陷检测方法的流程示意图；
52.图3为本发明实施例提供的再一种图像缺陷检测方法的流程示意图；
53.图4为本发明实施例提供的一种检测装置的结构示意图；
54.图5为本发明实施例提供的一种检测设备的结构示意图。
具体实施方式
55.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
56.为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步地解释说
明，实施例并不构成对本发明实施例的限定。
57.图1为本发明实施例提供的一种图像缺陷检测方法的流程示意图。本发明实施例用以说明图像缺陷检测方法的具体实现，但具体实现步骤只表示一种可能的实现方式，而不是全部的实现方式。
58.缺陷检测，通常是指对物品表面缺陷的检测，表面缺陷检测是采用先进的机器视觉检测技术，对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。
59.根据图1提供的示图，本发明实施例提供的一种图像缺陷检测方法，包括：
60.s101、获取对象上的初始图像，以及调用与初始图像类型对应的目标图像。
61.本发明提供的图像缺陷检测方法应用于产品的缺陷检测。其中，对象可以理解为生产的产品，初始图像可以理解为从产品上首次采集到的图片、注塑标记等待检测的图像。目标图像可以理解为与待检测图像对应的参考模板图，便于通过目标图像的对比，确定初始图像的缺陷情况。
62.进一步地，通过类型不同，预先将不同类型的目标图像存储至检测设备对应的数据库中。通过图像采集器采集对象上的初始图像，并通过检测设备调用出与初始图像类型对应的目标图像。由此可以获取初始图像和目标图像。
63.s102、提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合。
64.其中，目标图像的特征指标可以包含目标特征点集合，用于检测目标图像的特征信息。同时，初始图像的特征指标可以用初始特征点集合来表示，用于检测初始图像的特征信息。
65.进一步地，通过相关算法实现对初始图像的特征点信息的提取，将初始图像对应的多个特征点信息组成初始特征点集合，用于表征初始图像的图像特征。同样地，通过相关技术手段对目标图像的特征点信息进行提取处理，将得到的多个特征点信息组合成目标图像对应的目标特征点集合，并存储至检测设备的数据库中，用于给待检测图像提供参考比对相应的特征信息。
66.可选地，在提取目标特征点集合以及初始特征点集合之前，对目标图像和初始图像进行预处理，获取目标图像对应的目标灰度图像，以及初始图像对应的初始灰度图像，为目标图像和初始图像的特征提取处理提供清晰的图像信息。
67.s103、对初始特征点集合和目标特征点集合进行匹配，得到初始图像对应的第一图像。
68.其中，第一图像可以理解为经过匹配后获得的粗配准图像，用于表征初始图像与目标图像的特征匹配效果。
69.进一步地，在获取的目标图像对应的目标特征点集合和初始图像对应的初始特征点集合后，将目标特征点集合和初始特征点集合中每个对应的特征点信息进行匹配分析，得到匹配后的第一图像。第一图像中携带有初步配准的图像信息，使得初始图像的特征点与目标图像的特征点之间建立对应关系。
70.s104、对第一图像进行卷积网络和深度学习处理，得到第二图像。
71.其中，卷积网络是图像处理技术中的一种处理方式，用于获取稳健的特征点集合。深度学习可以理解为一种模型训练，用于实现对图像特征的不断识别和完善。第二图像可
以理解为通过对第一图像的卷积网络和深度学习处理，得到的精细配准的图像。
72.进一步地，通过对第一图像的深度学习和卷积网络处理，在不断地与目标图像进行匹配，并在此基础上形成模型。通过对模型进行训练，完善初始图像的特征点集合，得到第一图像对应的第二图像。
73.s105、将第二图像和目标图像进行比对，得到初始图像的检测结果。
74.其中，检测结果可以理解为一种用于判断图像缺陷检测的标准。
75.进一步地，在获得精细配准的第二图像的基础上，将携带有初始特征点集合的第二图像与携带有目标特征点集合的目标图像进行比对，这种比对是特征点之间的信息比对，获得一个比对结果。通过比对结果，可以得到初始图像的缺陷检测结果，由此完成对图像的缺陷检测，从而实现提高缺陷检测精度、降低成本的效果。
76.本发明实施例提供了一种图像缺陷检测方法，通过获取对象上的初始图像，以及调用与初始图像类型对应的目标图像；提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合；得到目标图像和初始图象对应的图像特征点，为后续进行的图像比对提供数据。对初始特征点集合和目标特征点集合进行匹配，得到第一图像；第一图像用于表征缺陷检测得到的初步处理图像。对第一图像进行卷积网络和深度学习处理，得到第二图像；在第一图像的基础上，提炼出特征信息更加精准的第二图像。将第二图像和目标图像进行比对，得到初始图像的检测结果。通过在获取第一图像的基础上增加特征信息更加精准的第二图像，使得到的缺陷检测结果更加精准。由此可以完成对图像的缺陷检测，从而实现提高缺陷检测精度的效果。
77.图2为本发明实施例提供的另一种图像缺陷检测方法的流程示意图。是在上述一种实施例的基础上进行介绍的。根据图2所示内容，图像缺陷检测方法具体还包括：
78.s201、确定对象上的感兴趣区域，对感兴趣区域的图像进行二值化处理。
79.本发明实施例提供的图像缺陷检测方法应用于商标缺陷检测。商标可以理解为贴涂在产品上的图像信息，也可以理解为注塑在产品上的特定位置上的图像信息。通过检测商标的缺陷情况，展现产品的合格率和生产效率。
80.其中，对象可以理解为贴涂或注塑有商标信息的产品。感兴趣区域(region of interest，roi)可以理解为通过软件选择出来，用于保证商标在图像区域的roi内。为对图像进行二值化可以获得对应的黑白图像。
81.进一步地，通过软件对产品上商标的位置进行roi处理，得到roi区域内的图像。通过对roi区域内的图像进行二值化处理，得到roi区域内的图像对应的黑白图像。
82.其中，由于产品背景和商标存在色差，对于图像进行二值化处理，采用全局阈值分割方法，再使用腐蚀，去除多余的噪点。具体公式如下：
[0083][0084]
其中，thresh代表阈值，i为输入图像，r为行数，c为列数，o为输出图像。
[0085]
可选地，在获取二值化图像之前，对roi区域内的图像进行预处理，得到对应的灰度图像。在灰度图像的基础上再对roi区域内的图像进行二值化处理。
[0086]
进一步地，通过工业摄像头、图像传感器等设备采集到彩色图像，彩图分为r、g、b
三原色，以不同的权重进行加权平均后得到对应的灰度图像。根据人眼对绿色敏感度最高，对蓝色敏感度最低，通过心理学灰度公式得到灰度图像：
[0087]
gray＝0.30
×
r 0.59
×
g 0.11
×b[0088]
其中，gray代表灰度图像的像素点，r代表红色，g代表绿色，b代表蓝色。
[0089]
s202、从二值化处理后的图像中确定对应的最大轮廓的轮廓信息。
[0090]
s203、确定轮廓信息的最小外接矩形，将最小外接矩形对应的区域作为目标图像。
[0091]
其中，最大轮廓可以理解为二值图像中的图像外边缘信息。图像的最小外接矩形可以理解为包含图像所在位置的最小范围。
[0092]
进一步地，根据二值化后的图像边缘，组成轮廓的点集合。通过轮廓的点集合找到图像的最大轮廓的点集合，从而确定商标的位置。
[0093]
进一步地，根据图像的最大轮廓的点集合，确定出图像对应的最小外接矩形。获取图像的最小外接矩形对应的最小边长，通过最小边长的十分之一长度构成正方形的核。在对图像进行膨胀处理，防止商标图像的缺失。根据图像的最小外接矩形对应的区域，将图像进行裁剪，得到目标图像。
[0094]
s204、根据轮廓信息确定目标图像的类型。按照类型对目标图像进行存储。
[0095]
进一步地，根据目标图像获得轮廓信息的不同，将目标图像分成不同类别。按照类别不同，将目标图像存储在检测设备的数据库中，在对不同产品进行缺陷检测处理时，由于检测位置的不同，可以根据不同类别，自动获取指定类型的目标图像。可以提高产品的检测效率。
[0096]
s205、获取对象上的初始图像，以及调用与初始图像类型对应的目标图像。
[0097]
进一步地，通过初始图像的类别，确定目标图像的类别。在将数据库中对应的目标图像通过调用获得待检测的初始图像和目标图像。
[0098]
可选地，在得到目标图像和初始图像后，对目标图像和初始图像进行预处理。根据r、g、b三原色和人类对颜色的敏感度，得到目标灰度图像和初始灰度图像。
[0099]
s206、获取目标图像的第一目标边缘信息，以及初始图像的第一初始边缘信息。
[0100]
其中，第一目标边缘信息可以理解为通过边缘检测，得到目标图像对应的边缘图像的信息。第一初始边缘信息可以理解为通过边缘检测，得到的初始图像的边缘图像的信息。
[0101]
在一种可能的示例场景中，通过灰度处理后得到目标图像和初始图像，采用改进的特征提取算法(accelerated kaze，akaze)，完成对目标图像和初始图像的特征提取。利用形态学梯度方法，对目标图像和初始图像进行图像边缘增强处理，得到第一目标边缘信息和第一初始边缘信息。
[0102]
s207、获取第一目标边缘信息在非线性尺度空间下的第二目标边缘信息，以及第一初始边缘信息在非线性尺度空间下的第二初始边缘信息。
[0103]
其中，第二目标边缘信息可以理解为在第一目标边缘信息的基础上通过特征提取得到的。相同的，第二初始边缘信息可以理解为在第一初始边缘信息的基础上通过特征提取得到的。
[0104]
进一步地，在非线性尺度空间下，对第一目标边缘信息进行边缘信息提取，得到对应的第二目标边缘信息。相同的，对第一初始边缘信息进行边缘信息提取，得到对应的第二
初始边缘信息。
[0105]
在一种可能的示例场景中，通过非线性滤波函数和快速显示扩散算法构造出非线性尺度空间。在构造的非线性尺度空间下，对第一目标边缘信息进行处理，得到对应的第二目标边缘信息。以及第一初始边缘图像对应的第二初始边缘信息。
[0106]
s208、从第二目标边缘信息中获取指定位置的多个第一目标特征点，以及从第二初始边缘信息中获取指定位置的多个第一初始特征点。
[0107]
其中，第二目标边缘信息通过特征提取得到第一目标特征点。第一目标特征点用于表征目标图像的特征信息。相同的，通过对第二初始边缘信息的特征提取得到第一初始特征点。第一初始特征点用于表征初始图像的特征信息。指定位置可以理解为目标图像和初始图像中待提取的特征点信息的位置。
[0108]
进一步地，在非线性尺度空间下，通过对第二目标边缘信息进行指定位置的特征提取，得到目标图像对应的多个第一目标特征点。以及通过第二初始边缘信息进行指定位置的特征提取，得到初始图像对应的多个第一初始特征点。
[0109]
在一种可能的示例场景中，利用黑塞(hessian)矩阵算法，通过不同尺度归一化处理得到初始图像和目标图像的局部位置的极值点，为图像的特征点提取提供重要数据。
[0110]
s209、通过描述符处理，得到多个第一目标特征点对应的多个第二目标特征点，以及多个第一初始特征点对应的多个第二初始特征点。
[0111]
其中，描述符可以理解为获取特征点周围的特征信息，包括位置、尺度以及方向。使其不受外界环境(比如：光照变化、视角变化等等)的影响，以便提高特征点正确匹配的概率，增加图像的鲁棒性。鲁棒性是指健壮的、强壮的算法，常用来描述可以面对复杂适应系统的能力，主要体现在机器学习中学习模型具有较高的精度或者有效性，对特征点配置影响小。
[0112]
进一步地，对指定位置的多个第一目标特征点进行描述符处理，得到多个第二目标特征点。相同的，对指定位置的多个第一初始特征点进行描述符处理，得到多个第二初始特征点。
[0113]
在一种可能的实施方式中，采用加速稳健特征(speeded up robust features，surf)算法中的m-surf描述符来描述特征点信息，得到更加稳健的图像特征点信息，增加图像匹配的鲁棒性。surf，一种利用正方形，以其中心为关键点，以角度旋转为主方向，用于获取具有相邻像素的特征。
[0114]
m-surf描述符公式如下：
[0115]dv
＝(∑l
x
,∑ly,∑|l
x
|,∑|ly|)
[0116]
其中，lx、ly不同子频程的一阶导数，v表示特征点向量，x表示x轴方向，y表示y轴方向，l代表长度，d表示距离。
[0117]
s210、对多个第二目标特征点进行度量和配准处理得到目标图像的目标特征点集合，以及对多个第二初始特征点进行度量和配准处理得到初始图像的初始特征点集合。
[0118]
其中，度量和配准可以理解为一种图像匹配方式，用于匹配初始图像和目标图像之间的相似性特征点的度量。
[0119]
进一步地，通过描述符得到多个第二初始特征点，利用度量和配准方式处理，得到初始图像对应的初始特征点集合。相同的，利用度量和配准处理，得到目标图像对应的目标
特征点集合，并将目标特征点集合存储至检测设备的数据库中。
[0120]
在一种可能实施方式中，利用汉明(hamming)距离作为图像特征匹配的相似性度量，对特征点进行近邻匹配，获取图像最佳特征点信息，从而得到目标特征点集合和初始特征点集合。其中，汉明公式如下：
[0121][0122]
其中，i表示编码数，x,y为两个码字。
[0123]
s211、对初始特征点集合和目标特征点集合进行匹配，得到初始图像对应的第一图像。
[0124]
进一步地，根据对目标图像进行特征点提取和初始图像的特征点提取，将得到的初始特征点集合与目标特征点集合进行匹配处理，得到第一图像。
[0125]
可选地，第一图像可以是但不限于是粗配准图像。通过目标图像和初始图像的特征点匹配，得到更加稳健的特征点信息对应的粗配准图像。
[0126]
s212、对第一图像进行卷积网络和深度学习处理，得到第二图像。
[0127]
进一步地，根据卷积网络(convolutional neural network，cnn)算法生成多尺度的特征点，得到更多匹配的特征点集合，再通过深度学习，不断地模型训练，形成模型。通过模型的自主学习，得到一组网络模型参数，通过网络模型参数形成初始图像对应的第二图像。
[0128]
在一种可能的实施方式中，通过cnn算法得到第一图像的特征点集合。在深度学习的处理下，通过不断地模型训练，形成了模型。通过自主学习，得到无监督配准下的精细配准图像，达到提高商标缺陷检测的精度和缩短检测时长。
[0129]
s213、按照目标图像，对第二图像进行缺陷检测算法处理，得到第三特征点集合。
[0130]
其中，缺陷检测算法可以理解为一种差值图像的对比方式，用于获取第二图像对应的差值图像。
[0131]
进一步地，通过缺陷检测算法，对第二图像进行差分化处理。再目标图像和第二图像进行比对，得到第三特征点集合。
[0132]
在一种可能的实施方式中，对第二图像采用绝对值差分法，得到差值图。其中差分法公式如下：
[0133]d(r,c)
＝|i-m|
[0134]
其中，i代表精细配准的第二图像，m代表目标图像，d代表差值图像，r代表行数，c代表列数。
[0135]
对差值图像边缘的10*10的图像，进行边缘图均值处理，然后以均值作为阈值对差值图进行二值化处理。通过边缘提取处理，得到目标图像的边缘信息，然后对差值图进行图像覆盖，去除伪影，得到缺陷检测的差值图。
[0136]
s214、将第三特征点集合对应的区域作为初始图像对应的缺陷面积。
[0137]
进一步地，对第三特征点集合所在的区域，进行边缘处理，得到的区域面积作为初始图像的缺陷面积。
[0138]
可选地，第三特征点集合所在的区域的面积可以是但不限于是区域内平方面积，也可以是区域内的像素点的个数的总和，都可以作为缺陷面积的一种获取方式，都属于本发明的保护范围。
[0139]
在一种可能的实施方式中，将得到的缺陷检测的差值图进行腐蚀处理，去除孤立像素点，用blob算法对该图像进行处理，得到缺陷的数量、位置面积等信息。其中soble算法公式如下：
[0140][0141]
横向：
[0142]gx
＝(x3 2x6 x9)-(x1 2x3 x5)
[0143]
纵向：
[0144]gy
＝(x7 2x8 x9)-(x1 2x2 x3)
[0145]
g＝|g
x
| |gy|
[0146]
其中，gx代表横向梯度值，gy代表纵向梯度值，x代表横坐标，y代表纵坐标，g代表缺陷面积。
[0147]
s215、当缺陷面积大于等于面积阈值时，确定初始图像为缺陷图像。
[0148]
其中，面积阈值可以理解为预先设定的参考面积，用于判断初始图像的检测结果。
[0149]
进一步地，当得到的初始图像对应的缺陷面积大于等于面积阈值时，就可以判断出，由于缺陷面积过大，判定初始图像为缺陷图像。
[0150]
在一种可能的实施方式中，设定面积阈值为5cm2。当检测到初始图像对应的缺陷面积为8cm2时，由于8》5，可以判定初始图像为缺陷图像。
[0151]
s216、当缺陷面积小于所述面积阈值时，确定初始图像为非缺陷图像。
[0152]
进一步地，当得到的初始图像对应的缺陷面积小于面积阈值时，就可以判定初始图像为非缺陷图像。
[0153]
在一种可能的实施方式中，设定面积阈值为10cm2。当检测到初始图像对应的缺陷面积为8cm2时，由于8《10，可以判定初始图像为非缺陷图像。
[0154]
本发明实施例提供的一种图像缺陷检测的方法，通过自动获取目标图像的方式，将目标图像存储至数据库。通过获取对象上的初始图像，以及调用与初始图像类型对应的目标图像。通过对目标图像和初始图像进行特征提取，得到目标特征点集合和初始特征点集合。利用匹配处理获得第一图像，再通过卷积网络和深度学习处理得到第二图像。通过目标图像和第二图像的比对，得到初始图像对应的缺陷面积。利用面积阈值，确定初始图像的检测结果。通过在获取第一图像的基础上增加特征信息更加精准的第二图像，使得到的缺陷检测结果更加精准。由此完成了图像的缺陷检测，达到了提高缺陷检测精度的效果。
[0155]
图3为本发明实施例提供的再一种图像缺陷检测方法的流程示意图。根据图3提供的示图，图像缺陷检测方法具体步骤包括：
[0156]
s301、获取对象上的初始图像，以及调用与初始图像类型对应的目标图像。
[0157]
本发明实施例提供的一种图像缺陷检测方法应用于商标的缺陷检测。商标可以是贴涂在产品表面的图像，也可以是通过注塑得到了图像。
[0158]
进一步地，通过类型不同，预先将不同类型的目标图像存储至检测设备对应的数据库中。通过图像采集器采集对象上的初始图像，并通过检测设备调用出与初始图像类型对应的目标图像。由此可以获取初始图像和目标图像。
[0159]
s302、提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合。
[0160]
进一步地，通过提取初始图像的特征点信息，得到初始特征点集合，用于表征初始图像的图像特征。同样地，通过对目标图像的特征点信息进行提取，得到目标特征点集合，并将目标特征点集合存储至检测设备的数据库中，用于给待检测图像提供相应的特征信息。
[0161]
可选地，在提取目标特征点集合以及初始特征点集合之前，对目标图像和初始图像进行预处理，获取目标图像对应的目标灰度图像，以及初始图像对应的初始灰度图像。
[0162]
s303、对初始图像和目标图像进行随机抽样一致性匹配处理，得到初始图像对应的预设特征点集合和预设变换矩阵信息。
[0163]
其中，随机抽样一致性算法(random sample consensus，ransac)可以理解为一种匹配方式，用于获得初始图像的特征点。预设特征点集合可以理解为通过特征提取得到的最佳特征点集合。预设变换矩阵可以理解为用于进行特征配准的特征点信息。
[0164]
进一步地，通过对初始特征点集合和目标特征点集合进行ransac匹配，得到预设特征点集合和预设变换矩阵信息。
[0165]
在一种可能的实施方式中，通过ransac方式得到初始图像对应多个局内点信息。多个局内点信息组成了初始图像对应的匹配特征点集合。
[0166]
s304、利用预设变换矩阵信息，对预设特征点集合进行仿射变换处理，得到初始图像对应的所述第一图像。
[0167]
其中，仿射变换可以理解为一种图像处理方式，用于将平面图像进行线性变换和平移处理。
[0168]
进一步地，通过预设变换矩阵的特征点信息，对图像进行仿射变换，得到变换后的第一图像。
[0169]
在一种可能的实施方式中，初始图像通过变换矩阵中特征点信息，利用仿射变换得到粗配准图像。
[0170]
s305、通过对第一图像和目标图像进行卷积网络处理，获取第一图像对应的第一特征点集合。
[0171]
其中，卷积网络用于获取稳健的特征点集合。
[0172]
进一步地，通过对第一图像进行卷积网络处理，得到第一特征点集合。
[0173]
s306、对第一特征点集合进行仿射变换和位移场处理，获取第一特征点集合对应的第一组损失值信息。
[0174]
其中，位移场可以理解为优化特征点信息的方法，损失值可以理解为通过位移场处理后舍弃的特征点信息。
[0175]
进一步地，通过第一图像的第一特征点集合进行仿射变换和位移场处理，对第一图像进行扭曲、平移，得到第一组损失值信息，获得更加匹配的第一图像。
[0176]
第二图像可以理解为通过对第一图像的卷积网络和深度学习处理，得到的精细配准的图像。
[0177]
进一步地，通过对第一图像的深度学习和卷积网络处理，在不断地与目标图像进行匹配，并在此基础上进行不断地模型训练，形成了模型。通过模型的自主学习，完善初始
图像的特征点集合，得到一组网络模型参数，通过网络模型参数形成第一图像对应的第二图像。
[0178]
s307、通过细化位移场和深度学习处理，确定第一特征点集合的第二组损失值信息。
[0179]
其中，细化位移场可以理解为在位移场的基础上提取更加匹配的特征点信息。深度学习可以理解为通过建立模型，在不断地训练中得到初始图像的更多特征点信息。
[0180]
进一步地，通过细化位移场和深度学习，增加模型训练中的局内点个数，通过动态增加局内点的方式，允许更多特征点引起变换，来确定整体图像的变换，优化其他特征点，进而提高配准精度。
[0181]
s308、对第一组损失值信息和第二组损失值信息进行比对，得到比对结果。
[0182]
s309、根据比对结果，得到第一图像对应的第二图像。
[0183]
进一步地，通过对第一损失值信息和第二损失值信息的比对，得到最小损失值信息。根据最小损失值信息，就可以得到精细配准的第二图像。
[0184]
s310、对第二图像和目标图像进行比对，得到初始图像对应的缺陷面积。
[0185]
进一步地，通过目标图像中的特征点集合与精细配准的第二图像对应的额特征点集合进行比对，可以得到比对后的差值图。通过计算差值图像的面积，得到初始图像对应的缺陷面积。
[0186]
s311、根据缺陷面积，确定初始图像的检测结果。
[0187]
进一步地，根据缺陷面积的大小，可以确定初始图像的缺陷检测结果。
[0188]
本发明实施例提供的一种图像缺陷检测方法，通过获取对象上的初始图像，以及调用与初始图像类型对应的目标图像；提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合。通过对目标图像和初始图像进行特征提取，并进行匹配处理，得到粗配准的第一图像。通过卷积网络和深度学习处理，得到精细配准的第二图像。通过第二图像与目标图像比对，得到缺陷面积。通过分析缺陷面积，确定初始图像的缺陷检测结果。通过在获取第一图像的基础上增加特征信息更加精准的第二图像，使得到的缺陷检测结果更加精准，完成了图像的缺陷检测，实现了提高商标缺陷检测精度的效果。
[0189]
图4为本发明实施例提供的一种检测装置的结构示意图。根据图4提供的示图，检测装置包括：
[0190]
获取模块41，用于获取对象上的初始图像，以及调用与初始图像类型对应的目标图像；
[0191]
提取模块42，用于提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合；
[0192]
匹配模块43，用于对初始特征点集合和目标特征点集合进行匹配，得到初始图像对应的第一图像；
[0193]
学习模块44，用于对第一图像进行卷积网络和深度学习处理，得到第二图像；
[0194]
比对模块45，用于将第二图像和目标图像进行比对，得到初始图像的检测结果。
[0195]
本实施例提供的检测装置可以是如图4中所示的检测装置，可执行如图1-3中图像缺陷检测方法的所有步骤，进而实现图1-3所示图像缺陷检测方法的技术效果，具体请参照图1-3相关描述，为简洁描述，在此不作赘述。
[0196]
图5为本发明实施例提供的一种检测设备的结构示意图，图5所示的电子设备500包括：至少一个处理器501、存储器502、至少一个网络接口504和其他用户接口503。检测设备500中的各个组件通过总线系统505耦合在一起。可理解，总线系统505用于实现这些组件之间的连接通信。总线系统505除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统505。
[0197]
其中，用户接口503可以包括显示器、键盘或者点击设备(例如，鼠标，轨迹球(trackball)、触感板或者触摸屏等。
[0198]
可以理解，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddrsdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synch link dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，drram)。本文描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
[0199]
在一些实施方式中，存储器502存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统5021和应用程序5022。
[0200]
其中，操作系统5021，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序5022，包含各种应用程序，例如媒体播放器(media player)、浏览器(browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序5022中。
[0201]
在本发明实施例中，通过调用存储器502存储的程序或指令，具体的，可以是应用程序5022中存储的程序或指令，处理器501用于执行各方法实施例所提供的方法步骤，例如包括：
[0202]
获取对象上的初始图像，以及调用与初始图像类型对应的目标图像；提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合；对初始特征点集合和目标特征点集合进行匹配，得到初始图像对应的第一图像；对第一图像进行卷积网络和深度学习处理，得到第二图像；将第二图像和目标图像进行比对，得到初始图像的检测结果。
[0203]
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用
处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
[0204]
可以理解的是，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(application specific integrated circuits，asic)、数字信号处理器(digital signal processing，dsp)、数字信号处理设备(dspdevice，dspd)、可编程逻辑设备(programmable logic device，pld)、现场可编程门阵列(field-programmable gate array，fpga)、通用处理器、控制器、微控制器、微处理器、用于执行本技术所述功能的其它电子单元或其组合中。
[0205]
对于软件实现，可通过执行本文所述功能的单元来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
[0206]
本实施例提供的检测设备可以是如图5中所示的检测设备，可执行如图1-3中图像缺陷检测方法的所有步骤，进而实现图1-3所示图像缺陷检测方法的技术效果，具体请参照图1-3相关描述，为简洁描述，在此不作赘述。
[0207]
本发明实施例还提供了一种存储介质(计算机可读存储介质)。这里的存储介质存储有一个或者多个程序。其中，存储介质可以包括易失性存储器，例如随机存取存储器；存储器也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；存储器还可以包括上述种类的存储器的组合。
[0208]
当存储介质中一个或者多个程序可被一个或者多个处理器执行，以实现上述在检测设备侧执行的图像缺陷检测方法。
[0209]
所述处理器用于执行存储器中存储的检测程序，以实现以下在检测设备侧执行的图像缺陷检测方法的步骤：
[0210]
获取对象上的初始图像，以及调用与初始图像类型对应的目标图像；提取目标图像中的目标特征点集合，以及提取初始图像中的初始特征点集合；对初始特征点集合和目标特征点集合进行匹配，得到初始图像对应的第一图像；对第一图像进行卷积网络和深度学习处理，得到第二图像；将第二图像和目标图像进行比对，得到初始图像的检测结果。
[0211]
专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0212]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0213]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步
详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。