一种表面缺陷检测方法、装置、存储介质及电子设备

1.本技术涉及图像检测领域，具体而言，涉及一种表面缺陷检测方法、装置、存储介质及电子设备。


背景技术：

2.产品的表面缺陷检测是制造业中格外关注的一项技术问题。作为生产制造过程中必不可少的一步，表面缺陷检测广泛应用于各工业领域，包括3c、半导体及电子、汽车、轻工等领域。人工检测方法不仅低效、耗时，难以达到生产所需的实时性和准确性要求，而且准确性受到主观因素的影响。因此，开发一种自动、准确、高效的基于机器视觉的表面缺陷自动检测方法来帮助或取代人的决策是至关重要的，基于机器视觉的自动缺陷检测方法分为传统方法和深度学习方法两大类。
3.基于深度学习的方法大体上分为两类：区域级的检测方法和像素级的分割方法，后者可以获得更加细粒度的检测结果，能够检测到缺陷的形状、边界、轮廓等结构信息。虽然这些方法已经在缺陷检测上实现了不错的性能，但是当缺陷表现出面积小、低对比度和细划痕等比较弱的特征，这些方法仍然存在一些漏检和误检。


技术实现要素：

4.本技术的目的在于提供一种表面缺陷检测方法、装置、存储介质及电子设备，以至少部分改善上述问题。
5.为了实现上述目的，本技术实施例采用的技术方案如下：
6.第一方面，本技术实施例提供一种表面缺陷检测方法，应用于电子设备，所述电子设备部署有特征融合网络模型，所述特征融合网络模型包括编码器、密集感受野模块以及解码器，所述编码器包括一个第一子模块、n个第二子模块以及一个第三子模块，所述第一子模块包括1个步长为1的3x3卷积和两个基本残差块，所述第二子模块包括1个下采样操作块和两个基本残差块，所述第三子模块包括1个池化区域为2
×
2的最大池化操作块和两个基本残差块，所述第一子模块、n个第二子模块以及所述第三子模块为级联关系，所述方法包括：
7.所述编码器对原始图像进行处理，以获取不同尺度的图像特征，包括n个第二子模块输出的图像特征和1个第三子模块输出的图像特征，所述原始图像为对目标产品进行采集所得到的图像；
8.所述密集感受野模块对所述第三子模块输出的图像特征中的上下文信息进行捕获，以获得密集感受野上下文特征；
9.所述解码器对所述密集感受野上下文特征、n个第二子模块输出的图像特征以及第三子模块输出的图像特征进行解码融合，以获取检测图像；
10.所述检测图像包括所述原始图像中各个像素点对应的检测结果，所述检测结果包括非缺陷像素点和缺陷像素点。
11.第二方面，本技术实施例提供一种表面缺陷检测装置，应用于电子设备，所述表面缺陷检测装置包括所述电子设备上部署的特征融合网络模型，所述特征融合网络模型包括编码单元、密集感受野单元以及解码单元，所述编码单元包括一个第一子模块、n个第二子模块以及一个第三子模块，所述第一子模块包括1个步长为1的3x3卷积和两个基本残差块，所述第二子模块包括1个下采样操作块和两个基本残差块，所述第三子模块包括1个池化区域为2
×
2的最大池化操作块和两个基本残差块，所述第一子模块、n个第二子模块以及所述第三子模块为级联关系；
12.所述编码单元用于对原始图像进行处理，以获取不同尺度的图像特征，包括n个第二子模块输出的图像特征和1个第三子模块输出的图像特征，所述原始图像为对目标产品进行采集所得到的图像；
13.所述密集感受野单元用于对所述第三子模块输出的图像特征中的上下文信息进行捕获，以获得密集感受野上下文特征；
14.所述解码单元用于对所述密集感受野上下文特征、n个第二子模块输出的图像特征以及第三子模块输出的图像特征进行解码融合，以获取检测图像；
15.所述检测图像包括所述原始图像中各个像素点对应的检测结果，所述检测结果包括非缺陷像素点和缺陷像素点。
16.第三方面，本技术实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。
17.第四方面，本技术实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法。
18.相对于现有技术，本技术实施例所提供的一种表面缺陷检测方法、装置、存储介质及电子设备，编码器对原始图像进行处理，以获取不同尺度的图像特征，包括n个第二子模块输出的图像特征和1个第三子模块输出的图像特征，原始图像为对目标产品进行采集所得到的图像；密集感受野模块对第三子模块输出的图像特征中的上下文信息进行捕获，以获得密集感受野上下文特征；解码器对密集感受野上下文特征、n个第二子模块输出的图像特征以及第三子模块输出的图像特征进行解码融合，以获取检测图像；检测图像包括原始图像中各个像素点对应的检测结果，检测结果包括非缺陷像素点和缺陷像素点。通过对高层特征和低层特征的融合，能够在融合过程中自适应地强调缺陷特征和抑制背景干扰，有利于低对比度缺陷的检测，解决缺陷的低对比度问题和背景干扰问题。
19.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
20.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其它相关的附图。
21.图1为本技术实施例提供的特征融合网络模型的结构示意图；
22.图2为本技术实施例提供的电子设备的结构示意图；
23.图3为本技术实施例提供的表面缺陷检测方法的流程示意图；
24.图4为本技术实施例提供的密集感受野模块的结构示意图；
25.图5为本技术实施例提供的s102的子步骤示意图；
26.图6为本技术实施例提供的s103的子步骤示意图；
27.图7为本技术实施例提供的特征融合模块的结构示意图；
28.图8为本技术实施例提供的检测结果效果图；
29.图9为本技术实施例提供的表面缺陷检测装置的单元示意图。
30.图中：10-处理器；11-存储器；12-总线；13-通信接口；201-编码单元；202-密集感受野单元；203-解码单元。
具体实施方式
31.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
32.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
33.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
34.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
35.在本技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
36.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
37.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
38.在实际的工业生产过程中，产品的表面缺陷十分复杂，比如，缺陷种类的多样性，缺陷的尺度复杂多变，缺陷区域与背景区域的低对比度，背景区域可能存在干扰噪声，比如污渍、阴影，这些给缺陷的自动检测带来了巨大挑战。
39.近几年，随着深度学习的发展，深度学习的方法已经在图像分类、目标检测、图像分割等视觉领域取得巨大进步。但是由于表面缺陷存在的以上挑战，这些针对常见目标的深度学习方法不能直接迁移到工业表面缺陷上。这些基于深度学习的方法大体上分为两类：区域级的检测方法和像素级的分割方法，后者可以获得更加细粒度的检测结果，能够检测到缺陷的形状、边界、轮廓等结构信息。虽然这些方法已经在缺陷检测上实现了不错的性能，但是当缺陷表现出面积小、低对比度和细划痕等比较弱的特征，这些方法仍然存在一些漏检和误检。
40.本技术实施例提供了一种电子设备，可以是服务器设备、电脑设备以及其他具备信号处理能力的终端设备，例如手机等。电子设备部署有预训练的特征融合网络模型。请参考图1，图1为本技术实施例提供的特征融合网络模型的结构示意图。如图1所示，特征融合网络模型包括编码器、密集感受野模块(图1中的drf)以及解码器，编码器包括一个第一子模块(e1)、n个第二子模块(e2、e3以及e4)以及一个第三子模块(e5)，第一子模块包括1个步长为1的3x3卷积和两个基本残差块，第二子模块包括1个下采样操作块和两个基本残差块，第三子模块包括1个池化区域为2
×
2的最大池化操作块和两个基本残差块，第一子模块、n个第二子模块以及第三子模块为级联关系。级联关系可以理解为，第一子模块(e1)的输入为原始图像，第一子模块(e1)的输出作为第二子模块(e2)的输入，第二子模块(e2)的输出作为第二子模块(e3)的输入，第二子模块(e3)的输出作为第二子模块(e4)的输入，第二子模块(e4)的输出作为第三子模块(e5)的输入，依次递推。
41.需要说明的是，图1中以n为3作为示例进行说明，但并不以此作为限定。
42.针对于现有的深度学习方法在工业表面缺陷数据上的局限性，本技术实施例在编解码网络结构的基础上提出了用于表面缺陷显著性检测的联合注意力引导的特征融合网络模型，称为jaffnet。在特征融合网络模型中，为解决缺陷的低对比度问题和背景干扰问题，提出了一个联合注意力引导的特征融合模块，该特征融合模块用于对高层特征和低层特征的融合，能够在融合过程中自适应地强调缺陷特征和抑制背景干扰，有利于低对比度缺陷的检测。此外，为解决缺陷的多尺度问题，还提出了一个密集感受野模块，密集感受野模块有灵活的上下文建模能力，能够捕获到更大的和更密集的局部上下文信息和全局信息。在三个公开的工业缺陷数据集上，jaffnet都已经实现了最好的性能，同时，提出的网络也实现了不错的实时性，在单个gpu上实现66fps的检测速度。
43.请参照图2，电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接，处理器10用于执行存储器11中存储的可执行模块，例如计算机程序。
44.处理器10可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，表面缺陷检测方法的各步骤可以通过处理器10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10可以是通用处理器，包括中央处理器(central processing unit，简称
cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field－programmable gate array，简称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。
45.存储器11可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
46.总线12可以是isa(industry standard architecture)总线、pci(peripheral component interconnect)总线或eisa(extended industry standard architecture)总线等。图2中仅用一个双向箭头表示，但并不表示仅有一根总线12或一种类型的总线12。
47.存储器11用于存储程序，例如表面缺陷检测装置对应的程序。表面缺陷检测装置包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system，os)中的软件功能模块。处理器10在接收到执行指令后，执行所述程序以实现表面缺陷检测方法。
48.可能地，本技术实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。电子设备可以通过通信接口13接收其他终端传输的信息或指令，例如本技术中的原始图像。
49.应当理解的是，图2所示的结构仅为电子设备的部分的结构示意图，电子设备还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
50.本技术实施例提供的一种表面缺陷检测方法，可以但不限于应用于图2所示的电子设备，具体的流程，请参考图3，表面缺陷检测方法包括：s101、s102以及s103，具体阐述如下。
51.s101，编码器对原始图像进行处理，以获取不同尺度的图像特征。
52.可选地，不同尺度的图像特征。包括n个第二子模块输出的图像特征和1个第三子模块输出的图像特征，原始图像为对目标产品进行采集所得到的图像。目标产品可以是工件、道路以及轨道等等。
53.可选地，通过编码器可以提取到多尺度特征。请继续参考图1，假定输入图像(原始图像)e1到e5每个阶段输出的特征图大小为ci∈{64,128,256,512,512}，i＝1,2,3,4,5。
54.s102，密集感受野模块对第三子模块输出的图像特征中的上下文信息进行捕获，以获得密集感受野上下文特征。
55.应理解，密集感受野模块可以增强深层特征的鲁棒性和判别性。密集感受野模块模拟了人类的视觉系统，多个多感受野模块的级联带来了丰富的密集感受野上下文特征，模块间的密集连接促进了上下文信息的流动，提高了模型的上下文信息建模能力。密集感受野模块有灵活的上下文建模能力，能够捕获到更大的和更密集的局部上下文信息和全局信息。
56.s103，解码器对密集感受野上下文特征、n个第二子模块输出的图像特征以及第三子模块输出的图像特征进行解码融合，以获取检测图像。
57.其中，检测图像包括原始图像中各个像素点对应的检测结果，检测结果包括非缺陷像素点和缺陷像素点。例如检测图像为二值化(0,1)图像，当其为0时表征该像素点为非缺陷像素点，当其为1时，表征该像素点为缺陷像素点。
58.应理解，解码器类似fpn结构，在网络里负责高层特征和低层特征的融合和逐步恢复显著性图的空间分辨率。通过对高层特征和低层特征的融合，能够在融合过程中自适应地强调缺陷特征和抑制背景干扰，有利于低对比度缺陷的检测，解决缺陷的低对比度问题和背景干扰问题。
59.综上所述，本技术实施例提供的表面缺陷检测方法，编码器对原始图像进行处理，以获取不同尺度的图像特征，包括n个第二子模块输出的图像特征和1个第三子模块输出的图像特征，原始图像为对目标产品进行采集所得到的图像；密集感受野模块对第三子模块输出的图像特征中的上下文信息进行捕获，以获得密集感受野上下文特征；解码器对密集感受野上下文特征、n个第二子模块输出的图像特征以及第三子模块输出的图像特征进行解码融合，以获取检测图像；检测图像包括原始图像中各个像素点对应的检测结果，检测结果包括非缺陷像素点和缺陷像素点。通过对高层特征和低层特征的融合，能够在融合过程中自适应地强调缺陷特征和抑制背景干扰，有利于低对比度缺陷的检测，解决缺陷的低对比度问题和背景干扰问题。
60.请参考图4，图4为本技术实施例提供的密集感受野模块的结构示意图。如图4所示，密集感受野模块包括3个级联的感受野模块和1个全局平均池化分支(gap)。3个级联的感受野模块分别为图4中的mrf-1、mrf-2以及mrf-3，感受野模块包括三个并行的具有不同空洞率的3x3空洞卷积，空洞率r分别是1，2以及4。三个级联的mrf模块里使用了密集连接，每个mrf块把前面所有的mrf块的输出和drf模块的输入的和作为自己的输入。
61.在图4的基础上，对于图3中s102的内容，本技术实施例还提供了一种可能的实现方式，请参考图5，s102包括：s102-1、s102-2以及s102-3，具体阐述如下。
62.s102-1，第i个感受野模块对第三子模块输出的图像特征和前i-1个感受野模块的输出结果进行空洞卷积处理，以获取第i个感受野模块的输出结果。
63.可选地，第i个感受野模块的输出结果的算式为：
[0064][0065]
其中，yi表征第i个感受野模块的输出结果，hi表征第i个感受野模块，x表征第三子模块输出的图像特征。
[0066]
s102-2，全局平均池化分支对第三子模块输出的图像特征进行处理，以获取全局特征。
[0067]
可选地，全局特征的算式为：
[0068]
y4＝upsample[f1×1(gap(x))]；
[0069]
其中，gap表示全局平均池化操作，f1×1表示1x1卷积操作，upsample表示上采样操作，y4表征全局特征。
[0070]
应理解，本技术方案中的drf模块不仅可以捕获密集的局部上下文信息，也可以捕获有效的全局上下文信息。
[0071]
s102-3，密集感受野模块将第三子模块输出的图像特征、全局特征以及每一个感受野模块的输出结果进行相加，以得到密集感受野上下文特征。
[0072]
可选地，y1、y2、y3、y4以及x相加得到最后输出，即密集感受野上下文特征。
[0073]
可选地，本技术实施例在解码器里使用了提出的联合注意力引导的特征融合模块。具体地，如图1所示，解码器包括n 1个级联的特征融合模块，图1中的特征融合模块为jaff，编号为d1、d2、d3以及d4。特征融合模块利用高层特征的语义信息生成可学习的通道-空间注意力图，在特征融合过程中利用该注意力图自适应地学习强调浅层的缺陷信息和抑制背景干扰信息。
[0074]
在此基础上，对于图3中s103的内容，本技术实施例还提供了一种可能的实现方式，请参考图6，s103包括：s103-1、s103-2、s103-3、s103-4以及s103-5，具体阐述如下。
[0075]
s103-1，第k个特征融合模块通过上采样分支对相应的高层特征进行上采样，以得到上采样特征。
[0076]
s103-2，第k个特征融合模块通过通道注意力分支和空间注意力分支对上采样特征进行处理，分别获取通道注意力图和空间注意力图。
[0077]
s103-3，第k个特征融合模块通过矩阵乘法操作和一个深度可分离的空洞卷积模块融合通道注意力图和空间注意力图，以获得三维注意力图。
[0078]
可选地，三维注意力图的算式为：
[0079][0080][0081][0082]
其中，m(fh)表征三维注意力图，fh表征相应的高层特征，d3×
3,2
表示的是一个空洞率为2、卷积核大小为3
×
3的深度可分离卷积，mc表征通道注意力图，ms表征空间注意力图，表示矩阵乘法操作，f
11
×1、f
21
×1以及f
31
×1分别表示三个1
×
1卷积，f3×
3,2
和f3×
3,4
分别表示空洞率为2和4的3
×
3卷积，和表示上采样特征压缩空间维度得到的两个通道特征，和表示上采样特征压缩通道维度得到的两个空间特征，σ表示的是sigmoid激活函数，cat表示通道维度上的拼接操作。
[0083]
s103-4，第k个特征融合模块基于三维注意力图对相应的低层特征加权，以得到加权特征。
[0084]
可选地，加权特征的算式为：
[0085]flw
＝α
·fl
⊙
m(fh) f
l
；
[0086]
其中，f
lw
表示加权特征，f
l
表征相应的低层特征，α为可学习参数，从0开始学习，
⊙
表示元素点乘操作。
[0087]
s103-5，第k个特征融合模块将加权特征和上采样特征进行拼接，并将拼接结果通过一个3x3卷积块，以得到第k个特征融合模块的输出结果。
[0088]
当k＝n 1时，第k个特征融合模块相应的高层特征为密集感受野上下文特征，第k个特征融合模块相应的低层特征为第三子模块输出的图像特征；
[0089]
当1≤k≤n时，第k个特征融合模块相应的高层特征为第k 1个特征融合模块的输
出结果，第k个特征融合模块相应的低层特征为第k个第二子模块输出的图像特征；
[0090]
检测图像为第1个特征融合模块(即d1)的输出结果。
[0091]
具体请参考图7，图7为本技术实施例提供的特征融合模块的结构示意图。
[0092]
本技术实施例中的解码器里使用了联合注意力引导的特征融合模块，特征融合模块利用高层特征的语义信息生成可学习的通道-空间注意力图，在特征融合过程中利用该注意力图自适应地学习强调浅层的缺陷信息和抑制背景干扰信息。
[0093]
可选地，关于特征融合网络模型的训练本技术实施例还提供了一种可能的实现方式。需要说明的是，训练过程可以是在电子设备中完成，也可以是在其他终端中完成，在此不做限定。本技术使用混合损失函数训练网络，混合损失函数包含像素级bce损失函数、区域级的ssim损失函数和图像级的iou的损失函数，三大损失函数的结合显著地提升了网络的检测精度。同时，为了避免过拟合，在训练过程中还对每个解码阶段的输出使用了深度监督。
[0094]
可选地，特征融合网络模型的联合损失函数包括：
[0095][0096][0097][0098]
其中，表征像素级bce损失函数，表征图像级的iou损失函数，表征区域级的ssim损失函数，h和w分别表示原始图像的高和宽，p和g分别表示标注图和预测显著性图，μ
x
和μy分别代表p和g中的两个图像块的均值，σ
x
、σy和σ
xy
分别代表p和g中的两个图像块的标准方差和协方差，c1和c2为常数。
[0099]
本技术实施例提供的jaffnet网络结构，分别在三个公开的工业缺陷数据集sd-saliency-900,magnetic tile和dagm 2007进行验证。结果采用显著性检测常用的平均绝对误差(mae)，加权的f-measure(wf)，结构相似度度量(sm)和e-measure(em)对预测的结果进行评价，详细定义如下：
[0100][0101][0102]
sm＝α
×
so (1-α)
×
sr[0103][0104]
在评估预测的缺陷显著性图时α和β分别设置为0.5和1。实验表明，jaffnet的网络结构的实际性能已经达到国内外的最先进水平，图8为本技术实施例提供的检测结果效果
图。其中，最后一列是jaffnet的检测结果。
[0105]
请参阅图9，图9为本技术实施例提供的一种表面缺陷检测装置，可选的，该表面缺陷检测装置被应用于上文所述的电子设备。
[0106]
表面缺陷检测装置述包括电子设备上部署的特征融合网络模型，特征融合网络模型包括编码单元201、密集感受野单元202以及解码单元203，编码单元201包括一个第一子模块、n个第二子模块以及一个第三子模块，第一子模块包括1个步长为1的3x3卷积和两个基本残差块，第二子模块包括1个下采样操作块和两个基本残差块，第三子模块包括1个池化区域为2
×
2的最大池化操作块和两个基本残差块，第一子模块、n个第二子模块以及第三子模块为级联关系。
[0107]
编码单元201用于对原始图像进行处理，以获取不同尺度的图像特征，包括n个第二子模块输出的图像特征和1个第三子模块输出的图像特征，原始图像为对目标产品进行采集所得到的图像；
[0108]
密集感受野单元202用于对第三子模块输出的图像特征中的上下文信息进行捕获，以获得密集感受野上下文特征；
[0109]
解码单元203用于对密集感受野上下文特征、n个第二子模块输出的图像特征以及第三子模块输出的图像特征进行解码融合，以获取检测图像；
[0110]
检测图像包括原始图像中各个像素点对应的检测结果，检测结果包括非缺陷像素点和缺陷像素点。
[0111]
应理解，编码单元201相当于上文中的编码器，密集感受野单元202相当于上文中的密集感受野模块，解码单元203相当于上文中的解码器。
[0112]
需要说明的是，本实施例所提供的表面缺陷检测装置，其可以执行上述方法流程实施例所示的方法流程，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。
[0113]
本技术实施例还提供了一种存储介质，该存储介质存储有计算机指令、程序，该计算机指令、程序在被读取并运行时执行上述实施例的表面缺陷检测方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
[0114]
下面提供一种电子设备，可以是服务器设备、电脑设备以及其他具备信号处理能力的终端设备，例如手机等。该电子设备如图2所示，可以实现上述的表面缺陷检测方法；具体的，该电子设备包括：处理器10，存储器11、总线12。处理器10可以是cpu。存储器11用于存储一个或多个程序，当一个或多个程序被处理器10执行时，执行上述实施例的表面缺陷检测方法。
[0115]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个
方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0116]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0117]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0118]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0119]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。