图像异常检测算法的工作流程分为注册阶段和检测阶段两大阶段。注册阶段,该算法基于合格样本提取特征,并构造特征模型。在之后的检测阶段,该算法将目标图像与合格样本图像进行比较:
如果目标图像存在与合格样本图像不同的像素区域,该算法将根据异常程度给出异常得分,并将异常得分与预设的分数阈值进行比较。
如果异常得分低于阈值,则判定图像为存在缺陷。
该算法的整体工作流程见下图。
注册阶段,该算法的工作流程如下:
从注册的合格样本(即OK图像)中提取图像特征,获取特性向量。
根据所有注册样本的特性向量,构造统计模型,描述OK图像的特征分布。
检测阶段,该算法的工作流程如下:
对检测样本按照与注册时相同的方式提取特征。
将该特征与统计模型的特征进行比对。
根据两者的相似度输出相似度得分。
检测出得分低于阈值的图像区域作为缺陷区域。
异常检测模块需将目标图像与合格样本作比对,判断目标图像是否存在缺陷。创建缺陷模型的过程,即“注册上述合格样本,并基于合格样本进行算法训练”的过程。
已执行一次流程,使异常检测模块获取到图像源输入的图像。
请参照如下步骤创建并配置缺陷模型。
以下仅介绍该模块的运行参数详情。通过配置运行参数,可定义当前模块如何处理输入的数据。
低于评分阈值的目标将被判定为NG。
如果该参数值为k,则即是在原图中每行每列每隔k个点取一个点组成一幅图像。因此该参数值越大,轮廓点越稀疏,轮廓越不精细。该参数值不宜设置过大。
缺陷模型与图像中目标的相似程度,即相似度阈值。相似度达到该阈值时,目标才会被搜索到,最大取值为1,表示目标与模型完全一致。
极性表示特征图形到背景的颜色过渡情况。如果查找目标的边缘极性和缺陷模型的极性不一致时,仍要保证目标被查找到,则匹配极性需设置成不考虑极性。如不需要则可设置成考虑极性,可缩短查找时间。
待匹配目标相对于已创建模型的角度变化范围,若要搜索有旋转变化的目标则需设置该参数,有效值范围-180~ 180。
设置边缘阈值的类型。边缘阈值指边缘对比度阈值,即轮廓点和背景的灰度值的差距阈值。仅大于该阈值的轮廓点可被提取。
该模块输出结果中各项参数详情,请参见异常检测的输出结果。