一种钢卷端面的缺陷判别方法、系统及电子设备与流程

本发明涉及钢卷端面缺陷计算机自动识别领域，特别涉及一种钢卷端面的缺陷判别方法、系统及电子设备。

背景技术：

在钢铁行业的生产线中，需要对钢卷端面存在的缺陷部分进行检测识别，以提高钢铁生产的质量和效率。

现有的钢卷端面缺陷识别可通过神经网络的机器视觉技术去进行智能识别，但目前的钢卷端面的缺陷识别神经网络中，通常做法是将缺陷部分进行语义分割后进行特征识别，但钢卷端面的区域较大，缺陷位置的区域较小，训练样本中的缺陷受钢卷端面特征的影响，导致训练样本中的缺陷语义不足，使钢卷端面的缺陷识别神经网络的训练难以收敛，使得现有的钢卷端面的缺陷识别神经网络的识别准确率较低。

技术实现要素：

为了克服目前现有的钢卷端面缺陷识别神经网络识别准确率不足的问题，本发明提供钢卷端面的缺陷判别方法、系统及电子设备。

本发明为解决上述技术问题，提供一技术方案如下：一种钢卷端面的缺陷判别方法，包括如下步骤:步骤s1：获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络；步骤s2：获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块，并提取每一第一图像块对应的第一特征向量；步骤s3：基于多个第一特征向量，所述待测钢卷端面对抗网络以输出每一第一图像块对应的多个的重构图像，并将每一所述重构图像进行特征提取，获得第二特征向量；及步骤s4：计算第一特征向量与对应的第二特征向量之间的第一损失值，依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，并基于判断结果判定所述待测钢卷端面图像是否含有缺陷。

优选地，上述步骤s1具体包括如下步骤：步骤s11：获取一初始对抗网络，将无缺陷的真实钢卷端面图像输入至所述初始对抗网络；步骤s12：初始对抗网络对无缺陷的真实钢卷端面图像进行模拟重构的迭代计算，输出一符合要求的无缺陷的模拟钢卷端面图像；步骤s13：提取真实钢卷端面图像的真实特征向量，并提取模拟钢卷端面图像的模拟特征向量，并计算真实特征向量与模拟特征向量的第二损失值；步骤s14：判断真实特征向量与模拟特征向量的第二损失值是否超过第二阈值，若是，则回到步骤s12，若否，则进入步骤s15；及步骤s15：记录所述无缺陷的模拟钢卷端面图像，获得钢卷端面对抗网络。

优选地，上述步骤s1之前还包括如下步骤：步骤s100：获取一无缺陷的真实钢卷端面图像，并将所述真实钢卷端面图像均分为多个第二图像块；及

优选地，步骤s4之后还包括：步骤s5：确认第一损失值超过第一阈值的所有第二图像块的数量，获得超过第一损失值的第二图像块在待测钢卷端面图像上的位置。

优选地，步骤s2具体包括如下步骤：步骤s21：获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块；及步骤s22：基于多个第一图像块分别组合为多个批数据，并将多个批数据依次输入至钢卷端面对抗网络，以提取每一第一图像块对应的第一特征向量。

优选地，上述步骤s4具体包括如下步骤：步骤s41：计算第一特征向量与对应的第二特征向量之间的第一损失值；步骤s42：依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，若是，则进入步骤s43，若否，则进入步骤s44；步骤s43：判定待测钢卷端面图像有缺陷；及步骤s44：判定待测钢卷端面图像无缺陷。

本发明还提供一种钢卷端面的缺陷判别系统，包括：对抗网络获取单元，用于获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络；图像划分单元，用于获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块，并提取每一第一图像块对应的第一特征向量；二次编码单元，用于基于多个第一特征向量，所述待测钢卷端面对抗网络以输出每一第一图像块对应的多个的重构图像，并将每一所述重构图像进行特征提取，获得第二特征向量；及缺陷判别单元，用于计算第一特征向量与对应的第二特征向量之间的第一损失值，依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，并基于判断结果判定所述待测钢卷端面图像是否含有缺陷。

优选地，还包括：缺陷位置确认单元，用于确认第一损失值超过第一阈值的所有第二图像块的数量，获得超过第一损失值的第二图像块在待测钢卷端面图像上的位置。

优选地，所述图像划分单元还包括：图像块获取单元，用于获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块；及批处理单元，用于基于多个第一图像块分别组合为多个批数据，并将多个批数据依次输入至钢卷端面对抗网络，以提取每一第一图像块对应的第一特征向量。

本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述的钢卷端面的缺陷判别方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述的钢卷端面的缺陷判别方法。

与现有技术相比，本发明提供的一种钢卷端面的缺陷判别方法、系统及电子设备，具有以下优点：

1、在钢卷端面缺陷识别领域，通过获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络，使得所述初始对抗网络在训练时仅需要无缺陷的真实钢卷端面图像，避免了需要使用含有真实缺陷的钢卷端面图像进行训练，减少了对含有真实缺陷的钢卷端面图像的依赖。进一步，通过输入的多个第一图像块输出多个对应的重构图像，并将每一重构图像进一步地进行特征提取以获得第二特征向量，通过计算出多个第一特征向量与对应第二特征向量之间的多个第一损失值以判定所述待测钢卷端面图像是否含有缺陷，使得所述钢卷端面对抗网络可判定钢卷端面图像缺陷的有无，同时，避免了输出的重构图像与待测钢卷端面图像针对多个像素点的损失值计算，减少了计算量，提高钢卷端面的缺陷的识别效率。

2、通过将所述真实钢卷端面图像均分为多个第二图像块，使得对抗网络可依次对所述输入的图像进行处理，减少了因所述真实钢卷端面图像过大对所述初始对抗网络训练过程中的计算压力。

3、通过确认所有第二图像块中的第一损失值超过第一阈值的数量，获得超过第一损失值的第二图像块在待测钢卷端面图像上的位置，定位超过第一损失值的第二图像块在待测钢卷端面图像上的位置，以找出所述缺陷在钢卷端面图像中的位置。

4、通过将所述待测钢卷端面图像均分为多个第一图像块，基于多个第一图像块分别组合为多个批数据，并将多个批数据依次输入至钢卷端面对抗网络，以将多个批数据依次输入至钢卷端面对抗网络，降低了神经网络同时对整张图像的输入计算量。

【附图说明】

图1为本发明第一实施例提供的一种钢卷端面的缺陷判别方法的流程图。

图2为本发明第一实施例提供的一种钢卷端面的缺陷判别方法的流程图的一种变形。

图3为本发明第一实施例提供的一种钢卷端面的缺陷判别方法中步骤s1的细节流程图。

图4为本发明第一实施例提供的一种钢卷端面的缺陷判别方法的步骤s2的细节流程图。

图5为本发明第一实施例提供的一种钢卷端面的缺陷判别方法中步骤s4的细节流程图。

图6为本发明第二实施例提供的一种钢卷端面的缺陷判别系统的模块图。

图7为本发明第二实施例提供的一种钢卷端面的缺陷判别系统中图像划分单元的模块图。

图8为本发明第三实施例提供的一种电子设备的模块图。

附图标记说明：

1、对抗网络获取单元；2、图像划分单元；3、二次编码单元；4、缺陷判别单元；5、缺陷位置确认单元

21、图像块获取单元；22、批处理单元；

10、存储器；20、处理器；

【具体实施方式】

为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，本发明第一实施例提供一种钢卷端面的缺陷判别方法，包括以下步骤：

步骤s1：获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络。

可以理解，所述初始对抗网络可基于输入的无缺陷的真实钢卷端面图像进行训练，以根据无缺陷的真实钢卷端面图像进行模拟，输出与无缺陷的真实钢卷端面图像相似的图像，以获得对应的钢卷端面对抗网络。

步骤s2：获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块，并提取每一第一图像块对应的第一特征向量。

可以理解，在步骤s2中，将待测钢卷端面图像均分为多个第一图像块，既减少了因所述真实钢卷端面图像过大对所述初始对抗网络训练过程中的计算压力，又使得当所述待测钢卷端面图像中具有缺陷时，可根据多个第一图像块中出现缺陷的图像块进行定位，获取所述缺陷的位置。

步骤s3：基于多个第一图像块，所述待测钢卷端面对抗网络以输出每一第一图像块多个对应的重构图像，并将每一所述重构图像进行特征提取，获得第二特征向量。

可以理解，基于对抗网络输出的重构图像，进一步提取重构图像对应的第二特征向量，以在后续步骤中计算出多个第一特征向量与对应第二特征向量之间的多个第一损失值，以避免输出的重构图像与待测钢卷端面图像针对多个像素点的损失值计算，减少了计算量，提高识别效率。

步骤s4：计算第一特征向量与对应的第二特征向量之间的第一损失值，依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，并基于判断结果判定所述待测钢卷端面图像是否含有缺陷。

可以理解，所述第一阈值可基于具体的钢卷端面的图像数据场景统计，例如，在本实施例中，所述第一阈值可以设置为10，也可以根据缺陷识别的需要对阈值进行调整，以改变缺陷识别的精度。

请继续参阅图1，可选地，在步骤s4之后还包括：

步骤s5：确认第一损失值超过第一阈值的所有第二图像块的数量，获得超过第一损失值的第二图像块在待测钢卷端面图像上的位置。

可以理解，在步骤s5中，基于多个第二图像块中第一损失值超过第一阈值的数量，以定位超过第一损失值的第二图像块在待测钢卷端面图像上的位置，以找出所述缺陷在钢卷端面图像中的位置。

请参阅图2，可选地，上述步骤s1之前还包括：

步骤s100：获取一无缺陷的真实钢卷端面图像，并将所述真实钢卷端面图像均分为多个第二图像块。及

可以理解，在步骤s100中，将所述真实钢卷端面图像均分为多个第二图像块，使得初始对抗网络可逐次对所述真实钢卷端面图像进行处理，减少了因所述真实钢卷端面图像过大对所述初始对抗网络训练过程中的计算压力。

请参阅图3，步骤s1：获取一具有缺陷的钢卷端面图像。步骤s1具体包括步骤s11～s15：

步骤s11：获取一初始对抗网络，将无缺陷的真实钢卷端面图像输入至所述初始对抗网络；

步骤s12：初始对抗网络对无缺陷的真实钢卷端面图像进行模拟重构的迭代计算，输出一符合要求的无缺陷的模拟钢卷端面图像；

步骤s13：提取真实钢卷端面图像的真实特征向量，并提取模拟钢卷端面图像的模拟特征向量，并计算真实特征向量与模拟特征向量的第二损失值；

步骤s14：判断真实特征向量与模拟特征向量的第二损失值是否超过第二阈值，若是，则回到步骤s12，若否，则进入步骤s15；及

步骤s15：记录所述无缺陷的模拟钢卷端面图像，获得钢卷端面对抗网络。

可以理解，在步骤s11中，将无缺陷的真实钢卷端面图像输入至所述初始对抗网络，使得所述初始对抗网络在训练时仅需要无缺陷的真实钢卷端面图像，避免了含有真实缺陷的钢卷端面图像进行训练，减少了对含有真实缺陷的钢卷端面图像的依赖。

可以理解，在步骤s12中，可基于生成对抗网络—gan(generativeadversarialnetwork)对无缺陷的真实钢卷端面图像进行模拟重构的迭代计算，输出一符合要求的无缺陷的模拟钢卷端面图像，gan网络可基于输入的无缺陷的真实钢卷端面图像进行模拟重构以获得一初始模拟无缺陷图像，通过gan网络内的判别网络层对初始模拟无缺陷图像进行判断，以判定所述初始模拟无缺陷图像是否为无缺陷的真实钢卷端面图像，若否，则返回重新模拟重构，多次迭代后输出符合要求的(也即gan网络内的判别网络层认为模拟重构的图像为真)无缺陷的模拟钢卷端面图像。

可以理解，在步骤s13中，基于gan对抗网络，在输出符合要求的无缺陷的模拟钢卷端面图像后，提取真实钢卷端面图像的真实特征向量，及提取模拟钢卷端面图像的模拟特征向量，以计算真实特征向量与模拟特征向量的第二损失值，并通过步骤s14，判断第二损失值是否超过预设阈值，进过多次迭代计算以后，记录符合要求的所述无缺陷的模拟钢卷端面图像，并对初始对抗网络进行反向传播求取梯度和参数更新，以获得钢卷端面对抗网络。

可以理解，步骤s13中的第二阈值与第一阈值具有相同含义，也即第二阈值也可根据缺陷识别需要进行调整，以适应不同精度的缺陷识别工作。

可以理解，步骤s11～s15仅为该实施例的一种实施方式，其实施方式并不限定于步骤s11～s15。

请参阅图4，步骤s2：获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块，并提取每一第一图像块对应的第一特征向量。步骤s2具体包括步骤s21～s22：

步骤s21：获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块；及

步骤s22：基于多个第一图像块分别组合为多个批数据，并将多个批数据依次输入至钢卷端面对抗网络，以提取每一第一图像块对应的第一特征向量。

可以理解，在步骤s22中，将多个第一图像块分别组合为多个批数据，以将多个批数据依次输入至钢卷端面对抗网络，降低了神经网络同时对整张图像的输入计算量。

可以理解，所述损失值为在对抗网络中基于真实钢卷端面图像模拟重构而生成模拟图像的计算过程造成的损失，导致真实钢卷端面图像与模拟图像之间具有的特征差异。

可以理解，步骤s21～s22仅为该实施例的一种实施方式，其实施方式并不限定于步骤s21～s22。

请参阅图5，步骤s4：计算第一特征向量与对应的第二特征向量之间的第一损失值，依次判断第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，并基于判断结果判定所述待测钢卷端面图像是否含有缺陷。步骤s4具体包括步骤s41～s44：

步骤s41：计算第一特征向量与对应的第二特征向量之间的第一损失值；

步骤s42：依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，若是，则进入步骤s43，若否，则进入步骤s44；

步骤s43：判定待测钢卷端面图像有缺陷；及

步骤s44：判定待测钢卷端面图像无缺陷。

可以理解，在步骤s42中，通过依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，以确认至少一个第一图像块是否含有缺陷，进而判断出所述待测钢卷端面图像是否含有缺陷。进一步，基于确认的含有缺陷的当前第一图像块，可定位缺陷在所述待测钢卷端面图像中的位置。

可以理解，步骤s41～s44仅为该实施例的一种实施方式，其实施方式并不限定于步骤s41～s44。

请参阅图6，本发明第二实施例还提供一种钢卷端面的缺陷判别系统。该钢卷端面的缺陷判别系统可以包括：

对抗网络获取单元1，用于获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络；

图像划分单元2，用于获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块，并提取每一第一图像块对应的第一特征向量；

二次编码单元3，用于基于多个第一特征向量，所述待测钢卷端面对抗网络以输出每一第一图像块对应的多个的重构图像，并将每一所述重构图像进行特征提取，获得第二特征向量；及

缺陷判别单元4，用于计算第一特征向量与对应的第二特征向量之间的第一损失值，依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，并基于判断结果判定所述待测钢卷端面图像是否含有缺陷。

请继续参阅图6，本发明第二实施例提供的钢卷端面的缺陷判别系统还包括：

缺陷位置确认单元5，用于确认所有第二图像块中的第一损失值超过第一阈值的数量，获得超过第一损失值的第二图像块在待测钢卷端面图像上的位置。

请参阅图7，所述图像划分单元2还包括：

图像块获取单元21，用于获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块；及

批处理单元22，用于基于多个第一图像块分别组合为多个批数据，并将多个批数据依次输入至钢卷端面对抗网络，以提取每一第一图像块对应的第一特征向量。

可以理解，本发明第二实施例提供的一种钢卷端面的缺陷判别系统特别适用于判别钢卷端面缺陷特征识别的缺陷判别系统，该系统可判别出钢卷端面图像中是否含有缺陷，并可获取具有缺陷的钢卷端面图像的缺陷位置，可降低钢卷端面缺陷特征识别的缺陷判别系统在训练时仅需要无缺陷的真实钢卷端面图像，避免了含有真实缺陷的钢卷端面图像进行训练，减少了对含有真实缺陷的钢卷端面图像的依赖。

有关所述钢卷端面的缺陷判别系统其他的限定内容，与本发明第一实施例中所述钢卷端面的缺陷判别方法中的具体限定相同，在此不再赘述。

请参阅图8，本发明第三实施例提供一种用于实施上述钢卷端面的缺陷判别方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项钢卷端面的缺陷判别方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项钢卷端面的缺陷判别方法实施例中的步骤。

可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。

具体地，所述电子设备特别适用于判别钢卷端面缺陷特征识别的缺陷判别设备中，该电子设备可判别出钢卷端面图像中是否含有缺陷，并可获取具有缺陷的钢卷端面图像的缺陷位置，可降低钢卷端面缺陷特征识别的缺陷判别设备在训练时仅需要无缺陷的真实钢卷端面图像，避免了含有真实缺陷的钢卷端面图像进行训练，减少了对含有真实缺陷的钢卷端面图像的依赖。

与现有技术相比，本发明提供的一种钢卷端面的缺陷判别方法、系统及电子设备，具有以下优点：

1、在钢卷端面缺陷识别领域，通过获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络，使得所述初始对抗网络在训练时仅需要无缺陷的真实钢卷端面图像，避免了需要使用含有真实缺陷的钢卷端面图像进行训练，减少了对含有真实缺陷的钢卷端面图像的依赖。进一步，通过输入的多个第一图像块输出多个对应的重构图像，并将每一重构图像进一步地进行特征提取以获得第二特征向量，通过计算出多个第一特征向量与对应第二特征向量之间的多个第一损失值以判定所述待测钢卷端面图像是否含有缺陷，使得所述钢卷端面对抗网络可判定钢卷端面图像缺陷的有无，同时，避免了输出的重构图像与待测钢卷端面图像针对多个像素点的损失值计算，减少了计算量，提高钢卷端面的缺陷的识别效率。

2、通过将所述真实钢卷端面图像均分为多个第二图像块，使得对抗网络可依次对所述输入的图像进行处理，减少了因所述真实钢卷端面图像过大对所述初始对抗网络训练过程中的计算压力。

3、通过确认所有第二图像块中的第一损失值超过第一阈值的数量，获得超过第一损失值的第二图像块在待测钢卷端面图像上的位置，定位超过第一损失值的第二图像块在待测钢卷端面图像上的位置，以找出所述缺陷在钢卷端面图像中的位置。

4、通过将所述待测钢卷端面图像均分为多个第一图像块，基于多个第一图像块分别组合为多个批数据，并将多个批数据依次输入至钢卷端面对抗网络，以将多个批数据依次输入至钢卷端面对抗网络，降低了神经网络同时对整张图像的输入计算量。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。

在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。

计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括对抗网络获取单元、图像划分单元、二次编码单元以及缺陷判别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，对抗网络获取单元还可以被描述为“获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络的单元”。

作为另一方面，本申请还提供了一种计算机存储器，该计算机存储器可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机存储器承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取一初始对抗网络，用无缺陷的真实钢卷端面图像对所述初始对抗网络进行训练，获得钢卷端面对抗网络，获取一待测钢卷端面图像，将待测钢卷端面图像均分为多个第一图像块，并提取每一第一图像块对应的第一特征向量，基于多个第一特征向量，所述待测钢卷端面对抗网络以输出每一第一图像块对应的多个的重构图像，并将每一所述重构图像进行特征提取，获得第二特征向量；及计算第一特征向量与对应的第二特征向量之间的第一损失值，依次判断每一第一特征向量与对应第二特征向量之间的第一损失值是否超过第一阈值，并基于判断结果判定所述待测钢卷端面图像是否含有缺陷。

以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。