CN112766110A - 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 - Google Patents
物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 Download PDFInfo
- Publication number
- CN112766110A CN112766110A CN202110023478.6A CN202110023478A CN112766110A CN 112766110 A CN112766110 A CN 112766110A CN 202110023478 A CN202110023478 A CN 202110023478A CN 112766110 A CN112766110 A CN 112766110A
- Authority
- CN
- China
- Prior art keywords
- defect
- image
- model
- training
- identification
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 600
- 238000012549 training Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000002950 deficient Effects 0.000 claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 12
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000004807 localization Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002645 vision therapy Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种物体缺陷识别模型的训练方法、物体缺陷识别方法及装置，该物体缺陷识别模型的训练方法包括：获取物体的训练样本图像；通过物体缺陷识别模型中的缺陷定位分割子模型确定有缺陷训练图像中的缺陷区域，并将其从有缺陷训练图像中分割出来，得到缺陷区域图像；通过物体缺陷识别模型中的缺陷分类子模型对缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值；根据缺陷类别识别损失值更新物体缺陷识别模型的参数。本申请的训练方法能够避免图像中其他无关信息对于缺陷类别识别的干扰，使得模型的识别效率和准确率均较高，且训练得到的模型对于不同类型的缺陷的泛化能力较好，降低了物体缺陷识别的成本。
Description
技术领域
本申请涉及机器视觉技术领域，具体涉及一种物体缺陷识别模型的训练方法、物体缺陷识别方法及装置。
背景技术
随着我国工业自动化和智能化的升级改造，目前在质检领域，仍有很多企业通过有经验的质检人员来判断工件或产品是否合格，然而这种方式需要依靠质检人员的主观判断，存在效率低、成本高、容易漏检和误检等问题。
近几年人工智能的快速兴起和发展，使得机器视觉技术在质检领域得到了更多应用，然而现有的基于机器视觉训练得到的物体缺陷识别模型对于不同类型的缺陷的泛化能力较差，需要针对每个类型的缺陷重新开发提取缺陷特征的算法，难度大，且成本较高。
发明内容
鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的物体缺陷识别模型的训练方法、物体缺陷识别方法及装置。
依据本申请的第一方面，提供了一种物体缺陷识别模型的训练方法，所述方法包括：
获取物体的训练样本图像，其中所述训练样本图像包括有缺陷训练图像和无缺陷训练图像；
通过物体缺陷识别模型中的缺陷定位分割子模型确定所述有缺陷训练图像中的缺陷区域，并将所述缺陷区域从所述有缺陷训练图像中分割出来，得到缺陷区域图像；
通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值，所述缺陷类别识别结果包括已知缺陷图像或未知缺陷图像；
根据所述缺陷类别识别损失值更新所述物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。
可选地，所述缺陷定位分割子模型通过如下方式训练得到：
通过所述缺陷定位分割子模型中的编码器对所述有缺陷训练图像进行处理，得到所述有缺陷训练图像的特征向量；
通过所述缺陷定位分割子模型的解码器对所述有缺陷训练图像的特征向量进行处理，得到重建图像；
根据所述有缺陷训练图像和所述重建图像之间的损失值，更新所述缺陷定位分割子模型的参数，得到训练后的缺陷定位分割子模型。
可选地，所述方法还包括：
对所述训练样本图像进行预处理，得到预处理图像，以通过所述物体缺陷识别模型中的缺陷定位分割子模型确定所述预处理图像中的缺陷区域，并将所述缺陷区域从所述预处理图像中分割出来，得到所述缺陷区域图像。
可选地，所述缺陷类别识别结果通过如下方式得到：
计算所述缺陷区域图像的缺陷特征向量与各已知缺陷图像的特征向量的欧几里得距离；
根据所述欧几里得距离确定所述缺陷区域图像属于各已知缺陷图像的置信度；
若所述置信度超过相应的预设置信度阈值，则确定所述缺陷区域图像属于相应的已知缺陷图像；
若所述置信度均未超过相应的预设置信度阈值，则确定所述有缺陷训练图像属于所述未知缺陷图像；
其中所述预设置信度阈值根据业务场景确定得到。
可选地，所述方法还包括：
获取测试样本图像；
利用所述测试样本图像对训练后的物体缺陷识别模型进行测试，得到测试结果；
若所述测试结果通过，则将训练后的物体缺陷识别模型发送至产线***。
依据本申请的第二方面，提供了一种物体缺陷识别方法，所述方法包括：
获取目标物体的待检测图像；
通过所述物体缺陷识别模型中的缺陷定位子模型，对所述待检测图像进行缺陷特征提取，得到缺陷特征向量，并根据所述缺陷特征向量确定所述待检测图像中的缺陷区域；
通过所述物体缺陷识别模型中的缺陷分割子模型，将所述缺陷区域从所述待检测图像中分割出来，得到缺陷区域图像；
通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到物体缺陷类别识别结果，所述物体缺陷类别识别结果包括已知缺陷图像或未知缺陷图像，其中所述物体缺陷识别模型基于如前任一项所述的物体缺陷识别模型的训练方法训练得到。
可选地，所述物体缺陷识别模型包括多个，所述方法还包括：
接收物体缺陷识别任务；
根据所述物体缺陷识别任务，通过物体属性分类模型确定所述目标物体的属性类型；
根据所述目标物体的属性类型调用相应的物体缺陷识别模型，并通过所述物体缺陷识别模型对所述目标物体进行缺陷识别，得到所述物体缺陷识别结果。
可选地，所述目标物体的属性类型包括至少如下一种维度：目标物体的产线、目标物体的产品类型、目标物体的工艺段和目标物体的面板类型。
可选地，所述缺陷分类子模型包括多个，所述通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到所述物体缺陷识别结果包括：
确定所述缺陷区域的尺寸；
根据所述缺陷区域的尺寸调用相应的缺陷分类子模型，以根据相应的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别。
依据本申请的第三方面，提供了一种物体缺陷识别模型训练装置，所述装置包括：
第一获取单元，用于获取物体的训练样本图像，其中所述训练样本图像包括有缺陷训练图像和无缺陷训练图像；
缺陷定位分割单元，用于通过物体缺陷识别模型中的缺陷定位分割子模型确定所述有缺陷训练图像中的缺陷区域，并将所述缺陷区域从所述有缺陷训练图像中分割出来，得到缺陷区域图像；
第一缺陷分类单元，用于通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值；
更新单元，用于根据所述缺陷类别识别损失值更新所述物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。
依据本申请的第四方面，提供了一种物体缺陷识别装置，所述装置包括：
第二获取单元，用于获取目标物体的待检测图像；
缺陷特征提取单元，用于通过所述物体缺陷识别模型中的缺陷定位子模型，对所述待检测图像进行缺陷特征提取，得到缺陷特征向量，并根据所述缺陷特征向量确定所述待检测图像中的缺陷区域；
缺陷分割单元，用于通过所述物体缺陷识别模型中的缺陷分割子模型，将所述缺陷区域从所述待检测图像中分割出来，得到缺陷区域图像；
第二缺陷分类单元，用于通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到物体缺陷类别识别结果，所述物体缺陷类别识别结果包括已知缺陷图像或未知缺陷图像，其中所述物体缺陷识别模型基于前述的物体缺陷识别模型训练装置训练得到。
依据本申请的第五方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行实现如前任一项所述的物体缺陷识别模型的训练方法，或者如前任一项所述的物体缺陷识别方法。
依据本申请的第六方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如前任一项所述的物体缺陷识别模型的训练方法，或者如前任一项所述的物体缺陷识别方法。
由上述可知，本申请的技术方案至少达到了如下的技术效果：本申请实施例的物体缺陷识别模型的训练方法，先获取了物体的训练样本图像，具体包括有缺陷训练图像和无缺陷训练图像；然后通过物体缺陷识别模型中的缺陷定位分割子模型确定有缺陷训练图像中的缺陷区域，并将缺陷区域从有缺陷训练图像中分割出来，得到缺陷区域图像；之后通过物体缺陷识别模型中的缺陷分类子模型对缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值，具体包括已知缺陷图像或未知缺陷图像；最后根据缺陷类别识别损失值更新物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。本申请实施例的物体缺陷识别模型的训练方法通过将图像中的缺陷区域分割出来进行缺陷类别的识别，避免了图像中其他无关信息对于缺陷类别识别的干扰，使得模型的识别效率和准确率均较高，且本申请实施例训练得到的物体缺陷识别模型对于不同类型的缺陷的泛化能力均较好，不需要针对每个类型的缺陷重新开发提取缺陷特征的算法，大大降低了物体缺陷识别的成本。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了根据本申请一个实施例的物体缺陷识别模型的网络结构示意图；
图2示出了根据本申请一个实施例的物体缺陷识别模型的训练方法的流程示意图；
图3示出了根据本申请一个实施例的缺陷定位分割子模型的训练流程示意图；
图4示出了根据本申请一个实施例的物体缺陷识别方法的流程示意图；
图5示出了根据本申请一个实施例的物体缺陷识别流程示意图；
图6示出了根据本申请一个实施例的物体缺陷识别模型的训练装置的结构示意图；
图7示出了根据本申请一个实施例的物体缺陷识别装置的结构示意图；
图8示出了根据本申请一个实施例的电子设备的结构示意图；
图9示出了根据本申请一个实施例的计算机可读存储介质的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。
如图1所示，提供了本申请实施例的一种物体缺陷识别模型的网络结构示意图，本申请实施例的物体缺陷识别模型主要包括缺陷定位分割子模型和缺陷分类子模型两部分网络结构。缺陷定位分割子模型具体可细分为缺陷定位子模型和缺陷分割子模型，用于实现对图像中的缺陷定位和分割。缺陷分类子模型则主要用于实现对具体缺陷类别的识别。
基于此，本申请实施例提供了一种物体缺陷识别模型的训练方法，如图2所示，所述物体缺陷识别模型的训练方法包括如下的步骤S210至步骤S240：
步骤S210，获取物体的训练样本图像，其中所述训练样本图像包括有缺陷训练图像和无缺陷训练图像。
在进行物体缺陷识别模型的训练时，可以先获取一定数量的训练样本图像，这里的训练样本图像可以包括已标注过的有缺陷训练图像和无缺陷训练图像。如果物体缺陷识别模型应用于工件缺陷识别的场景，则可以采用高清摄像头等专业成像设备对工件进行全方位扫描或拍摄，进而得到工件的训练样本图像。
当然，具体如何获取物体的训练样本图像，本领域技术人员可以根据实际情况灵活选择，在此不作具体限定。
步骤S220，通过物体缺陷识别模型中的缺陷定位分割子模型确定所述有缺陷训练图像中的缺陷区域，并将所述缺陷区域从所述有缺陷训练图像中分割出来，得到缺陷区域图像。
在得到物体的训练样本图像后，可以通过物体缺陷识别模型中的缺陷定位分割子模型来定位出有缺陷训练图像中的缺陷区域，具体可以包括缺陷区域在有缺陷训练图像中的位置坐标，然后将缺陷区域从有缺陷训练图像中分割出来，得到缺陷区域图像，以便于后续针对缺陷区域图像进缺陷类别的识别。
步骤S230，通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值，所述缺陷类别识别结果包括已知缺陷图像或未知缺陷图像。
在得到缺陷区域图像后，可以通过物体缺陷识别模型中的缺陷分类子模型对缺陷区域图像进行缺陷类别的识别，进而得到缺陷类别识别结果和缺陷类别识别损失值。这里的物体缺陷类别识别结果具体可以包括有缺陷训练图像中的缺陷区域属于已知缺陷还是未知缺陷，如果是已知缺陷，具体是哪一类已知缺陷。缺陷类别识别损失值则可以理解为是物体缺陷识别模型识别出的缺陷类别与有缺陷训练图像中实际标注的缺陷类别之间的误差。
步骤S240，根据所述缺陷类别识别损失值更新所述物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。
在得到缺陷类别识别损失值后，可以利用缺陷类别识别损失值来反向更新物体缺陷识别模型的参数，若更新后的物体缺陷识别模型能够满足特定应用场景下的性能要求，则结束对物体缺陷识别模型的训练过程。
相比于现有的物体缺陷识别模型的训练方法，本申请实施例通过将缺陷区域分割出来后只对缺陷区域进行分类，可以避免过度地对图像中其他无关的特征进行学习，进而影响模型整体的训练效率和识别准确率，也即本申请实施例的物体缺陷识别模型的训练方法通过强化和针对性地学习缺陷部位的特征，能够提高模型的识别效率和识别准确率，且最终训练得到的物体缺陷识别模型对于不同类型的缺陷的泛化能力均较好，不需要针对每个类型的缺陷重新开发提取缺陷特征的算法，大大降低了物体缺陷识别的成本。
在本申请的一个实施例中，上述物体缺陷识别模型中的缺陷定位分割子模型可以单独训练得到，这里可以采用现有技术中的自动编码器作为缺陷定位分割子模型的基本骨架网络。自动编码器(autoencoder,AE)是一类在无监督学习中使用的人工神经网络，其原理是通过将输入信息作为学习目标，对输入信息进行表征学习。如果输入信息中存在某种潜在空间表征(即输入特征之间存在相关性)，则通过自动编码器可以学习到这种表征，然后通过这种表征来重构输出。自动编码器通常包含编码器(encoder)和解码器(decoder)两部分，编码器用于将输入转换成内部表示，解码器则用于将内部表示转换成输出。
如图3所示，在训练缺陷定位分割子模型时，先将上述有缺陷训练图像作为输入信息输入到编码器中进行编码处理，可以得到有缺陷训练图像的特征向量，作为潜在的空间表征；然后通过解码器对上述有缺陷训练图像的特征向量进行学习和重构，可以得到重建图像；最后根据解码器输出的重建图像和输入到编码器中的有缺陷训练图像来计算重建损失，根据重建损失来更新编码器和解码器的参数，进而得到训练后的缺陷定位分割子模型。
上述训练过程的目的是为了使自动编码器能够学习到有缺陷训练图像中缺陷区域的潜在空间表征，如果最后得到的重建损失越小，说明解码器输出的重建图像和输入到编码器中的有缺陷训练图像越相似，即自动编码器已经很好地学习到了有缺陷训练图像中缺陷特征的空间表征，进而可以使得训练后的缺陷定位分割子模型能够实现像素级的缺陷定位和分割，准确率更高，也为后续缺陷类别的准确识别提供了基础。此外，上述缺陷定位分割子模型可以通过自学习的方式自动定位和分割缺陷，训练后的缺陷定位分割子模型在应用到物体缺陷识别场景中时，无需事先手动标记缺陷位置，大大节省了人工标注成本，简化了模型的训练难度，提高了模型和训练效率。
在本申请的一个实施例中，在通过缺陷定位分割子模型对有缺陷训练图像中的缺陷区域进行定位和分割之前，还可以对训练样本图像先进行一系列的预处理，得到预处理图像，进而可以将预处理图像作为后续缺陷定位、分割和分类的基础，提高模型整体的训练效率和准确率。
这里采用的图像预处理的方法可以有多种，例如，如果实际业务场景对于图像色彩的要求不高，可以将采集到的彩色图像进行灰度处理，转化为灰度图像，避免过度地对颜色信息进行学习，提高模型的训练效率。此外，还可以对测试样本图像进行图像增强处理，增强图像中的有用信息，图像增强处理可以是一个失真的过程，其目的是要改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，扩大图像中不同物体特征之间的差别，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。
当然，除了上述列举的两种图像预处理方法，本领域技术人员也可以根据实际需要设置其他的预处理方法，在此不作具体限定。
在本申请的一个实施例中，在确定缺陷类别识别结果时，可以计算缺陷区域图像的缺陷特征向量与各已知缺陷图像的特征向量之间的欧几里得距离，然后根据欧几里得距离确定缺陷区域图像属于各已知缺陷图像的置信度，如果缺陷区域图像的缺陷特征向量与某一目标类别的缺陷图像的特征向量之间的欧几里得距离比较近，则将缺陷区域图像分成目标类别的置信度就会较高，反之则置信度较低。
这里可以根据实际的业务场景来预先设置不同的置信度阈值，如果置信度超过相应的预设置信度阈值，则确定缺陷区域图像属于相应的已知缺陷图像的类别；如果置信度均未超过相应的预设置信度阈值，则确定有缺陷训练图像属于未知缺陷图像，即说明该缺陷区域图像不属于目前已标注的已知缺陷图像中的任何一类，可以将其作为后续增量训练模型和优化模型的基础。
在本申请的一个实施例中，为了测试物体缺陷识别模型的识别性能是否满足实际业务场景的要求，可以对物体缺陷识别模型进行测试。这里可以先获取一定数量的测试样本图像，然后将测试样本图像输入到训练后的物体缺陷识别模型中进行测试，得到测试结果。测试结果具体可以包括识别准确率和召回率等模型性能评价指标，如果测试结果满足实际业务场景的要求，则可以将训练后的物体缺陷识别模型发送至相应的产线***，以使产线***可以进行模型的部署上线，如果不满足要求，则可以根据测试结果对模型进行进一步优化。
在本申请的一个实施例中，上述训练过程适用于不同业务场景下物体缺陷识别模型的训练，因此可根据不同的业务场景需求分别训练相应的物体缺陷识别模型。例如，对于A类型的工件，可以采集一定数量的A类型的工件图像，并以此训练得到一个物体缺陷识别模型X1，对于B类型的工件，可以采集一定数量的B类型的工件图像，并以此训练得到一个物体缺陷识别模型X2。
本申请实施例提供了一种物体缺陷识别方法，如图4所示，所述物体缺陷识别方法包括至少如下的步骤S410至步骤S440：
步骤S410，获取目标物体的待检测图像。
在进行物体缺陷识别时，可以先获取目标物体的待检测图像，这里的目标物体是指实际应用场景下需要进行缺陷识别的任何物体，例如，对于工件缺陷识别，目标物体就可以为工件，通过高清摄像头等专业成像设备对工件进行全方位扫描或拍摄，进而得到工件的待检测图像。
步骤S420，通过所述物体缺陷识别模型中的缺陷定位子模型，对所述待检测图像进行缺陷特征提取，得到缺陷特征向量，并根据所述缺陷特征向量确定所述待检测图像中的缺陷区域。
在得到目标物体的待检测图像后，可以通过物体缺陷识别模型中的缺陷定位子模型，对待检测图像进行缺陷特征提取，得到缺陷特征向量，然后将缺陷特征向量映射回原来的待检测图像中，进而可以得到待检测图像中的缺陷区域。
步骤S430，通过所述物体缺陷识别模型中的缺陷分割子模型，将所述缺陷区域从所述待检测图像中分割出来，得到缺陷区域图像。
为了避免图像中其他无关的特征对于缺陷识别的干扰，这里可以通过物体缺陷识别模型中的缺陷分割子模型，将缺陷区域从待检测图像中分割出来，进而得到缺陷区域图像，作为后续缺陷类别识别的基础。
步骤S440，通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到物体缺陷类别识别结果，所述物体缺陷类别识别结果包括已知缺陷图像或未知缺陷图像，其中所述物体缺陷识别模型基于前述的物体缺陷识别模型的训练方法训练得到。
在得到缺陷区域图像后，可以通过物体缺陷识别模型中的缺陷分类子模型对缺陷区域图像进行缺陷类别的识别，进而得到物体缺陷类别识别结果。这里的物体缺陷识别结果具体可以包括缺陷区域图像中的缺陷属于已知缺陷还是未知缺陷，如果是已知缺陷，具体是哪一类已知缺陷。
本申请实施例的物体缺陷识别方法利用事先训练好的物体缺陷识别模型对待检测图像中的缺陷进行定位、分割和分类，相比于现有的缺陷识别方法，识别效率和识别准确率更高。
如前所述，实际应用场景下，会根据不同的业务需求训练多个物体缺陷识别模型，因此，如图5所示，在本申请的一个实施例中，可以先接收物体缺陷识别任务，物体缺陷识别任务可以由具体的任务***来下发，物体缺陷识别任务中会携带有待识别的目标物体的信息，因此根据接收到的物体缺陷识别任务，可以利用事先训练好的物体属性分类模型确定目标物体的属性类型；最后再根据目标物体的属性类型自动适配相应的物体缺陷识别模型，以对目标物体进行缺陷识别。
实际应用场景下，由于产线、产品类型、工艺段和面板类型等工件属性的不同，对应的工件形态也不同，进而导致对工件缺陷分类的尺度也不同，因此训练阶段可以从产线、产品类型、工艺段和面板类型中的任意一个或多个维度分别训练相应的物体缺陷识别模型。基于此，在本申请的一个实施例中，在根据目标物体的属性类型调用相应的物体缺陷识别模型时，就可以从目标物体所属的产线、产品类型、工艺段和面板类型等维度来确定要调用的物体缺陷识别模型。
此外，由于缺陷定位子模型定位出的缺陷区域的尺寸大小不同，对缺陷分类结果也会造成影响，为了进一步降低分类结果的大跨度所导致的误判概率，也可以在训练阶段根据不同尺寸的缺陷区域训练多个缺陷分类子模型。基于此，在本申请的一个实施例中，在通过物体缺陷识别模型中的缺陷分类子模型对缺陷区域图像进行缺陷类别的识别时，可以先确定缺陷区域的尺寸，然后根据缺陷区域的尺寸自动适配相应的缺陷分类子模型，以根据相应的缺陷分类子模型对缺陷区域图像进行缺陷类别的识别。
当然，除了上述提及的产线、产品类型、工艺段、面板类型以及缺陷区域的尺寸等维度的信息，本领域技术人员也可以根据实际需求灵活设置其他维度的信息并进行相应的模型训练，在此不一一列举。
本申请实施例提供了一种物体缺陷识别模型训练装置600，如图6所示，所述装置600包括：
第一获取单元610，用于获取物体的训练样本图像，其中所述训练样本图像包括有缺陷训练图像和无缺陷训练图像；
缺陷定位分割单元620，用于通过物体缺陷识别模型中的缺陷定位分割子模型确定所述有缺陷训练图像中的缺陷区域，并将所述缺陷区域从所述有缺陷训练图像中分割出来，得到缺陷区域图像；
第一缺陷分类单元630，用于通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值；
更新单元640，用于根据所述缺陷类别识别损失值更新所述物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。
在本申请的一个实施例中，所述装置还包括：预处理单元，用于对所述训练样本图像进行预处理，得到预处理图像，以通过所述物体缺陷识别模型中的缺陷定位分割子模型确定所述预处理图像中的缺陷区域，并将所述缺陷区域从所述预处理图像中分割出来，得到所述缺陷区域图像。
在本申请的一个实施例中，所述装置还包括：第三获取单元，用于获取测试样本图像；测试单元，用于利用所述测试样本图像对训练后的物体缺陷识别模型进行测试，得到测试结果；发送单元，用于若所述测试结果通过，则将训练后的物体缺陷识别模型发送至产线***。
本申请实施例提供了一种物体缺陷识别装置700，如图7所示，所述装置700包括：
第二获取单元710，用于获取目标物体的待检测图像；
缺陷特征提取单元720，用于通过所述物体缺陷识别模型中的缺陷定位子模型，对所述待检测图像进行缺陷特征提取，得到缺陷特征向量，并根据所述缺陷特征向量确定所述待检测图像中的缺陷区域；
缺陷分割单元730，用于通过所述物体缺陷识别模型中的缺陷分割子模型，将所述缺陷区域从所述待检测图像中分割出来，得到缺陷区域图像；
第二缺陷分类单元740，用于通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到物体缺陷类别识别结果，所述物体缺陷类别识别结果包括已知缺陷图像或未知缺陷图像，其中所述物体缺陷识别模型基于如前所述的物体缺陷识别模型训练装置训练得到。
在本申请的一个实施例中，所述物体缺陷识别模型包括多个，所述装置还包括：接收单元，用于接收物体缺陷识别任务；物体属性分类单元，用于根据所述物体缺陷识别任务，通过物体属性分类模型确定所述目标物体的属性类型；调用单元，用于根据所述目标物体的属性类型调用相应的物体缺陷识别模型，并通过所述物体缺陷识别模型对所述目标物体进行缺陷识别，得到所述物体缺陷识别结果。
在本申请的一个实施例中，所述缺陷分类子模型包括多个，所述第二缺陷分类单元740具体用于：确定所述缺陷区域的尺寸；根据所述缺陷区域的尺寸调用相应的缺陷分类子模型，以根据相应的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别。
需要说明的是，上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。
综上所述，本申请的至少达到了如下的技术效果：本申请的物体缺陷识别模型的训练方法通过将图像中的缺陷区域分割出来进行缺陷类别的识别，避免了图像中其他无关信息对于缺陷类别识别的干扰，使得模型的识别效率和准确率均较高，且本申请实施例训练得到的物体缺陷识别模型对于不同类型的缺陷的泛化能力均较好，不需要针对每个类型的缺陷重新开发提取缺陷特征的算法，大大降低了后续物体缺陷识别的成本。
需要说明的是：
在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的物体缺陷识别模型的训练装置或者物体缺陷识别装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
例如，图8示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备800包括处理器810和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器820。存储器820可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器820具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码831的存储空间830。例如，用于存储计算机可读程序代码的存储空间830可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码831。计算机可读程序代码831可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图9所示的计算机可读存储介质。图9示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质900存储有用于执行根据本申请的方法步骤的计算机可读程序代码831，可以被电子设备800的处理器810读取，当计算机可读程序代码831由电子设备800运行时，导致该电子设备800执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码831可以执行上述任一实施例中示出的方法。计算机可读程序代码831可以以适当形式进行压缩。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (13)
1.一种物体缺陷识别模型的训练方法，其特征在于，所述方法包括：
获取物体的训练样本图像，其中所述训练样本图像包括有缺陷训练图像和无缺陷训练图像；
通过物体缺陷识别模型中的缺陷定位分割子模型确定所述有缺陷训练图像中的缺陷区域，并将所述缺陷区域从所述有缺陷训练图像中分割出来，得到缺陷区域图像；
通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值，所述缺陷类别识别结果包括已知缺陷图像或未知缺陷图像；
根据所述缺陷类别识别损失值更新所述物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。
2.根据权利要求1所述的方法，其特征在于，所述缺陷定位分割子模型通过如下方式训练得到：
通过所述缺陷定位分割子模型中的编码器对所述有缺陷训练图像进行处理，得到所述有缺陷训练图像的特征向量；
通过所述缺陷定位分割子模型的解码器对所述有缺陷训练图像的特征向量进行处理，得到重建图像；
根据所述有缺陷训练图像和所述重建图像之间的损失值，更新所述缺陷定位分割子模型的参数，得到训练后的缺陷定位分割子模型。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述训练样本图像进行预处理，得到预处理图像，以通过所述物体缺陷识别模型中的缺陷定位分割子模型确定所述预处理图像中的缺陷区域，并将所述缺陷区域从所述预处理图像中分割出来，得到所述缺陷区域图像。
4.根据权利要求1所述的方法，其特征在于，所述缺陷类别识别结果通过如下方式得到：
计算所述缺陷区域图像的缺陷特征向量与各已知缺陷图像的特征向量的欧几里得距离；
根据所述欧几里得距离确定所述缺陷区域图像属于各已知缺陷图像的置信度；
若所述置信度超过相应的预设置信度阈值，则确定所述缺陷区域图像属于相应的已知缺陷图像；
若所述置信度均未超过相应的预设置信度阈值，则确定所述有缺陷训练图像属于所述未知缺陷图像；
其中所述预设置信度阈值根据业务场景确定得到。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取测试样本图像；
利用所述测试样本图像对训练后的物体缺陷识别模型进行测试，得到测试结果；
若所述测试结果通过，则将训练后的物体缺陷识别模型发送至产线***。
6.一种物体缺陷识别方法，其特征在于，所述方法包括：
获取目标物体的待检测图像；
通过所述物体缺陷识别模型中的缺陷定位子模型，对所述待检测图像进行缺陷特征提取，得到缺陷特征向量，并根据所述缺陷特征向量确定所述待检测图像中的缺陷区域；
通过所述物体缺陷识别模型中的缺陷分割子模型，将所述缺陷区域从所述待检测图像中分割出来，得到缺陷区域图像；
通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到物体缺陷类别识别结果，所述物体缺陷类别识别结果包括已知缺陷图像或未知缺陷图像，其中所述物体缺陷识别模型基于如权利要求1至5任一项所述的物体缺陷识别模型的训练方法训练得到。
7.根据权利要求6所述的方法，其特征在于，所述物体缺陷识别模型包括多个，所述方法还包括：
接收物体缺陷识别任务；
根据所述物体缺陷识别任务，通过物体属性分类模型确定所述目标物体的属性类型；
根据所述目标物体的属性类型调用相应的物体缺陷识别模型，并通过所述物体缺陷识别模型对所述目标物体进行缺陷识别，得到所述物体缺陷识别结果。
8.根据权利要求7所述的方法，其特征在于，所述目标物体的属性类型包括至少如下一种维度：目标物体的产线、目标物体的产品类型、目标物体的工艺段和目标物体的面板类型。
9.根据权利要求8所述的方法，其特征在于，所述缺陷分类子模型包括多个，所述通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到所述物体缺陷识别结果包括：
确定所述缺陷区域的尺寸；
根据所述缺陷区域的尺寸调用相应的缺陷分类子模型，以根据相应的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别。
10.一种物体缺陷识别模型训练装置，其特征在于，所述装置包括：
第一获取单元，用于获取物体的训练样本图像，其中所述训练样本图像包括有缺陷训练图像和无缺陷训练图像；
缺陷定位分割单元，用于通过物体缺陷识别模型中的缺陷定位分割子模型确定所述有缺陷训练图像中的缺陷区域，并将所述缺陷区域从所述有缺陷训练图像中分割出来，得到缺陷区域图像；
第一缺陷分类单元，用于通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到缺陷类别识别结果和缺陷类别识别损失值；
更新单元，用于根据所述缺陷类别识别损失值更新所述物体缺陷识别模型的参数，得到训练后的物体缺陷识别模型。
11.一种物体缺陷识别装置，其特征在于，所述装置包括：
第二获取单元，用于获取目标物体的待检测图像；
缺陷特征提取单元，用于通过所述物体缺陷识别模型中的缺陷定位子模型，对所述待检测图像进行缺陷特征提取，得到缺陷特征向量，并根据所述缺陷特征向量确定所述待检测图像中的缺陷区域；
缺陷分割单元，用于通过所述物体缺陷识别模型中的缺陷分割子模型，将所述缺陷区域从所述待检测图像中分割出来，得到缺陷区域图像；
第二缺陷分类单元，用于通过所述物体缺陷识别模型中的缺陷分类子模型对所述缺陷区域图像进行缺陷类别的识别，得到物体缺陷类别识别结果，所述物体缺陷类别识别结果包括已知缺陷图像或未知缺陷图像，其中所述物体缺陷识别模型基于如权利要求10所述的物体缺陷识别模型训练装置训练得到。
12.一种电子设备，其中，该电子设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1至5中任一项所述的物体缺陷识别模型的训练方法，或者如权利要求6至9中任一项所述的物体缺陷识别方法。
13.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1至5中任一项所述的物体缺陷识别模型的训练方法，或者如权利要求6至9中任一项所述的物体缺陷识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110023478.6A CN112766110A (zh) | 2021-01-08 | 2021-01-08 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110023478.6A CN112766110A (zh) | 2021-01-08 | 2021-01-08 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112766110A true CN112766110A (zh) | 2021-05-07 |
Family
ID=75701008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110023478.6A Pending CN112766110A (zh) | 2021-01-08 | 2021-01-08 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766110A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113344886A (zh) * | 2021-06-11 | 2021-09-03 | 长江存储科技有限责任公司 | 晶圆表面缺陷检测方法和设备 |
| CN113536971A (zh) * | 2021-06-28 | 2021-10-22 | 中科苏州智能计算技术研究院 | 一种基于增量学习的目标检测方法 |
| CN113793343A (zh) * | 2021-08-23 | 2021-12-14 | 南昌航空大学 | 基于图像的缺陷定位分割方法、***、终端及存储介质 |
| WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、***、装置及存储介质 |
| CN116245846A (zh) * | 2023-03-08 | 2023-06-09 | 华院计算技术(上海)股份有限公司 | 带钢的缺陷检测方法及装置、存储介质、计算设备 |
| WO2024020994A1 (zh) * | 2022-07-29 | 2024-02-01 | 宁德时代新能源科技股份有限公司 | 用于电芯的缺陷检测模型的训练方法和训练装置 |
| TWI833326B (zh) * | 2021-09-15 | 2024-02-21 | 日商日立全球先端科技股份有限公司 | 缺陷檢查系統及缺陷檢查方法 |
| CN118155004A (zh) * | 2024-05-13 | 2024-06-07 | 深圳新视智科技术有限公司 | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583489A (zh) * | 2018-11-22 | 2019-04-05 | 中国科学院自动化研究所 | 缺陷分类识别方法、装置、计算机设备和存储介质 |
| CN111627015A (zh) * | 2020-05-29 | 2020-09-04 | 联想(北京)有限公司 | 小样本缺陷识别方法、装置、设备及存储介质 |
| CN111814867A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 |
-
2021
- 2021-01-08 CN CN202110023478.6A patent/CN112766110A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109583489A (zh) * | 2018-11-22 | 2019-04-05 | 中国科学院自动化研究所 | 缺陷分类识别方法、装置、计算机设备和存储介质 |
| CN111627015A (zh) * | 2020-05-29 | 2020-09-04 | 联想(北京)有限公司 | 小样本缺陷识别方法、装置、设备及存储介质 |
| CN111814867A (zh) * | 2020-07-03 | 2020-10-23 | 浙江大华技术股份有限公司 | 缺陷检测模型的训练方法、缺陷检测方法及相关装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022236876A1 (zh) * | 2021-05-14 | 2022-11-17 | 广州广电运通金融电子股份有限公司 | 一种玻璃纸缺陷识别方法、***、装置及存储介质 |
| CN113344886A (zh) * | 2021-06-11 | 2021-09-03 | 长江存储科技有限责任公司 | 晶圆表面缺陷检测方法和设备 |
| CN113536971A (zh) * | 2021-06-28 | 2021-10-22 | 中科苏州智能计算技术研究院 | 一种基于增量学习的目标检测方法 |
| CN113793343A (zh) * | 2021-08-23 | 2021-12-14 | 南昌航空大学 | 基于图像的缺陷定位分割方法、***、终端及存储介质 |
| CN113793343B (zh) * | 2021-08-23 | 2023-06-06 | 南昌航空大学 | 基于图像的缺陷定位分割方法、***、终端及存储介质 |
| TWI833326B (zh) * | 2021-09-15 | 2024-02-21 | 日商日立全球先端科技股份有限公司 | 缺陷檢查系統及缺陷檢查方法 |
| WO2024020994A1 (zh) * | 2022-07-29 | 2024-02-01 | 宁德时代新能源科技股份有限公司 | 用于电芯的缺陷检测模型的训练方法和训练装置 |
| CN116245846A (zh) * | 2023-03-08 | 2023-06-09 | 华院计算技术(上海)股份有限公司 | 带钢的缺陷检测方法及装置、存储介质、计算设备 |
| CN116245846B (zh) * | 2023-03-08 | 2023-11-21 | 华院计算技术(上海)股份有限公司 | 带钢的缺陷检测方法及装置、存储介质、计算设备 |
| CN118155004A (zh) * | 2024-05-13 | 2024-06-07 | 深圳新视智科技术有限公司 | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766110A (zh) | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 | |
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、***及存储介质 | |
| CN112348787A (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
| CN110533086B (zh) | 图像数据半自动标注方法 | |
| CN110648310B (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
| CN110264444B (zh) | 基于弱分割的损伤检测方法及装置 | |
| CN114549997B (zh) | 一种基于区域特征提取的x光图像缺陷检测方法和装置 | |
| CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
| CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
| CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
| CN116012291A (zh) | 工业零件图像缺陷检测方法及***、电子设备和存储介质 | |
| CN114757925A (zh) | 一种非接触式高压断路器缺陷检测方法及*** | |
| CN115578326A (zh) | 一种道路病害识别方法、***、设备及存储介质 | |
| CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
| CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN112836724A (zh) | 物体缺陷识别模型训练方法、装置、电子设备和存储介质 | |
| CN115797314B (zh) | 零件表面缺陷检测方法、***、设备及存储介质 | |
| CN116843611A (zh) | 一种基于差分和图神经网络的五金表面瑕疵检测*** | |
| CN113592859B (zh) | 一种基于深度学习的用于显示面板缺陷的分类方法 | |
| CN110751061A (zh) | 基于sar网络的sar图像识别方法、装置、设备和存储介质 | |
| CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
| US20230084761A1 (en) | Automated identification of training data candidates for perception systems | |
| CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
| CN116977239A (zh) | 缺陷检测方法、装置、计算机设备及存储介质 | |
| CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210507 |
|
| RJ01 | Rejection of invention patent application after publication |