CN114065874A - 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备 - Google Patents

医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备 Download PDF

Info

Publication number
CN114065874A
CN114065874A CN202111444489.8A CN202111444489A CN114065874A CN 114065874 A CN114065874 A CN 114065874A CN 202111444489 A CN202111444489 A CN 202111444489A CN 114065874 A CN114065874 A CN 114065874A
Authority
CN
China
Prior art keywords
defect
image
glass bottle
sample
training
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
Application number
CN202111444489.8A
Other languages
English (en)
Inventor
陈宏彩
程煜
郝存明
任亚恒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Applied Mathematics Hebei Academy Of Sciences
Original Assignee
Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of Applied Mathematics Hebei Academy Of Sciences filed Critical Institute Of Applied Mathematics Hebei Academy Of Sciences
Priority to CN202111444489.8A priority Critical patent/CN114065874A/zh
Publication of CN114065874A publication Critical patent/CN114065874A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于缺陷检测技术领域，提供了一种医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备，该方法包括：获取医药玻璃瓶图像，基于医药玻璃瓶图像生成正常图像和缺陷标记图像；将缺陷标记图像输入预设的映射网络，生成缺陷编码；将正常图像和缺陷编码输入预设的生成器，生成合成缺陷样本；基于合成缺陷样本和缺陷标记图像训练生成对抗网络模型；基于生成对抗网络模型生成缺陷样本训练集，基于缺陷样本训练集训练深度学习图像识别模型。本发明提供的医药玻璃瓶外观缺陷检测模型训练方法能够提供充足的缺陷样本训练集，从而提高医药玻璃瓶外观缺陷检测的准确性。

Description

医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备
技术领域
本发明属于缺陷检测技术领域，尤其涉及一种医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备。
背景技术
医疗包装材料的质量关系到医药产品的安全，因此医药包装材料的质量检测是必不可少的。在各类医疗包装材料中，医药玻璃瓶的应用十分广泛，同时由于其生产工艺复杂，可能出现的外观缺陷种类多样，例如污渍、气线、划痕、结石等，检测难度较大。提升医药玻璃瓶的产品质量需要应用有效的检测方法，从而掌握异常情况，更好的指导生产。
传统上，应用机器视觉或深度学习的检测方法能够实现简单的缺陷识别，但由于医药玻璃瓶存在的缺陷类型不确定、样式不统一，现有的检测模型无法准确识别产品缺陷的种类，容易出现漏检和误检的情况。
发明内容
有鉴于此，本发明实施例提供了一种医药玻璃瓶外观缺陷检测模型训练方法，能够提高医药玻璃瓶外观缺陷检测模型的准确性。
本发明实施例的第一方面提供了一种医药玻璃瓶外观缺陷检测模型训练方法，包括：
获取医药玻璃瓶图像，基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像；
将所述缺陷标记图像输入预设的映射网络，生成缺陷编码；
将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本；
基于所述合成缺陷样本和所述缺陷标记图像训练生成对抗网络模型；
基于所述生成对抗网络模型生成缺陷样本训练集，基于所述缺陷样本训练集训练深度学习识别模型。
本发明实施例的第二方面提供了一种医药玻璃瓶外观缺陷检测模型训练装置，包括：
图像获取模块，用于获取医药玻璃瓶图像，基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像；
缺陷编码生成模块，用于将所述缺陷标记图像输入预设的映射网络，生成缺陷编码；
缺陷样本合成模块，用于将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本；
生成对抗网络模型训练模块，用于基于所述合成缺陷样本和所述缺陷标记图像训练生成对抗网络模型；
深度学习识别模型训练模块，用于基于所述生成对抗网络模型生成缺陷样本训练集，基于所述缺陷样本训练集训练深度学习识别模型。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得电子设备执行上述第一方面中任一项所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例提供了一种医药玻璃瓶外观缺陷检测模型训练方法，包括获取医药玻璃瓶图像，基于医药玻璃瓶图像生成正常图像和缺陷标记图像；将缺陷标记图像输入预设的映射网络，生成缺陷编码；将正常图像和缺陷编码输入预设的生成器，生成合成缺陷样本；基于合成缺陷样本和缺陷标记图像训练生成对抗网络模型；基于生成对抗网络模型生成缺陷样本训练集，基于缺陷样本训练集训练深度学习图像识别模型。本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法能够提供充足的缺陷样本训练集，从而提高医药玻璃瓶外观缺陷检测模型的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法的实现流程示意图；
图2是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法的又一实现流程示意图；
图3是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法中映射网络的结构示意图；
图4是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法中生成器网络的结构示意图；
图5是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法中缺陷编码网络和判别器网络的结构示意图；
图6(a)、图6(b)、图6(c)、图6(d)是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法中生成对抗网络生成的缺陷示意图；
图7(a)、图7(b)、图7(c)、图7(d)、图7(e)是本发明实施例提供的外观缺陷检测模型训练方法的应用效果示例图；
图8是本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练装置的结构示意图；
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
医药玻璃瓶在实际生产中，能够作为深度学习训练样本的缺陷样本数量少，缺陷类型多样且样式不固定，各类缺陷样本的数量差异悬殊。另一方面医药玻璃瓶不同种类的缺陷可能存在相似的外观例如部分划痕与气线的外形相似，部分圆形污渍与结石的外形相似等，
基于深度学习的检测方法需要大量的数据样本才能取得较好的检测效果，然而实际生产中产生的缺陷样本可能数量不足、类型不确定、样式不统一，难以达到训练深度学习模型的要求。对于深度学习检测，其样本标注成本代价高，在处理新的缺陷种类检测时需要重新收集、重新标注缺陷样本，需要标注大量训练样本，消耗大量人力资源，占据大量的数据处理空间。
为了解决缺陷样本不足的问题，可以基于生成对抗网络合成缺陷样本图像。现有的生成对抗网络存在生成图像样式单一，对多种缺陷需要训练多个生成器完成不同缺陷样本的生成工作。
图1示出了本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法的实现流程示意图。参见图1，本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法可以包括步骤S101至S105。
S101：获取医药玻璃瓶图像，基于医药玻璃瓶图像生成正常图像和缺陷标记图像。
在一些实施例中，S101包括：
将医药玻璃瓶图像进行裁剪。
将裁剪后的医药玻璃瓶图像进行分类，生成正常图像和缺陷标记图像。
在一个具体的示例中，医药玻璃瓶的缺陷标记图像可以分为划痕、气线、污渍、结石四类。
在一个具体的示例中，获取4000张医药玻璃瓶图像进行裁剪和分类。
在一个具体的示例中，将医药玻璃瓶图像的大小调整为256*256像素大小进行后续处理。
图2示出了本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法中生成对抗网络模型和深度学习图像识别模型的训练流程示意图。
参见图2，本发明实施例提供的生成对抗网络模型包括映射网络F、生成器G、缺陷编码器E和判别器D，基于生成对抗网络模型可以生成各类带有缺陷的样本。
参见图2，在一个具体的示例中，生成对抗网络模型的训练过程包括，将缺陷标记图像进行高斯滤波处理后输入映射网络F，得到缺陷编码。将缺陷编码和正常样本共同输入生成器G，得到合成缺陷样本。基于合成缺陷样本和真实缺陷样本训练缺陷检测模型，最终实现缺陷分类。
在一个具体的示例中，生成对抗网络模型的基础网络结构为StarGANv2模型。
可选的，生成对抗网络模型的基础网络结构包括StarGAN、styleGAN、styleGANv2等。
S102：将缺陷标记图像输入预设的映射网络，生成缺陷编码。
图3示出了本发明实施例中映射网络的结构示意图。在一些实施例中，映射网络为具有预设个数输出分支的多层神经网络，其中的预设个数为缺陷种类数。在本示例中，缺陷种类数为4类。
在一些实施例中，基于包含预设个数输出分支的卷积神经网络生成缺陷编码。该卷积神经网络包括六个预激活残差模块(ResBlock)，对于每类缺陷对应的输出分支连接一个全连接层。
在一个具体的示例中，S102包括：对潜在码z∈Z进行随机采样，通过映射网络F生成目标缺陷编码
Figure BDA0003383589840000061
S103：将正常图像和缺陷编码输入预设的生成器，生成合成缺陷样本。
图4示出了本发明实施例中生成器的结构示意图。参见图4，在一些实施例中，生成器包括四个下采样块、四个中间块和四个上采样块。在下采样过程中应用实例归一化(IN)的方法进行计算，在上采样过程中应用自适用实例归一化(AdaIN)的方法进行计算，从而将每一类缺陷编码注入至生成器G中。
在一个具体的示例中，S103包括：将正常图像x和目标缺陷编码
Figure BDA00033835898400000614
输入生成器G中，通过对抗损失得到合成缺陷样本
Figure BDA0003383589840000062
在一些实施例中，生成器G的对抗损失函数包括：
Figure BDA0003383589840000063
其中，
Figure BDA0003383589840000064
为对抗损失，x为正常图像，D(x)为判别函数，
Figure BDA0003383589840000065
为缺陷编码，
Figure BDA0003383589840000066
为合成缺陷样本，
Figure BDA0003383589840000067
为判别函数。
在一些实施例中，生成器G的缺陷重建损失函数包括：
Figure BDA0003383589840000068
其中，
Figure BDA0003383589840000069
为缺陷重建损失，
Figure BDA00033835898400000610
为缺陷编码，x为正常图像，
Figure BDA00033835898400000611
为合成缺陷样本。
通过缺陷重建损失函数可以强制生成器G在生成图像时使用指定确定类别的缺陷编码
Figure BDA00033835898400000612
在一些实施例中，生成器G的多样性敏感损失函数包括：
Figure BDA00033835898400000613
其中，
Figure BDA0003383589840000071
为多样性敏感损失，
Figure BDA0003383589840000072
和
Figure BDA0003383589840000073
为缺陷编码，x为正常图像，
Figure BDA0003383589840000074
和
Figure BDA0003383589840000075
为合成缺陷样本。
通过多样性按损失函数对生成器G进行归一化，可以进一步使生成器G生成不同种类缺陷的图像。
在一些实施例中，生成器G的循环一致性损失函数包括：
Figure BDA0003383589840000076
其中，
Figure BDA0003383589840000077
为循环一致性损失，x为正常图像，
Figure BDA0003383589840000078
为缺陷编码，
Figure BDA0003383589840000079
为合成缺陷样本，
Figure BDA00033835898400000710
为缺陷编码。
通过循环一致性损失函数可以正确保留正常图像x的不变特征。
在一些实施例中，生成器G中的分类判别损失函数包括：
Figure BDA00033835898400000711
Figure BDA00033835898400000712
其中，
Figure BDA00033835898400000713
为判别器分类判别损失，sr为真实缺陷样本，c'为真实缺陷样本的类别，Dc(c'|sr)为判别函数，
Figure BDA00033835898400000714
为生成器分类判别器，sd为生成的缺陷样本，c为生成缺陷样本的类别，Dc(c|sd)为判别函数。
通过分类判别损失函数可以保证生成的缺陷样本属于制定的缺陷类别。具体的，
Figure BDA00033835898400000715
可以优化判别器D，使其将真实的缺陷样本sr判定为对应的类别c'。
Figure BDA00033835898400000716
可以优化生成器G，使其生成目标类别为c的缺陷样本sd。通过分类判别损失函数可以使缺陷类内的差距较小，缺陷类间的差距较大，保证生成的缺陷样本更加逼真，同时提高易混淆的缺陷种类间样本的检测正确率。
S104：基于合成缺陷样本和缺陷标记图像训练生成对抗网络模型。
图5示出了本发明实施例提供的判别器结构示意图。参见图5，本发明实施例提供的判别器D为多任务判别器，包含多个线性输入分支，包含六个带有leaky Relu的预激活残差模块，且输出维数为1。在本实施例中，对于真假判别分类器设置预设个数的全连接层，预设个数为缺陷种类数。
在一些实施例中，S104包括：
基于合成缺陷样本、缺陷标记图像以及预设的训练目标训练生成对抗网络模型。
训练目标包括：
Figure BDA0003383589840000081
其中，
Figure BDA0003383589840000082
为对抗损失；
Figure BDA0003383589840000083
为超参数，取值可以为2.0；
Figure BDA0003383589840000084
为生成器分类判别损失；
Figure BDA0003383589840000085
为超参数，取值可以为2.0；
Figure BDA0003383589840000086
为判别器分类判别损失；λsty为超参数，取值可以为1.0；
Figure BDA0003383589840000087
为缺陷重建损失；λds为超参数，取值可以为2.0；
Figure BDA0003383589840000088
为多样性敏感损失；λcyc为超参数，取值可以为1.0；
Figure BDA0003383589840000089
为循环一致性损失。
在一些实施例中，S104包括：利用反向传播算法训练生成对抗网络模型。
在一个具体的示例中，采用随机梯度下降法对生成对抗网络模型进行训练，训练的迭代次数设置为105次，迭代过程的权重λds按照线性规则衰减至0。
在一个具体的示例中，训练生成对抗网络模型时映射网络F的学习率为10-6，缺陷编码器E、生成器G以及判别器D的学习率均为10-4。
S105：基于生成对抗网络模型生成缺陷样本训练集，基于缺陷样本训练集训练深度学习识别模型。
在一些实施例中，基于生成对抗网络模型生成缺陷样本训练集包括，基于生成器进行前向计算，生成缺陷标记图构成缺陷样本训练集。
在一些实施例中，模型训练完成后，可以基于深度学习图像识别模型进行医药玻璃瓶外观缺陷检测。
在一些实施例中，深度学习图像识别模型包括但不限于ResNet模型、DenseNet模型、YOLOv3算法、YOLOv5算法、SSD算法、FasterR-CNN算法。
图6(a)至图6(d)示出了本发明实施例提供的方法中基于生成对抗网络生成的缺陷示例图。具体的，图6(a)为划痕缺陷示例图，图6(b)为气线缺陷示例图，图6(c)为结石缺陷示例图，图6(d)为污渍缺陷示例图。
图7(a)至图7(e)示出了本发明实施例中基于训练后的图像识别模型进行外观缺陷检测的示意图。具体的，图7(a)和图7(b)为旋转至不同角度的正常玻璃瓶图像，其中图7(b)包含玻璃瓶的色点和刻痕。图7(c)、图7(d)和图7(e)为包含缺陷的玻璃瓶图像，其中，stain为污渍，air_line为气线，scratch为划痕，stone为结石。
本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练方法能够基于合成层的网络架构，通过缺陷映射网络的多分支输出结构，提高合成缺陷种类的多样性，即利用正常医药玻璃瓶样本和带有少量缺陷玻璃瓶样本图像生成更多样式的缺陷样本。
进一步的，本发明实施例设计了缺陷控制机制，引入缺陷类别判别损失函数，使得不同类别的缺陷间差距较大，同一类别内的缺陷较小。
本发明实施例提供的缺陷样本的合成方法能够解决缺陷样本数量不足的问题。针对不同类型的缺陷样本，只需一个生成模型即可完成多个缺陷种类样本的合成。进一步的，在网络框架中增加缺陷控制机制，可以提高缺陷检测模型的准确性及缺陷检测的正确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图8示出了本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练装置的结构示意图。参见图8，本发明实施例提供的医药玻璃瓶外观缺陷检测模型训练装置80可以包括图像获取模块810、缺陷编码生成模块820、缺陷样本合成模块830、生成对抗网络模型训练模块840、深度学习识别模型训练模块850。
图像获取模块810，用于获取医药玻璃瓶图像，基于医药玻璃瓶图像生成正常图像和缺陷标记图像。
缺陷编码生成模块820，用于将缺陷标记图像输入预设的映射网络，生成缺陷编码。
缺陷样本合成模块830，用于将正常图像和缺陷编码输入预设的生成器，生成合成缺陷样本。
生成对抗网络模型训练模块840，用于基于合成缺陷样本和缺陷标记图像训练生成对抗网络模型。
深度学习识别模型训练模块850，用于基于生成对抗网络模型生成缺陷样本训练集，基于缺陷样本训练集训练深度学习识别模型。
本发明实施例提供的医药玻璃瓶外观缺陷检测装置能够提供充足的缺陷样本训练集，从而提高医药玻璃瓶外观缺陷检测的准确性。
在一些实施例中，图像获取模块810具体用于：
将医药玻璃瓶图像进行裁剪。
将裁剪后的医药玻璃瓶图像进行分类，生成正常图像和缺陷标记图像。
在一些实施例中，缺陷样本合成模块830具体用于：
将正常图像和缺陷编码输入生成器，基于缺陷重建损失函数生成合成缺陷样本。
缺陷重建损失函数包括：
Figure BDA0003383589840000101
其中，其中，
Figure BDA0003383589840000102
为缺陷重建损失，Ex,z为，
Figure BDA0003383589840000103
为缺陷编码，x为正常图像，
Figure BDA0003383589840000104
为合成缺陷样本，
Figure BDA0003383589840000105
为。
在一些实施例中，缺陷样本合成模块830具体用于：
将正常图像和缺陷编码输入预设的生成器，基于多样性敏感损失函数进行归一化，生成合成缺陷样本。
多样性敏感损失函数包括：
Figure BDA0003383589840000106
其中，
Figure BDA0003383589840000107
为多样性敏感损失，
Figure BDA0003383589840000108
和
Figure BDA0003383589840000109
为缺陷编码，x为正常图像，
Figure BDA00033835898400001010
和
Figure BDA00033835898400001011
为合成缺陷样本。
在一些实施例中，缺陷样本合成模块830具体用于：
将正常图像和缺陷编码输入预设的生成器，基于循环一致性损失函数生成合成缺陷样本。
循环一致性损失函数包括：
Figure BDA0003383589840000111
其中，
Figure BDA0003383589840000112
为循环一致性损失，x为正常图像，
Figure BDA0003383589840000113
为缺陷编码，
Figure BDA0003383589840000114
为合成缺陷样本，
Figure BDA0003383589840000115
为缺陷编码。
在一些实施例中，缺陷样本合成模块830具体用于：
将正常图像和缺陷编码输入预设的生成器，基于分类判别损失函数生成合成缺陷样本。
分类判别损失函数包括：
Figure BDA0003383589840000116
Figure BDA0003383589840000117
其中，
Figure BDA0003383589840000118
为判别器分类判别损失，sr为真实缺陷样本，c'为真实缺陷样本的类别，Dc(c'|sr)为判别函数，
Figure BDA0003383589840000119
为生成器分类判别器，sd为生成的缺陷样本，c为生成缺陷样本的类别，Dc(c|sd)为判别函数。
在一些实施例中，生成对抗网络模型训练模块840具体用于：
基于合成缺陷样本、缺陷标记图像以及预设的训练目标训练生成对抗网络模型。
训练目标包括：
Figure BDA00033835898400001110
其中，
Figure BDA00033835898400001111
为对抗损失，
Figure BDA00033835898400001112
为生成器分类判别损失，
Figure BDA00033835898400001113
为判别器分类判别损失，
Figure BDA00033835898400001114
为缺陷重建损失，
Figure BDA00033835898400001115
为多样性敏感损失，
Figure BDA00033835898400001116
为循环一致性损失；λc f、
Figure BDA00033835898400001117
λsty、λds、λcyc为超参数。
图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备90包括：处理器900、存储器910以及存储在所述存储器910中并可在所述处理器900上运行的计算机程序920，例如医药玻璃瓶外观缺陷检测模型训练程序。所述处理器90执行所述计算机程序920时实现上述各个医药玻璃瓶外观缺陷检测模型训练方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，所述处理器900执行所述计算机程序920时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块810至850的功能。
示例性的，所述计算机程序920可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器910中，并由所述处理器900执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序920在所述终端设备90中的执行过程。例如，所述计算机程序920可以被分割成图像获取模块、缺陷编码生成模块、缺陷样本合成模块、生成对抗网络模型训练模块、深度学习识别模型训练模块。
所述终端设备90可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器900、存储器910。本领域技术人员可以理解，图9仅仅是终端设备90的示例，并不构成对终端设备90的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器900可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、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、分立硬件组件等。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。
所述存储器910可以是所述终端设备90的内部存储单元，例如终端设备90的硬盘或内存。所述存储器910也可以是所述终端设备90的外部存储设备，例如所述终端设备90上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器910还可以既包括所述终端设备90的内部存储单元也包括外部存储设备。所述存储器910用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器910还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，包括：
获取医药玻璃瓶图像，基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像；
将所述缺陷标记图像输入预设的映射网络，生成缺陷编码；
将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本；
基于所述合成缺陷样本和所述缺陷标记图像训练生成对抗网络模型；
基于所述生成对抗网络模型生成缺陷样本训练集，基于所述缺陷样本训练集训练深度学习识别模型。
2.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像，包括：
将所述医药玻璃瓶图像进行裁剪；
将裁剪后的医药玻璃瓶图像进行分类，生成正常图像和缺陷标记图像。
3.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本，包括：
将所述正常图像和所述缺陷编码输入所述生成器，基于缺陷重建损失函数生成所述合成缺陷样本；
所述缺陷重建损失函数包括：
Figure FDA0003383589830000011
其中，
Figure FDA0003383589830000012
为缺陷重建损失，
Figure FDA0003383589830000013
为缺陷编码，x为正常图像，
Figure FDA0003383589830000014
为合成缺陷样本。
4.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本，包括：
将所述正常图像和所述缺陷编码输入预设的生成器，基于多样性敏感损失函数进行归一化，生成所述合成缺陷样本；
所述多样性敏感损失函数包括：
Figure FDA0003383589830000021
其中，
Figure FDA0003383589830000022
为多样性敏感损失，
Figure FDA0003383589830000023
和
Figure FDA0003383589830000024
为缺陷编码，x为正常图像，
Figure FDA0003383589830000025
和
Figure FDA0003383589830000026
为合成缺陷样本。
5.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，合成缺陷样本，包括：
将所述正常图像和所述缺陷编码输入预设的生成器，基于循环一致性损失函数生成所述合成缺陷样本；
所述循环一致性损失函数包括：
Figure FDA0003383589830000027
其中，
Figure FDA0003383589830000028
为循环一致性损失，x为正常图像，
Figure FDA0003383589830000029
为缺陷编码，
Figure FDA00033835898300000210
为合成缺陷样本，
Figure FDA00033835898300000211
为缺陷编码。
6.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述将所述正常图像和所述缺陷编码输入预设的生成器，合成缺陷样本，包括：
将所述正常图像和所述缺陷编码输入预设的生成器，基于分类判别损失函数生成所述合成缺陷样本；
所述分类判别损失函数包括：
Figure FDA00033835898300000212
Figure FDA00033835898300000213
其中，
Figure FDA00033835898300000214
为判别器分类判别损失，sr为真实缺陷样本，c'为真实缺陷样本的类别，Dc(c'|sr)为判别函数，
Figure FDA00033835898300000215
为生成器分类判别器，sd为生成的缺陷样本，c为生成缺陷样本的类别，Dc(c|sd)为判别函数。
7.如权利要求1所述的医药玻璃瓶外观缺陷检测模型训练方法，其特征在于，所述基于所述合成缺陷样本和所述缺陷标记图像训练生成对抗网络模型，包括：
基于所述合成缺陷样本、所述缺陷标记图像以及预设的训练目标训练所述生成对抗网络模型；
所述训练目标包括：
Figure FDA0003383589830000031
其中，
Figure FDA0003383589830000032
为对抗损失，
Figure FDA0003383589830000033
为生成器分类判别损失，
Figure FDA0003383589830000034
为判别器分类判别损失，
Figure FDA0003383589830000035
为缺陷重建损失，
Figure FDA0003383589830000036
为多样性敏感损失，
Figure FDA0003383589830000037
为循环一致性损失；
Figure FDA0003383589830000038
Figure FDA0003383589830000039
λsty、λds、λcyc为超参数。
8.一种医药玻璃瓶外观缺陷检测模型训练装置，其特征在于，包括：
图像获取模块，用于获取医药玻璃瓶图像，基于所述医药玻璃瓶图像生成正常图像和缺陷标记图像；
缺陷编码生成模块，用于将所述缺陷标记图像输入预设的映射网络，生成缺陷编码；
缺陷样本合成模块，用于将所述正常图像和所述缺陷编码输入预设的生成器，生成合成缺陷样本；
生成对抗网络模型训练模块，用于基于所述合成缺陷样本和所述缺陷标记图像训练生成对抗网络模型；
深度学习识别模型训练模块，用于基于所述生成对抗网络模型生成缺陷样本训练集，基于所述缺陷样本训练集训练深度学习识别模型。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202111444489.8A 2021-11-30 2021-11-30 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备 Pending CN114065874A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111444489.8A CN114065874A (zh) 2021-11-30 2021-11-30 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111444489.8A CN114065874A (zh) 2021-11-30 2021-11-30 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN114065874A true CN114065874A (zh) 2022-02-18

Family

ID=80277668

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111444489.8A Pending CN114065874A (zh) 2021-11-30 2021-11-30 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN114065874A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114529689A (zh) * 2022-04-24 2022-05-24 广州易道智慧信息科技有限公司 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及***
CN114638294A (zh) * 2022-03-10 2022-06-17 深圳市腾盛精密装备股份有限公司 一种数据增强方法、装置、终端设备及存储介质
CN114782755A (zh) * 2022-06-13 2022-07-22 云账户技术(天津)有限公司 西林瓶检测模型的训练方法、西林瓶的检测方法及装置
CN115439915A (zh) * 2022-10-12 2022-12-06 首都师范大学 区域编码和样本平衡优化的课堂参与度识别方法和装置
CN117671431A (zh) * 2024-01-29 2024-03-08 杭州安脉盛智能技术有限公司 一种工业缺陷图像生成方法、装置、设备及存储介质
WO2024054894A1 (en) * 2022-09-07 2024-03-14 Siemens Healthcare Diagnostics Inc. Devices and methods for training sample container identification networks in diagnostic laboratory systems

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114638294A (zh) * 2022-03-10 2022-06-17 深圳市腾盛精密装备股份有限公司 一种数据增强方法、装置、终端设备及存储介质
CN114529689A (zh) * 2022-04-24 2022-05-24 广州易道智慧信息科技有限公司 基于对抗神经网络的陶瓷杯缺陷样本扩增方法及***
CN114782755A (zh) * 2022-06-13 2022-07-22 云账户技术(天津)有限公司 西林瓶检测模型的训练方法、西林瓶的检测方法及装置
WO2024054894A1 (en) * 2022-09-07 2024-03-14 Siemens Healthcare Diagnostics Inc. Devices and methods for training sample container identification networks in diagnostic laboratory systems
CN115439915A (zh) * 2022-10-12 2022-12-06 首都师范大学 区域编码和样本平衡优化的课堂参与度识别方法和装置
CN117671431A (zh) * 2024-01-29 2024-03-08 杭州安脉盛智能技术有限公司 一种工业缺陷图像生成方法、装置、设备及存储介质
CN117671431B (zh) * 2024-01-29 2024-05-07 杭州安脉盛智能技术有限公司 一种工业缺陷图像生成方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN114065874A (zh) 医药玻璃瓶外观缺陷检测模型训练方法、装置及终端设备
AU2019227478B2 (en) An improved content aware fill that leverages the boundaries of underlying objects
CN106845440B (zh) 一种增强现实图像处理方法及***
CN111783817A (zh) 使用神经网络进行图像识别
JP2020533654A (ja) ホログラフィック偽造防止コードの検査方法及び装置
Ulger et al. Anomaly detection for solder joints using β-VAE
CN111126481A (zh) 一种神经网络模型的训练方法及装置
CN109977834A (zh) 从深度图像中分割人手与交互物体的方法和装置
CN114743189A (zh) 指针式仪表读数识别方法、装置、电子设备及存储介质
CN110222730A (zh) 基于惯性传感器的用户身份识别方法及识别模型构建方法
CN117636131A (zh) 一种基于Yolo-I模型的小目标识别方法及相关装置
CN116721104B (zh) 实景三维模型缺陷检测方法、装置、电子设备及存储介质
CN108229281A (zh) 神经网络的生成方法和人脸检测方法、装置及电子设备
Shit et al. An encoder‐decoder based CNN architecture using end to end dehaze and detection network for proper image visualization and detection
CN106530403B (zh) 一种基于增强现实技术的汽车零部件质检***
Wang et al. Self-attention deep saliency network for fabric defect detection
CN116205881A (zh) 一种基于轻量级语义分割的数码喷印图像缺陷检测方法
CN114359667B (zh) 一种基于生成式对抗网络的强度相干识别方法及设备
Tsai et al. Automatic optical inspection system for wire color sequence detection
CN112348112B (zh) 图像识别模型的训练方法、训练装置及终端设备
CN109815793A (zh) 微表情描述方法、装置、计算机装置及可读存储介质
CN113239814A (zh) 基于光流重构的面部表情识别方法、装置、设备及介质
CN112084889A (zh) 一种图像行为识别方法、装置、计算设备及存储介质
Tan et al. Attention-based Grasp Detection with Monocular Depth Estimation
CN117036652B (zh) 布局信息生成方法、模型训练方法、装置及电子设备

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