CN114897901A - 基于样本扩充的电池质量检测方法、装置和电子设备 - Google Patents
基于样本扩充的电池质量检测方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114897901A CN114897901A CN202210818616.4A CN202210818616A CN114897901A CN 114897901 A CN114897901 A CN 114897901A CN 202210818616 A CN202210818616 A CN 202210818616A CN 114897901 A CN114897901 A CN 114897901A
- Authority
- CN
- China
- Prior art keywords
- image data
- identified
- data
- label
- battery
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种基于样本扩充的电池质量检测方法、装置和电子设备,该方法包括:获取待识别的原始图像数据,图像数据中包含了用于判定电池质量的特征数据;基于所述原始图像数据形成一份或多份待鉴别图像数据,每份待鉴别图像数据中包含一种电池质量类型的标签信息;将所述待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述待鉴别图像数据的真实性鉴别结果;根据所述真实性鉴别结果确定所述原始图像数据所表示的电池质量类型。本申请可以解决在缺乏足够样本的情况下,准确且高效地自动识别电池质量好坏的问题。
Description
技术领域
本申请涉及计算机技术领域,更具体地,涉及一种基于样本扩充的电池质量检测方法、装置、可读介质和电子设备。
背景技术
在电池生产过程中,出厂前需要对电池的质量进行检测,以避免存在瑕疵的电池被应用到了一些电子产品中而产生风险。针对电池质量的检测,通常会拍摄电池的图像,图像上会反映出电池是否存在瑕疵。
传统做法是利用肉眼来进行电池质量检测,但这种人工检测的方法效率低下。随着人工智能技术的兴起,市场上开始采用尝试采用一些人工智能技术对电池质量图像进行瑕疵检测,但人工智能模型的好坏严重依赖于训练样本的数量,在缺乏足够样本的情况下,难以人工智能模式难以达到自动判断电池质量好坏的准确性要求。然而现实中电池图像的样本数量较少,人工拍摄和标记电池质量类型来产生满足数量需求的样本并不现实。
发明内容
有鉴于此,有必要提供一种基于样本扩充的电池质量检测方法、装置、可读介质和电子设备,以解决在缺乏足够真实样本的情况下,难以准确且高效地自动识别电池质量好坏的问题。
本申请第一方面,提供了一种基于样本扩充的电池质量检测方法,所述方法包括:
获取待识别的第一原始图像数据,所述第一原始图像数据中包含了用于判定电池质量的特征数据;
基于所述第一原始图像数据形成一份或多份第一待鉴别图像数据,每份所述第一待鉴别图像数据中包含一种电池质量类型的标签信息;
将所述待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述第一待鉴别图像数据的第一真实性鉴别结果;
根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型。
在其中一个实施例中,所述方法还包括:
将确定了电池质量类型的第一原始图像数据作为扩充样本,根据所述扩充样本对预设的图像分类模型进行训练,形成训练好的图像分类模型;
获取待识别的第二原始图像数据,所述第二原始图像数据中包含了用于判定电池质量的特征数据;
基于所述第二原始图像数据形成一份或多份第二待鉴别图像数据和一份或多份待分类图像数据,每份所述第二待鉴别图像数据中包含一种电池质量类型的标签信息,所述待分类图像数据中不包含所述标签信息;
将所述第二待鉴别图像数据输入至所述训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述第二待鉴别图像数据的第二真实性鉴别结果;
将所述待分类图像数据输入至所述训练好的图像分类模型中进行分析,通过所述图像分类模型输出所述待分类图像数据的分类结果;
根据所述第二真实性鉴别结果和所述分类结果确定所述第二原始图像数据所表示的电池质量类型。
在其中一个实施例中,所述标签信息包括第一标签和第二标签;所述根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型,包括:
当带有第一标签的第一待鉴别图像数据的鉴别结果为真,带有其他标签的第一待鉴别图像数据的鉴别结果为假时,确定所述第一原始图像数据表示的电池质量类型为第一标签对应的电池类型。
在其中一个实施例中,所述标签信息包括凸点、褶皱和正常,所述根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型,包括:
当带有褶皱标签的第一待鉴别图像数据和/或带有凸点标签的第一待鉴别图像数据的鉴别结果为真,且带有正常标签的第一待鉴别图像数据的鉴别结果为假时,确定所述第一原始图像数据表示的电池质量类型为凸点和/或褶皱的类型;和/或
当带有正常标签的第一待鉴别图像数据的鉴别结果为真,且带有褶皱标签的第一待鉴别图像数据和/或带有凸点标签的第一待鉴别图像数据的鉴别结果也为真时,确定所述第一原始图像数据表示的电池质量类型为凸点和/或褶皱的类型;和/或
当带有正常标签的第一待鉴别图像数据的鉴别结果为真,且带有褶皱标签的第一待鉴别图像数据和带有凸点标签的第一待鉴别图像数据的鉴别结果均为假时,确定所述第一原始图像数据表示的电池质量类型为正常的类型。
在其中一个实施例中,所述识别模型的训练步骤包括:
获取带标签信息的真实样本数据;
将所述真实样本数据输入至待训练模型中的生成器中进行分析,所述生成器根据所述真实样本数据生成模拟样本数据;
将所述模拟样本数据输入至所述待训练模型中的鉴别器中进行分析,所述鉴别器输出所述模拟样本数据的第一真实性鉴别结果;
计算所述第一真实性鉴别结果和模拟样本数据的分类交叉熵;
基于所述分类交叉熵调整所述待训练模型中的生成器和/或鉴别器的参数,得到训练好的识别模型。
在其中一个实施例中,所述基于所述第一原始图像数据形成一份或多份第一待鉴别图像数据,包括:
从所述第一原始图像数据中裁切出包含电池质量的特征数据的裁切图像数据;
对所述裁切图像数据进行分辨率降低处理,形成一份或多分待标记图像数据;
针对每份待标记图像数据,采用独热编码将其中一种标签信息拼接至一份待标记图像数据中,形成第一待鉴别图像数据。
本申请第二方面,提供了一种基于样本扩充的电池质量检测装置,所述装置包括:
数据获取模块,用于获取待识别的第一原始图像数据,所述第一原始图像数据中包含了用于判定电池质量的特征数据;基于所述第一原始图像数据形成一份或多份第一待鉴别图像数据,每份所述第一待鉴别图像数据中包含一种电池质量类型的标签信息;
类型识别模块,用于将所述待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述第一待鉴别图像数据的第一真实性鉴别结果;
类型确定模块,用于根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型。
本申请第三方面,提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行本申请任一项实施例中所述的方法。
本申请第四方面,提供了一种计算机可读介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行本申请任一项实施例中所述的方法。
上述的基于样本扩充的电池质量检测方法、装置、可读介质和电子设备,在样本不足的情况下,可以利用基于样本扩充的识别模型来进行电池质量检测,通过将待检测数据先标记类型,然后给识别模型的鉴别器对所标记的类型进行真实性鉴别,根据真实性鉴别结果,可以推导出所标记类型的正确与否,进而可以确定该图像所反映出来的电池的质量类型,实现了在缺乏足够真实样本的情况下,准确且高效地自动识别出电池质量好坏。
相比较于通过利用基于扩充的训练好的识别模型来生成足够多的模拟样本,然后拿该模拟样本去训练专门用于进行图像类型识别的分类模型,最后再将待识别图像给到分类模型进行分类识别,进而得到图像对应的电池质量类型。本申请可以在样本不足的情况下直接利用基于样本扩充的训练好的识别模型一次性得到电池质量类型,省略了样本扩充的步骤和利用所扩充的足够样本再去训练专用于分类的模型,大大降低了对电子设备的计算资源的占用,并且也提高了电池质量类型分辨的效率。
附图说明
图1为一个实施例中电池质量检测方法的流程图;
图2A为一个实施例中存在凸点质量问题的图像示意图;
图2B为一个实施例中存在褶皱质量问题的图像示意图;
图2C为一个实施例中质量正常的图像示意图;
图3为一个实施例中分别为存在凸点问题、质量正常和存在褶皱问题的局部图像示意图;
图4为一个实施例中训练识别模型和利用识别模型进行电池质量检测的原理图;
图5为一个实施例中训练识别模型的原理图;
图6为一个实施例中模型训练过程的流程图;
图7为另一个实施例中电池质量检测方法的流程图;
图8为一个实施例中VGG16模型的工作原理图;
图9为一个实施例中识别模型训练和分类模型训练的原理图;
图10为一个实施例中利用识别模型和分类模型进行电池质量检测的原理图;
图11为一个实施例中电池质量检测装置的结构框图;
图12为另一个实施例中电池质量检测装置的结构框图;
图13为一个实施例中电子设备的内部结构图。
具体实施方式
以下,将参照附图来描述本申请的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本申请的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本申请的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本申请。这里使用的词语“一”、“一个(种)”和“该”等也应包括“多个”、“多种”的意思,除非上下文另外明确指出。此外,在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
另外,本文中尽管多次采用术语“第一”、“第二”等来描述各种元件(或各种阈值或各种应用或各种指令或各种操作)等,不过这些元件(或阈值或应用或指令或操作)不应受这些术语的限制。这些术语只是用于区分一个元件(或阈值或应用或指令或操作)和另一个元件(或阈值或应用或指令或操作)。例如,第一原始图像数据可以被称为第二原始图像数据,第二原始图像数据也可以被称为第一原始图像数据,而不脱离本发明的范围,第一原始图像数据和第二原始图像数据都是原始图像数据,只是二者并不是相同的图像数据而已。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在一个实施例中,提供了一种基于样本扩充的电池质量检测方法,如图1所示,该方法包括:
步骤102,获取待识别的原始图像数据。
本实施例中,原始图像数据可为预先准备好的待检测电池的原始数据,该数据可为直接拍摄的待检测电池的图像。其中,该图像数据中包含了用于判定电池质量的特征数据。通过对该特征数据的分析,可以识别电池的质量是否合格。
举例来说,如图2A至图2C所示,为不同缺陷类型的图像。其中图2A中的在图像为存在凸点问题的电池的图像,在该图像的上侧位置(如图中的区域A)有凸点特征,使得通过对该特征的分析,可以识别出电池是否合格。图2B中的图像为存在褶皱问题的电池的图像,在该图像的左侧位置(如图中的区域B)体现出了褶皱的特征。图2C中的图像为质量合格或正常的电池的图像。
如图3所示,为一个实施例中的部分图像数据,其中分别示出了存在凸点问题、褶皱问题或正常的电池质量的特征数据。
步骤104,基于原始图像数据形成一份或多份待鉴别图像数据,每份待鉴别图像数据中包含一种电池质量类型的标签信息。
本实施例中,待鉴别图像数据是用于作为识别模型的输入数据,该数据中包含了所设置的电池质量类型的标签信息,每种标签对应一种质量类型。比如说,电池质量类型包括两种或两种以上,比如包括正常类型和非正常类型,则标签信息可为正常或非正常。再比如说,如上述的,电池质量类型可以包括凸点类型、褶皱类型和正常类型,则标签信息分别为凸点标签、褶皱标签或正常标签。
电子设备可以直接将原始图像数据复制成一份或多份,将每份复制的图像标记一种标签从而作为待鉴别图像。也可以先将原始图像进行预处理,将预处理后的图像形成一份或多份,并将每份预处理后的图像标记一种标签来作为待鉴别图像。
其中,预处理的方式包括将原始图像进行包含了电池质量的特征数据的提取、图像分辨率降低、图像裁切等一种或多种处理,以使得形成的待鉴别图像可以作为识别模型的输入数据。通过对原始图像数据进行预处理,使得处理后的图像作为识别模型的输入可以降低后续模型运算过程中对资源的消耗,可以提高识别速度。
在一个实施例中,步骤104包括:基于原始图像数据形成一份或多份待标记图像数据;针对每份待标记图像数据,采用独热编码将其中一种标签信息拼接至一份待标记图像数据中,形成待鉴别图像数据。
其中,待标记图像数据可为原始图像数据本身,或者是针对原始图像数据中包含了体现出质量类型的特征数据部分进行裁切和/或分辨率降低等预处理,从而形成待标记图像数据。将原始图像数据本身作为待标记图像数据,可以尽可能多的保留体现出电池质量的特征数据;从而使得后续的识别模型对质量类型的判定更加准确,而将预处理后的图像作为待标记图像数据,可以降低图像的资源占用,进而也减少了识别模型分析的资源占用,从而能够提高识别模型的识别效率。
针对待标记图像数据,电子设备可以采用独热one-hot编码的方式,将其中一种类型的标签信息拼接至其中一份待标记图像数据中,从而形成待鉴别图像数据。举例来说,电子设备可以采用“0”表示第一种类型的标签信息,“1”表示第二种类型的标签信息,“3”表示第三种类型的标签信息等等。通过利用独热编码,可以提高对对需要识别的图像数据的标记效率和后续识别模型进行识别的效率。
在一个实施例中,基于原始图像数据形成一份或多份待标记图像数据,包括:从原始图像数据中裁切出包含电池质量的特征数据的裁切图像数据;对裁切图像数据进行分辨率降低处理,形成一份或多份待标记图像数据。
本实施例中,如图2A至图2C所示,原始图像数据中包含了完整的用于判定电池质量的特征数据,但其占用的数据资源较大,如果将原始图像直接作为待标记图像,则会导致识别模型的识别速度较慢。
电子设备可以首先采用语义分割的预训练模型将可以体现出电池质量类型的特征数据部分定位出来,并对所定位出的部分进行图像裁切,并裁切成预设大小的区域。针对裁切出来的区域,电子设备对其做进一步的分辨率降低处理,从而进一步降低了输入到识别模型中的数据的资源大小,从而可以提高识别模型的分析效率。
举例来说,若原始图像数据的分辨率为2025*180像素,比如图2A至图2C中的图像为原始图像数据,其分辨率为2025*180像素,电子设备在定位出需要裁切的区域之后,进行裁切形成180*180像素的数据,该数据中包含该电池质量的特征数据部分,在裁切之后,电子设备可进一步对其进行分辨率降低处理,比如对其进行下采样,形成96*96像素的数据。比如最终形成的为图3中的图像数据,其分辨率为96*96。
这样针对一份RGB的原始图像数据,其占用的RGB像素值的总数从2025*180*3=1093500,下降至96*96*3=27648,使得后续识别模型的输入减少到总数的2.5%,可以大大降低模型运算的资源消耗。
在一个实施例中,针对待标记为不同类型的原始图像数据,电子设备可以采取对应不同的原始图像数据。具体地,针对相同的待识别的原始图像数据,所形成的待标记图像数据并不一定相同,比如针对待标记为第一标签的待标记图像数据,电子设备可以按照与第一标签相适配的预处理方式进行预处理,该预处理用于侧重提取并保留存在第一标签类型相适配的特征数据,从而得到对应的待标记图像数据,并将其标记为第一标签。
举例来说,由于凸点通常会存在图像中的上端,电子设备可侧重提取原始图像数据中的上端区域的数据,从而形成待标记为凸点类型的图像数据。而褶皱通常会存在于侧边,则电子设备可侧重提取原始图像数据中的上端区域的数据,从而形成待标记为褶皱类型的图像数据。
步骤106,将待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过鉴别器输出待鉴别图像数据的真实性鉴别结果。
本实施例中,电子设备预先训练好了用于进行电池质量检测的识别模型,该识别模型为通过在缺乏大量真实样本的情况下而训练出来的模型。具体地,该识别模型包括生成器和鉴别器,生成器和鉴别器均可为一种人工智能模型,两者的模型可以相同或不同,比如生成器和鉴别器均为一种神经网络模型或者二分类模型等。
结合图4和图5所示,其中,该生成器基于真实样本来生成模拟样本,真实样本包括训练数据;而鉴别器则对所输入的样本的真实性进行鉴别,输出样本的真假鉴别结果,鉴别器的输入数据包含了生成器所生成的模拟样本数据和真实样本数据。其中,用于训练的样本都标记了类型标签,如图2A至图2C所示,不同类型的样本具有不同的特征。电子设备可以针对每种类型的样本均进行训练,使得生成器所生成的样本与其对应类型的真实样本足够接近,而鉴别器对不同类型的样本的真实性鉴别结果也足够准确。
当训练得到的识别模型中,生成器对于所生成的模拟样本足够逼真,且鉴别器对于所输入的样本的真实性鉴别的准确性达到预设要求时,两者达到平衡,则可以完成对识别模型的训练。上述识别模型可以基于样本扩充的模式进行自我训练,从而完成模型训练,训练好的模型通常是用来生成通过鉴别器鉴别的样本,用于给其它模型进行训练。
本实施例中,真实性鉴别结果为给定标签类型下的真假鉴别结果,电子设备可以将标记了标签的待鉴别图像数据输入到该识别模型的鉴别器中进行识别,鉴别器基于预先训练的结果,分析带有标签的待鉴别图像数据中携带的特征数据与训练得到的对应标签的特征数据之间的匹配性,若足够匹配,则输出鉴别结果为真实数据;若不够匹配,则输出鉴别结果为虚假数据。
步骤108,根据真实性鉴别结果确定原始图像数据所表示的电池质量类型。
本实施例中,由于用户预先不知道待识别的图像数据的类型,故而可以将其标记标签,将带有某一种标签的图像数据给到识别模型中的鉴别器,由鉴别器去判定带有该标签的数据是真实数据还是虚假数据。
如果鉴别为真实数据,则说明所标记的类型的待鉴别图像数据与对应类型的特征足够匹配,其所标注的类型大概率是正确的,如果鉴别器所鉴别的结果是虚假数据,则说明该所标记的类型的待鉴别图像数据与其对应类型的特征不够匹配,则其所标注的类型大概率是错误的。这样,电子设备可以基于该识别模型的鉴别器的输出结果可以推导出原始图像数据所表示的电池质量类型。
本申请的电池质量检测方法,在样本不足的情况下,可以利用基于样本扩充的识别模型来进行电池质量检测,通过将待检测数据先标记类型,然后给识别模型的鉴别器对所标记的类型进行真实性鉴别,根据真实性鉴别结果,可以推导出所标记类型的正确与否,进而可以确定该图像所反映出来的电池的质量类型。
相比较于通过利用基于扩充的训练好的识别模型来生成足够多的模拟样本,然后拿该模拟样本去训练专门用于进行图像类型识别的分类模型,最后再将待识别图像给到分类模型进行分类识别,进而得到图像对应的电池质量类型。本申请可以在样本不足的情况下直接利用基于样本扩充的训练好的识别模型一次性得到电池质量类型,省略了样本扩充的步骤和利用所扩充的足够样本再去训练专用于分类的模型,大大降低了对电子设备的计算资源的占用,并且也提高了电池质量类型分辨的效率。
在一个实施例中,标签信息包括第一标签和第二标签;步骤108包括:当带有第一标签的待鉴别图像数据的鉴别结果为真,带有其他标签的待鉴别图像数据的鉴别结果为假时,确定原始图像数据表示的电池质量类型为第一标签对应的电池类型。
本实施例中,标签的类型可以包含两种,分别为第一标签和第二标签,其中如上述的,第一标签可为正常类型的,第二标签可为非正常类型的,即存在瑕疵类型的标签。
电子设备可以根据原数图像数据形成两份待鉴别图像数据,其中一份标记第一标签,另一份标记第二标签。该识别模型可以预先针对第一标签样本和第二标签样本进行训练,形成训练好的识别模型。
电子设备将该两份待鉴别图像数据导入到鉴别器中进行分析,输出鉴别结果。如果输出的鉴别结果为带有第一标签的鉴别结果为真,而其他的鉴别结果为假时,则说明该图像所反映的电池属于第一标签类型的质量问题。
举例来说,如果第一标签表示存在瑕疵的标签,而带有瑕疵标签的鉴别结果为真,带有其他标签的鉴别结果为假,则说明判定原始图像数据表示的电池质量类型为瑕疵类型。
在一个实施例中,电子设备所形成的待鉴别图像数据的数量可为电池质量类型数量的N倍,其中,N为大于等于1的数。具体的,可为大于等于1的正整数。
电子设备可针对形成的每份待鉴别图像数据标注一种对应不同的信息,使得每种标签信息均有N份对应的待鉴别图像数据。当N为1时,则每种标签信息均有1份待鉴别图像数据,这样,电子设备即可实现对每种标签的真假鉴别。当N大于1时,则每种标签均有多份待鉴别数据,这样,电子设备可通过对每种标签进行对应N次真假鉴别,根据多次的鉴别结果来确定电池质量类型,可以提高电池质量类型判定的准确性。
在一个实施例中,电子设备所形成的待鉴别图像数据的数量可比电池质量类型数量少一份。这样,通过即可根据每份的鉴别结果即可确定原始图像数据的质量类型。比如当只有两种类型时,则形成的待鉴别图像数据则可以只有一份,电子设备可以将该份数据随机标记一种标签并进行真实性鉴别,若鉴别结果为真,则说明该原始图像数据即为所标记的电池质量类型,若鉴别结果为假,则表示电池质量类型不为所标记的电池质量类型,而是另一种电池质量类型。再比如说电池质量类型包括凸点、褶皱和正常三类,形成的待鉴别图像数据为两份,其中一个质量类型标签没有对应的图像数据,则仍然可以根据该两份图像数据的鉴别结果确定原始图像数据的质量类型。比如针对形成的两份待鉴别图像数据,对其分别标记凸点和褶皱两种类型进行真实性鉴别,当鉴别结果均为假时,则说明该原始图像数据的质量类型为正常,若其中一种为真,则说明该原始图像数据的质量类型为判定为真的标签所表示的质量类型。
在一个实施例中,标签信息包括凸点、褶皱和正常。当带有褶皱标签的待鉴别图像数据和/或带有凸点标签的待鉴别图像数据的鉴别结果为真,且带有正常标签的待鉴别图像数据的鉴别结果为假时,确定原始图像数据表示的电池质量类型为凸点和/或褶皱的类型。
当带有正常标签的待鉴别图像数据的鉴别结果为真,且带有褶皱标签的待鉴别图像数据和/或带有凸点标签的待鉴别图像数据的鉴别结果也为真时,确定原始图像数据表示的电池质量类型为凸点和/或褶皱的类型。
当带有正常标签的待鉴别图像数据的鉴别结果为真,且带有褶皱标签的待鉴别图像数据和带有凸点标签的待鉴别图像数据的鉴别结果均为假时,确定原始图像数据表示的电池质量类型为正常的类型。
本实施例中,电子设备所形成的待鉴别图像数据可为3*N份,分别为N份标记为凸点标签的待鉴别图像数据、N份标记为褶皱标签的待鉴别图像数据和N份标记为正常标签的待鉴别图像数据。其中N为大于等于1的正整数。
其中,针对每种类型的待鉴别图像数据,电子设备可以按照对应准备标记的类型进行相应的预处理,形成待鉴别图像数据,从而使得所形成的待鉴别图像数据尽可能地保留可能存在对应类型的电池质量的特征数据。
当鉴别结果表示其中一种类型为真,其他类型为假时,则说明该电池质量类型为鉴别结果为真的类型。比如只有褶皱或凸点为真,则说明其电池质量类型为褶皱或凸点。当褶皱和凸点类型均为真,且正常类型为假,则说明该电池既存在褶皱缺陷,也存在凸点缺陷,即其质量类型既为褶皱,也为凸点。
在一个实施例中,当正常标签的图像数据鉴别为真,且其他两种类型的图像数据也鉴别为真时,则可能是由于经过预处理造成的待鉴别图像数据中未能充分提取出其真实反映电池质量的特征数据。举例来说,比如该原始图像数据可能为褶皱类型,但在准备标记为正常标签的图像时,其预处理所提取的数据为在上边缘位置的数据,基于该数据所形成的待鉴别图像数据标记为正常标签时,鉴别器的判定结果为真;针对该原始图像数据,通过提取其左边缘位置的数据,基于该数据所形成的待鉴别图像数据标记为褶皱标签时,鉴别器的判定结果也为真。因此,出现了褶皱类型和正常类型均为真的情况,则电子设备可以判定该电池质量的类型为褶皱类型。
本实施例中,通过对每种类型的待鉴别图像数据均进行真假鉴别,基于该鉴别结果确定电池质量类型,可以提高电池质量类型鉴别的准确性。且通过将存在缺陷的电池质量类型进行凸点和褶皱细分,一方面有利于厂家通过缺陷类型判断工艺存在的不足进行改进,从而提高良品率;另一方面是对不同的缺陷可能会对产品进行不同的处理,如凸点产品会因为引起电池***进行丢弃,而褶皱产品在不影响电池性能的条件下可以回收以降低成本。
在一个实施例中,结合图5和图6所示,电子设备可预先对识别模型进行训练,形成训练好的识别模型,其训练过程包括:
步骤602,获取带标签信息的真实样本数据。
本实施例中,真实样本数据为已经做了电池质量类型标记的图像数据,其可为类型标签的原始图像数据,也可为将原始图像数据进行了预处理后的携带了类型标签的图像数据,该图像数据为作为识别模型训练的输入数据。举例来说,真实样本数据可为如图2A至图2C中的带有标记的原始图像数据,也可为如图3中的对原始图像数据进行预处理之后保留了各个质量类型的特征数据的图像数据。其中,真实样本数据可采用编码技术将其携带上标签信息,比如采用one-hot编码将其赋予凸点、褶皱或正常中的一种标签。
在一个实施例中,该真实样本数据中携带的标签信息可为人工标记的信息,其具有较高的准确性,真实样本数据的数据量少于一般的人工智能模型所需的量。
步骤604,将真实样本数据输入至待训练模型中的生成器中进行分析,生成器根据真实样本数据生成模拟样本数据。
本实施例中,待训练模型包括生成器网络和鉴别器网络。在接收到该真实样本数据之后,其生成器可针对该真实样本数据进行下采样,提取其中的数据特征,进而再补充随机向量或随机噪声对其进行上采样,将其恢复到与该真实样本数据相同的分辨率,并将与真实样本数据相同的类别标签编码到该数据中,形成模拟样本数据。在迭代训练过程中,生成器和鉴别器均进行参数更新,比如使用级梯度算法进行更新,这样,生成器在进行下采样时,可以不断地学习理解每种类型的样本数据中的数据特征,使得在上采样的时候,所形成的模拟样本数据尽可能地保留该对应类型的数据特征。
举例来说,真实样本为图2A至图2C或图3中的带有标签类别的图像数据时,针对凸点类型,鉴别器会学习图2A中的区域A或者图3中的凸点所呈现的特征,在针对真实数据进行下采样后,会生成随机噪声补充进去,从而模仿出凸点的数据特征,进而在拼接上凸点的标签,形成模拟样本数据。
在一个实施例中,生成器按照对分类交叉熵进行极大化的原则来生成模拟样本数据,从而不断提高所生成的模拟样本数据与真实样本数据的相似度。其中,待训练模型可为条件生成对抗网络模型。
步骤606,将模拟样本数据输入至待训练模型中的鉴别器中进行分析,鉴别器输出模拟样本数据的真实性鉴别结果。
本实施例中,鉴别器对所输入的数据进行真实性鉴别,其所输入的数据包括模拟样本数据和真实样本数据,其中,鉴别器预先不知道所输入的数据是真实样本数据还是模拟样本数据。这样,通过不断的迭代训练,优化相关参数,从而最大化提高鉴别器对于真实样本数据的鉴别为真,且对模拟样本数据鉴别结果为假的准确性。
步骤608,计算真实性鉴别结果和模拟样本数据的分类交叉熵。
步骤610,基于分类交叉熵调整待训练模型中的生成器和/或鉴别器的参数,得到训练好的识别模型。
本实施例中,待训练模型的训练结果可以根据分类交叉熵的结果来体现,其中,生成器的目标是最大化分类交叉熵,而鉴别器的目标是最小化分类交叉熵,当两个网络在训练过程中,使得最终的分类交叉熵达到了平衡,则可以结束模型的训练。
条件生成对抗网络模型与生成对抗网络模型的不同就在于,条件生成对抗网络模型比生成对抗网络模型的输入多了标签信息y,因此需要将标签信息y和图像数据x与y进行合并作为生成器和鉴别器的输入。相比于生成对抗网络模型,条件生成对抗网络模型可以利用一个模型实现对不同标签下的图像数据的训练和分析。
其中,x为生成器输出的图像数据或者鉴别器输入的图像数据,y为图像数据所赋予的标签信息。D(x|y)是鉴别器在给定类标签y的情况下图像数据x是真实的概率, G(z|y)是在给定类标签y的情况下具有随机向量z的生成器的输出,D(G(z|y))是在给定类标签y的情况下具有随机向量z的生成器的输出是真实的概率。是识别带有标签y的图像数据x为真实图像数据的期望值,是带有标签y的图像数据x为真实图像数据的期望值。分类交叉熵可理解为极大较小损失,生成器的目标是使得该计算结果最大化,而鉴别器的结果是使该计算结果最小化。
当经过多轮迭代,最终该计算结果达到了预设的阈值时,则认为模型训练结束。其中,该阈值可为一个固定的数值,或者处于某个数值范围。比如为0.5或者为0.49~0.51,当最终计算结果为0.5,或者处于0.49~0.51的范围内时,则认为模型训练结束。否则,电子设备根据计算结果对鉴别器和生成器中的相关参数进行优化,并基于优化后的参数进行新一轮的迭代。
在一个实施例中,结合图8所示,鉴别器和/或生成器可为二分类网络或卷积神经网络模型,比如鉴别器为VGG16模型。其中,生成器的输入的数据可为三通道3*3像素的向量,经过使用卷积专职层,最终将其放大为96~96的RGB图像。鉴别器使用128个神经元的卷积层进行两次下采样,内核为(3,3),步幅为 (2, 2)。每一层都使用 LeakyReLU激活,而输出设置为双曲正切进行缩放,并使用 ADAM 优化器进行训练。电子设备还可以设置预设的迭代次数,当完成了该迭代次数之后,则停止模型训练,形成训练完成的识别模型。比如该训练次数可为2000次,电子设备执行2000 个 epoch,批大小为 128。
如图8所示,其解释层内的神经元数量通过对 (8, 16, 32, 64, ..., 12288) 个神经元的线性搜索进行优化。网络最多有 100 个 epoch 进行训练,但如果在 10 个epoch 的时间内没有进一步的学习发生,则训练会提前停止。
电子设备进一步结合梯度加权类激活映射(Grad-CAM)进行模拟图像数据分析,将模型中的权重幅值作为剪枝的标准,取出每个网络的权重,将这些权重进行从大到小的排列,再基于稀疏百分比,将权重中的从小到大排列的前百分之若干的权重设置为0。可采用预设的稀疏度A作为最终使用网络,权重稀疏度A为原始大小的A*100%,其中A可为0.1~0.9,比如为0.5。通过设置稀疏度,可以降低模型训练的资源消耗,提高了模型训练的效率。
在一个实施例中,结合图7和图10,提供了另一种基于样本扩充的电池质量检测方法,该方法包括:
步骤702,获取待识别的第一原始图像数据,第一原始图像数据中包含了用于判定电池质量的特征数据。
步骤704,基于第一原始图像数据形成一份或多份第一待鉴别图像数据,每份第一待鉴别图像数据中包含一种电池质量类型的标签信息。
步骤706,将待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过鉴别器输出第一待鉴别图像数据的第一真实性鉴别结果。
步骤708,根据第一真实性鉴别结果确定第一原始图像数据所表示的电池质量类型。
本实施例中,上述的步骤702至步骤708与步骤102至步骤108的实现方案相同,此处只是将步骤102至步骤108中的“原始图像数据”、“待鉴别图像数据”、“真实性鉴别结果”分别改为了“第一原始图像数据”、“第一待鉴别图像数据”、“第一真实性鉴别结果”。可以理解地,本实施例中的“第一原始图像数据”、“第一待鉴别图像数据”、“第一真实性鉴别结果”只是为了与下述的“第二原始图像数据”、“第二待鉴别图像数据”、“第二真实性鉴别结果”进行区分。
本实施例中的“第一原始图像数据”是用于给下述的图像分类模型进行训练的图像数据,而下述的“第二原始图像数据”是用于给下述的图像分类模型进行分类识别的图像数据。“第一待鉴别图像数据”、“第一真实性鉴别结果”是与“第一原始图像数据”对应,而“第二待鉴别图像数据”、“第二真实性鉴别结果”是与“第二原始图像数据”对应。
步骤710,将确定了电池质量类型的第一原始图像数据作为扩充样本,根据扩充样本对预设的图像分类模型进行训练,形成训练好的图像分类模型。
本实施例中,电子设备还预设了图像分类模型,该图像分类模型可用于进行图像质量分类。由于缺乏足够的训练样本,本申请可以将经过识别模型所识别出来的已经分类了的原始图像数据作为该图像分类模型的样本,从而使得具有足够的样本对图像分类模型进行训练。
在一个实施例中,图像分类模型可为卷积神经网络模型或二分类模型,比如可为上述的VGG16模型。与识别模型的输入类似,图像分类模型的输入可为第一原始图像数据本身,或者是经过了预处理之后的原始图像数据,区别在于,作为图像分类模型的输入不带有标签信息,但是已知该图像数据对应的类型。
在一个实施例中,从第一原始图像数据中裁切出包含电池质量的特征数据的裁切图像数据;对裁切图像数据进行分辨率降低处理,形成一份或多分待标记图像数据,将该待标记图像数据作为图像分类模型进行训练。
结合图8中的VGG16模型为例进行说明,其中,该模型的输入的数据可为三通道3*3像素的向量,经过使用卷积专职层,最终将其放大为96~96的RGB图像。鉴别器使用128个神经元的卷积层进行两次下采样,内核为(3,3),步幅为 (2, 2)。每一层都使用 LeakyReLU激活,而输出设置为双曲正切进行缩放,并使用 ADAM 优化器进行训练。电子设备还可以设置预设的迭代次数,当完成了该迭代次数之后,则停止模型训练,形成训练完成的识别模型。比如该训练次数可为2000次,电子设备执行2000 个 epoch,批大小为 128。
其解释层内的神经元数量通过对 (8, 16, 32, 64, ..., 12288) 个神经元的线性搜索进行优化。网络最多有 100 个 epoch 进行训练,但如果在 10 个 epoch 的时间内没有进一步的学习发生,则训练会提前停止。
电子设备进一步结合梯度加权类激活映射(Grad-CAM)进行模拟图像数据分析,将模型中的权重幅值作为剪枝的标准,取出每个网络的权重,将这些权重进行从大到小的排列,再基于稀疏百分比,将权重中的从小到大排列的前百分之若干的权重设置为0。可采用预设的稀疏度A作为最终使用网络,权重稀疏度A为原始大小的A*100%,其中A可为0.1~0.9,比如为0.5。通过设置稀疏度,可以降低模型训练的资源消耗,提高了模型训练的效率。
在一个实施例中,结合图9所示,图像分类模型的样本除了包含由识别模型所确定的电池质量类型的第一原始图像数据之外,还包括用于对识别模型进行训练的图像数据。图像分类模型的样本还包括由训练好的识别模型所产生的模拟样本数据,该样本数据由识别模型中的生成器产生,并通过了鉴别器的鉴别,从而使得所产生的模拟样本数据足够逼真,进而保证具有足够的样本量来对图像分类模型进行训练。其中,无论是识别模型的训练数据还是分类模型的训练数据,其数据对应的图像质量类型已经确定,
不同之处在于图9中的训练数据和验证数据中的图像质量类型通常为人工标注的数据,而样本扩充数据为识别模型识别出来的质量类型的数据,该两种数据均为真实数据。这样,各个模型可以在训练过程中不断地学习每种质量类型的特征数据。
举例来说,训练数据集中可包含1700张手机电池数据,其分辨率是2025*180像素,采用自定义方式标注,将所有图片放在同一个文件夹下,再用一个json文件记录其类别。在一个实施例中,鉴于每张图片只描述了一个类别,即同时表现出凸点和褶皱的手机电池将有两个单独的条目,电子设备将存在两个单独条目的数据进行丢弃,防止对模型的训练产生干扰,只将具有单个标签的数据作为训练数据。
步骤712,获取待识别的第二原始图像数据,第二原始图像数据中包含了用于判定电池质量的特征数据。
本实施例中,与第一原始图像数据的区别在于,第二原始图像数据还用来作为图像分类模型的输入。
步骤714,基于第二原始图像数据形成一份或多份第二待鉴别图像数据和一份或多份待分类图像数据,每份第二待鉴别图像数据中包含一种电池质量类型的标签信息,待分类图像数据中不包含标签信息。
在一个实施例中,第二待鉴别图像数据可为包含了标签信息的第二原始图像数据,还可为从第二原始图像数据中裁切出包含电池质量的特征数据的裁切图像数据;对裁切图像数据进行分辨率降低处理,形成一份或多分待标记图像数据;针对每份待标记图像数据,采用独热编码将其中一种标签信息拼接至一份待标记图像数据中,形成第二待鉴别图像数据。
类似地,待分类图像数据可为上述的不包含标签信息的第二原始图像数据,也可为上述的标记图像数据。待分类图像数据与待鉴别图像数据的区别在于,待分类图像数据不包含标签信息,而待鉴别图像数据中赋予了标签信息。
步骤716,将第二待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过鉴别器输出第二待鉴别图像数据的第二真实性鉴别结果。
本实施例中,可采取类似于步骤106的方式,由鉴别器输出对应的真实性鉴别结果,其中,该真实性鉴别结果中包含了携带各种标签信息的待鉴别图像的真假的结果。
步骤718,将待分类图像数据输入至训练好的图像分类模型中进行分析,通过图像分类模型输出待分类图像数据的分类结果。
本实施例中,图像分类模型经过训练,可以识别出所分类图像数据所匹配的标签类型,并基于该匹配结果输出对应的分类结果。其中分类结果包括上述的电池质量类型,比如分类结果为凸点、褶皱或正常类型中的其中一种或几种。
在一个实施例中,步骤716和步骤718之间的执行顺序不做限定,可以同时执行步骤716和步骤718,也可以先执行步骤716,再执行步骤718。
步骤720,根据第二真实性鉴别结果和分类结果确定第二原始图像数据所表示的电池质量类型。
本实施例中,电子设备可以首先按照类似步骤108一样,先基于第二真实性鉴别结果确定第二原始图像数据所表示的电池质量类型,该电池质量类型可为预分类类型,再将该预分类类型与图像分类模型所确定的分类结果进行比较,当两者一致时,则确定该图像数据对应的类型即为两个模型所确定的电池质量类型。当不一致,则输出电池质量类型判定有误,这样转而由工作人员来确定,并根据判定有误的次数占比来确定是否需要继续对识别模型或者图像分类模型继续进行训练。若需要继续进行训练,可按照上述实施例再进行训练,从而对识别模型或图像分类模型做进一步的优化。
上述的电池质量检测方法,还预设了图像分类模型,通过将已经识别出电池质量类型的第一原始图像数据作为扩充样本,这样,当识别模型运行识别出了大量的第一原始图像数据的电池质量类型之后,相当于积累了众多的训练样本,进而利用该样本来对图像分类模型进行训练,形成了除了识别模型之外,另一个可用于进行原始图像数据的电池质量类型分类的图像分类模型,这样,电子设备可以利用该两个模型同时对图像数据进行电池质量分类,将两个模型各自识别出的分类结果进行比较来最终确认对应的电池质量类型,可以进一步提高电池质量分类的准确性。
在一个实施例中,电子设备在完成了图像分类模型的训练之外,可以单独采用图像分类模型进行第二原始图像数据的电池质量分类。其中,可在上述步骤712之后,还包括:基于第二原始图像数据形成一份或多份待分类图像数据;将待分类图像数据输入至训练好的图像分类模型中进行分析,通过图像分类模型输出待分类图像数据的分类结果;将分类结果作为第二原始图像数据所表示的电池质量类型。
本实施例中,通过利用专门用于进行图像分类的模型来进行图像分类,也可以准确且高效地自动确定图像数据的电池质量类型。
在一个实施例中,如图11所示,提供了一种基于样本扩充的电池质量检测装置,该装置包括:
数据获取模块1102,用于获取待识别的第一原始图像数据,第一原始图像数据中包含了用于判定电池质量的特征数据;基于第一原始图像数据形成一份或多份第一待鉴别图像数据,每份第一待鉴别图像数据中包含一种电池质量类型的标签信息;
类型识别模块1104,用于将待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过鉴别器输出第一待鉴别图像数据的第一真实性鉴别结果;
类型确定模块1106,用于根据第一真实性鉴别结果确定第一原始图像数据所表示的电池质量类型。
在一个实施例中,标签信息包括第一标签和第二标签;类型确定模块1106还用于当带有第一标签的第一待鉴别图像数据的鉴别结果为真,带有其他标签的第一待鉴别图像数据的鉴别结果为假时,确定第一原始图像数据表示的电池质量类型为第一标签对应的电池类型。
在一个实施例中,标签信息包括凸点、褶皱和正常,类型确定模块1106还用于当带有褶皱标签的第一待鉴别图像数据和/或带有凸点标签的第一待鉴别图像数据的鉴别结果为真,且带有正常标签的第一待鉴别图像数据的鉴别结果为假时,确定第一原始图像数据表示的电池质量类型为凸点和/或褶皱的类型。
在一个实施例中,类型确定模块1106还用于当带有正常标签的第一待鉴别图像数据的鉴别结果为真,且带有褶皱标签的第一待鉴别图像数据和/或带有凸点标签的第一待鉴别图像数据的鉴别结果也为真时,确定第一原始图像数据表示的电池质量类型为凸点和/或褶皱的类型。
在一个实施例中,类型确定模块1106还用于当带有正常标签的第一待鉴别图像数据的鉴别结果为真,且带有褶皱标签的第一待鉴别图像数据和带有凸点标签的第一待鉴别图像数据的鉴别结果均为假时,确定第一原始图像数据表示的电池质量类型为正常的类型。
在一个实施例中,如图12所示,电池质量检测装置还包括:
模型训练模块1108,用于获取带标签信息的真实样本数据;将真实样本数据输入至待训练模型中的生成器中进行分析,生成器根据真实样本数据生成模拟样本数据;将模拟样本数据输入至待训练模型中的鉴别器中进行分析,鉴别器输出模拟样本数据的第一真实性鉴别结果;计算第一真实性鉴别结果和模拟样本数据的分类交叉熵;基于分类交叉熵调整待训练模型中的生成器和/或鉴别器的参数,得到训练好的识别模型。
在一个实施例中,模型训练模块1108还用于根据计算分类交叉熵;当分类交叉熵达到预设值时,结束对待训练模型的训练,其中是识别带有标签y的图像数据x为真实图像数据的期望值,是带有标签y的图像数据x为真实图像数据的期望值,z表示随机向量。
在一个实施例中,数据获取模块1102还用于基于原始图像数据形成一份或多份待标记图像数据;针对每份待标记图像数据,采用独热编码将其中一种标签信息拼接至一份待标记图像数据中,形成待鉴别图像数据。
在一个实施例中,数据获取模块1102还用于从原始图像数据中裁切出包含电池质量的特征数据的裁切图像数据;对裁切图像数据进行分辨率降低处理,形成待鉴别图像数据。
在一个实施例中,模型训练模块1108还用于将确定了电池质量类型的第一原始图像数据作为扩充样本,根据扩充样本对预设的图像分类模型进行训练,形成训练好的图像分类模型。
数据获取模块1102还用于获取待识别的第二原始图像数据,第二原始图像数据中包含了用于判定电池质量的特征数据;基于第二原始图像数据形成一份或多份第二待鉴别图像数据和一份或多份待分类图像数据,每份第二待鉴别图像数据中包含一种电池质量类型的标签信息,待分类图像数据中不包含标签信息。
类型识别模块1104还用于将第二待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过鉴别器输出第二待鉴别图像数据的第二真实性鉴别结果。
类型识别模块1104还用于将待分类图像数据输入至训练好的图像分类模型中进行分析,通过图像分类模型输出待分类图像数据的分类结果。
类型确定模块1106还用于根据第二真实性鉴别结果和分类结果确定第二原始图像数据所表示的电池质量类型。
在一个实施例中,提出了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述任意实施例中的电池质量检测方法的步骤。
在一个实施例中,提出了一种计算机可读介质,其上存储有计算机可执行指令,该指令被处理器执行时,使得所述处理器执行上述任意实施例中的电池质量检测方法的步骤。
在一个实施例中,提供了一种电子设备,该电子设备具体可以是终端,也可以是服务器。如图13所示,电子设备1300包括中央处理单元(CPU)1301,其可以根据存储在只读存储器(ROM)1302中的程序或者从存储部分1308加载到随机访问存储器(RAM)1303中的程序而执行各种适当的动作和处理。在RAM 1303中,还存储有电子设备1300操作所需的各种程序和数据。CPU 1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(I/O)接口1305也连接至总线1304。
以下部件连接至I/O接口1305:包括键盘、鼠标等的输入部分1306;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1307;包括硬盘等的存储部分1308;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1309。通信部分1309经由诸如因特网的网络执行通信处理。驱动器1310也根据需要连接至I/O接口1305。可拆卸介质1311,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1310上,以便于从其上读出的计算机程序根据需要被安装入存储部分1308。
特别地,根据本申请的实施例,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,本申请的实施例包括一种计算机程序产品,包括承载指令的在计算机可读介质,在这样的实施例中,该指令可以通过通信部分1309从网络上被下载和安装,和/或从可拆卸介质1311被安装。在该指令被中央处理单元(CPU)1301执行时,执行本发明中描述的各个方法步骤。
尽管已经描述了示例实施例,但是对于本领域技术人员来说显而易见的是,在不脱离本发明构思的精神和范围的情况下,可以进行各种改变和修改。因此,应当理解,上述示例实施例不是限制性的,而是说明性的。
Claims (10)
1.一种基于样本扩充的电池质量检测方法,其特征在于,所述方法包括:
获取待识别的第一原始图像数据,所述第一原始图像数据中包含了用于判定电池质量的特征数据;
基于所述第一原始图像数据形成一份或多份第一待鉴别图像数据,每份所述第一待鉴别图像数据中包含一种电池质量类型的标签信息;
将所述待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述第一待鉴别图像数据的第一真实性鉴别结果;
根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将确定了电池质量类型的第一原始图像数据作为扩充样本,根据所述扩充样本对预设的图像分类模型进行训练,形成训练好的图像分类模型;
获取待识别的第二原始图像数据,所述第二原始图像数据中包含了用于判定电池质量的特征数据;
基于所述第二原始图像数据形成一份或多份第二待鉴别图像数据和一份或多份待分类图像数据,每份所述第二待鉴别图像数据中包含一种电池质量类型的标签信息,所述待分类图像数据中不包含所述标签信息;
将所述第二待鉴别图像数据输入至所述训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述第二待鉴别图像数据的第二真实性鉴别结果;
将所述待分类图像数据输入至所述训练好的图像分类模型中进行分析,通过所述图像分类模型输出所述待分类图像数据的分类结果;
根据所述第二真实性鉴别结果和所述分类结果确定所述第二原始图像数据所表示的电池质量类型。
3.根据权利要求1所述的方法,其特征在于,所述标签信息包括第一标签和第二标签;所述根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型,包括:
当带有第一标签的第一待鉴别图像数据的鉴别结果为真,带有其他标签的第一待鉴别图像数据的鉴别结果为假时,确定所述第一原始图像数据表示的电池质量类型为第一标签对应的电池类型。
4.根据权利要求1所述的方法,其特征在于,所述标签信息包括凸点、褶皱和正常,所述根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型,包括:
当带有褶皱标签的第一待鉴别图像数据的鉴别结果为真,且带有正常标签的第一待鉴别图像数据的鉴别结果为假时,确定所述第一原始图像数据表示的电池质量类型为褶皱的类型;或
当带有正常标签的第一待鉴别图像数据的鉴别结果为真,且带有褶皱标签的第一待鉴别图像数据的鉴别结果也为真时,确定所述第一原始图像数据表示的电池质量类型为褶皱的类型;或
当带有正常标签的第一待鉴别图像数据的鉴别结果为真,且带有褶皱标签的第一待鉴别图像数据和带有凸点标签的第一待鉴别图像数据的鉴别结果均为假时,确定所述第一原始图像数据表示的电池质量类型为正常的类型。
5.根据权利要求1所述的方法,其特征在于,所述识别模型的训练步骤包括:
获取带标签信息的真实样本数据;
将所述真实样本数据输入至待训练模型中的生成器中进行分析,所述生成器根据所述真实样本数据生成模拟样本数据;
将所述模拟样本数据输入至所述待训练模型中的鉴别器中进行分析,所述鉴别器输出所述模拟样本数据的第一真实性鉴别结果;
计算所述第一真实性鉴别结果和模拟样本数据的分类交叉熵;
基于所述分类交叉熵调整所述待训练模型中的生成器和/或鉴别器的参数,得到训练好的识别模型。
7.根据权利要求1所述的方法,其特征在于,所述基于所述第一原始图像数据形成一份或多份第一待鉴别图像数据,包括:
从所述第一原始图像数据中裁切出包含电池质量的特征数据的裁切图像数据;
对所述裁切图像数据进行分辨率降低处理,形成一份或多分待标记图像数据;
针对每份待标记图像数据,采用独热编码将其中一种标签信息拼接至一份待标记图像数据中,形成第一待鉴别图像数据。
8.一种基于样本扩充的电池质量检测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待识别的第一原始图像数据,所述第一原始图像数据中包含了用于判定电池质量的特征数据;基于所述第一原始图像数据形成一份或多份第一待鉴别图像数据,每份所述第一待鉴别图像数据中包含一种电池质量类型的标签信息;
类型识别模块,用于将所述待鉴别图像数据输入至训练好的基于样本扩充的识别模型中的鉴别器中进行分析,通过所述鉴别器输出所述第一待鉴别图像数据的第一真实性鉴别结果;
类型确定模块,用于根据所述第一真实性鉴别结果确定所述第一原始图像数据所表示的电池质量类型。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818616.4A CN114897901B (zh) | 2022-07-13 | 2022-07-13 | 基于样本扩充的电池质量检测方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210818616.4A CN114897901B (zh) | 2022-07-13 | 2022-07-13 | 基于样本扩充的电池质量检测方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114897901A true CN114897901A (zh) | 2022-08-12 |
CN114897901B CN114897901B (zh) | 2022-11-01 |
Family
ID=82729324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210818616.4A Active CN114897901B (zh) | 2022-07-13 | 2022-07-13 | 基于样本扩充的电池质量检测方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897901B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310531A (zh) * | 2018-12-12 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 图像分类方法、装置、计算机设备及存储介质 |
CN111340748A (zh) * | 2018-12-17 | 2020-06-26 | 汉能移动能源控股集团有限公司 | 电池缺陷识别方法、装置、计算机设备和存储介质 |
CN111709408A (zh) * | 2020-08-18 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 图像真伪检测方法和装置 |
CN112529806A (zh) * | 2020-12-15 | 2021-03-19 | 哈尔滨工程大学 | 基于生成对抗网络信息最大化的sar图像数据增强方法 |
CN113537031A (zh) * | 2021-07-12 | 2021-10-22 | 电子科技大学 | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 |
-
2022
- 2022-07-13 CN CN202210818616.4A patent/CN114897901B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310531A (zh) * | 2018-12-12 | 2020-06-19 | 北京京东尚科信息技术有限公司 | 图像分类方法、装置、计算机设备及存储介质 |
CN111340748A (zh) * | 2018-12-17 | 2020-06-26 | 汉能移动能源控股集团有限公司 | 电池缺陷识别方法、装置、计算机设备和存储介质 |
CN111709408A (zh) * | 2020-08-18 | 2020-09-25 | 腾讯科技(深圳)有限公司 | 图像真伪检测方法和装置 |
CN112529806A (zh) * | 2020-12-15 | 2021-03-19 | 哈尔滨工程大学 | 基于生成对抗网络信息最大化的sar图像数据增强方法 |
CN113537031A (zh) * | 2021-07-12 | 2021-10-22 | 电子科技大学 | 基于多鉴别器条件生成对抗网络的雷达图像目标识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114897901B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348319B (zh) | 一种基于人脸深度信息和边缘图像融合的人脸防伪方法 | |
CN104680144B (zh) | 基于投影极速学习机的唇语识别方法和装置 | |
CN111950453A (zh) | 一种基于选择性注意力机制的任意形状文本识别方法 | |
CN111950497B (zh) | 一种基于多任务学习模型的ai换脸视频检测方法 | |
CN111950528B (zh) | 图表识别模型训练方法以及装置 | |
CN111767883B (zh) | 一种题目批改方法及装置 | |
CN114155244B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN114360038B (zh) | 基于深度学习的弱监督rpa元素识别方法及*** | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN113870254A (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
CN115239672A (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN111062338B (zh) | 一种证照人像一致性比对方法及其*** | |
CN113011246A (zh) | 票据分类方法、装置、设备及存储介质 | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN116958736A (zh) | 一种基于跨模态边缘引导的rgb-d显著性目标检测方法 | |
CN114897901B (zh) | 基于样本扩充的电池质量检测方法、装置和电子设备 | |
CN116188361A (zh) | 一种基于深度学习的铝型材表面缺陷分类方法及装置 | |
CN114387553B (zh) | 一种基于帧结构感知聚合的视频人脸识别方法 | |
CN115861595A (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
CN114927236A (zh) | 一种面向多重目标图像的检测方法及*** | |
CN114373178A (zh) | 一种图片文字检测与识别方法及*** | |
CN113516148A (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN112070060A (zh) | 识别年龄的方法、年龄识别模型的训练方法和装置 | |
CN113139932A (zh) | 一种基于集成学习的深度学习缺陷图像识别方法及*** | |
CN112712550A (zh) | 一种图像质量评价方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |