CN118155004A - 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 - Google Patents
针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 Download PDFInfo
- Publication number
- CN118155004A CN118155004A CN202410584943.7A CN202410584943A CN118155004A CN 118155004 A CN118155004 A CN 118155004A CN 202410584943 A CN202410584943 A CN 202410584943A CN 118155004 A CN118155004 A CN 118155004A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample image
- diaphragm
- image
- sample
- 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 474
- 238000013145 classification model Methods 0.000 title claims abstract description 102
- 238000012549 training Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 57
- 238000001514 detection method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000002950 deficient Effects 0.000 claims description 3
- 230000007306 turnover Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 19
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种针对隔膜表面缺陷的缺陷分类模型的训练方法及装置,其中,所述方法包括:获取多个隔膜表面图像并进行灰度特征计算,根据预设的特征阈值进行检测,以确定缺陷区域作为第一样本图像;对第一样本图像进行缺陷分类,得到对应的已知缺陷类别;获取未知缺陷类别的第二样本图像,其中,第二样本图像为与隔膜类似的工业品的缺陷图像;基于第一样本图像、第二样本图像及其对应的缺陷类别对缺陷分类模型进行训练;在多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据生成未知缺陷类别下的第三样本图像,对预设的缺陷分类模型进行训练。采用本发明,可以提高极耳翻折缺陷检测的准确率。
Description
技术领域
本发明涉及工业机器视觉自动检测技术领域,尤其涉及一种针对隔膜表面缺陷的缺陷分类模型的训练方法和装置方法、装置、计算机设备及计算机可读介质。
背景技术
锂电池作为一种新型绿色电池,经过十几年的迅猛发展,占据了电池市场中的最大市场份额,已成为化学能源应用领域中最具竞争力的电池。锂电池隔膜作为锂离子电池的重要组成部分,随着汽车、手机、平板电脑等电子行业的迅猛发展,其需求量也在与日剧增。为了提高隔膜的性能和安全性、降低企业生产成本和提高产品信誉度,锂电隔膜需在生产过程中加入缺陷检测环节。通过对隔膜表面缺陷进行准确识别和分类,可以防止有缺陷的隔膜进入后续工序,并帮助生产人员排除设备故障原因,提高隔膜产品良率。
隔膜生产过程中由于生产工艺和设备机台故障的原因,会导致隔膜表面出现针孔、沙眼、液滴、漏涂、褶皱等类别的缺陷,而通过深度学习的隔膜缺陷视觉检测设备通过对各种缺陷样本进行收集训练,可到达较高精度的缺陷分类。然而,对于隔膜生产过程中出现的未知缺陷或已知缺陷的未知形态,因技术局限性而无法进行准确分类。
发明内容
基于此,有必要针对上述问题,提出了一种针对隔膜表面缺陷的缺陷分类模型的训练方法和装置方法、装置、计算机设备及计算机可读介质。
在本发明的第一部分,提供了一种针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述方法包括:
获取多个隔膜表面图像,对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像;
对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别,其中,缺陷类别包括多个已知缺陷类别;
获取第二样本图像,且所述第二样本图像的缺陷类别为未知缺陷类别,其中,所述第二样本图像为与隔膜类似的工业品的缺陷图像;
基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练;
其中,所述方法还包括:
在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据所述选择的至少一个样本图像生成所述1个未知缺陷类别下的第三样本图像;
基于所述第三样本图像对预设的缺陷分类模型进行训练。
在一个可选的实施例中,所述对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像的步骤,还包括:对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征;根据预设的灰度阈值、灰度方差阈值、缺陷间距阈值、圆度阈值、扁平度阈值,对所述隔膜表面图像的灰度特征进行检测,以得到所述隔膜表面图像中的缺陷区域;根据预设的区域大小,对所述缺陷区域进行裁剪,以得到与所述缺陷区域对应的第一样本图像。
在一个可选的实施例中,所述基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练的步骤,还包括:基于所述第一样本图像、所述第二样本图像机器对应的缺陷类别对预设的缺陷分类模型进行训练,并计算该次训练下的损失函数,其中,所述缺陷分类模型为DenseNet121的卷积神经网络模型;所述损失函数loss的计算公式为:
;
其中,为缺陷类别的数量,且/>的值等于所述多个已知缺陷类别的数量加1;表示已知的多个已知缺陷类别的数据集合;/>表示未知缺陷类别的数据集合;/>、分别表示样本图像/>、/>所在的缺陷类别;/>和/>为预设的函数。
在一个可选的实施例中,所述在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像的步骤,还包括:按照预设的比例值,在在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像。
在一个可选的实施例中,所述基于所述第三样本图像对预设的缺陷分类模型进行训练的步骤之后,还包括:计算该次训练下的损失函数,在该损失函数低于预设值或训练次数达到最大训练次数的情况下,完成对所述缺陷分类模型的训练。
在一个可选的实施例中,所述方法还包括:在每一个已知缺陷类别中对应的第一样本图像中确定一张样本图像作为该已知缺陷类别下的模板样本图像;将所述模板样本图像输入所述缺陷分类模型,获取对应的特征向量,并确定该缺陷类别下模板样本图像与其它样本图像之间的相似度的最小值作为该缺陷类别对应的相似度阈值;获取待检测隔膜对应的待检测图像,将所述待检测图像输入完成训练的缺陷分类模型;获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果。
在一个可选的实施例中,所述获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果的步骤,还包括:若所述缺陷分类模型输出的缺陷类别信息和特征向量信息是匹配的,则将所述缺陷类别信息作为待检测隔膜的缺陷分类结果;反之,计算所述特征向量信息与每一个已知缺陷类别对应的模板样本图像的特征向量之间的相似度,根据计算得到的相似度与每个缺陷类别对应的相似度阈值之间的大小关系,确定所述待检测隔膜的缺陷分类结果;其中,计算得到的相似度大于待检测隔膜的缺陷分类结果对应的缺陷类别对应的相似度阈值;若相似度小于所有已知缺陷类别的相似度阈值,确定所述缺陷分类结果为未知缺陷类别。
在一个可选的实施例中,所述计算所述特征向量信息与每一个已知缺陷类别对应的模板样本图像的特征向量之间的相似度的步骤,还包括:计算所述特征向量信息与已知缺陷类别对应的模板样本图像的特征向量之间的余弦值作为相似度。
在本发明的第二部分,提供了一种针对隔膜表面缺陷的缺陷分类模型的训练装置,所述装置包括:
第一缺陷样本获取模块,用于获取多个隔膜表面图像,对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像;
缺陷分类标注模块,用于对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别,其中,缺陷类别包括多个已知缺陷类别;
第二缺陷样本获取模块,用于获取第二样本图像,且所述第二样本图像的缺陷类别为未知缺陷类别,其中,所述第二样本图像为与隔膜类似的工业品的缺陷图像;
模型训练模块,用于基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练;
迭代缺陷样本获取模块,用于在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据所述选择的至少一个样本图像生成所述1个未知缺陷类别下的第三样本图像;
模型迭代训练模块,用于基于所述第三样本图像对预设的缺陷分类模型进行训练。
在一个可选的实施例中,所述装置还包括缺陷检测模块,用于:
在每一个已知缺陷类别中对应的第一样本图像中确定一张样本图像作为该已知缺陷类别下的模板样本图像;
将所述模板样本图像输入所述缺陷分类模型,获取对应的特征向量,并确定该缺陷类别下模板样本图像与其它样本图像之间的相似度的最小值作为该缺陷类别对应的相似度阈值;
获取待检测隔膜对应的待检测图像,将所述待检测图像输入完成训练的缺陷分类模型;
获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果。
在本发明的第三部分,提供了一种计算机设备,所述计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序;所述处理器用于根据所述计算机程序执行如上述第一方面所述的针对隔膜表面缺陷的缺陷分类模型的训练方法的步骤。
在本发明的第四部分,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用于存储计算机程序,所述计算机程序用于执行如上述第一方面所述的针对隔膜表面缺陷的缺陷分类模型的训练方法的步骤。
采用本发明实施例,具有如下有益效果:
采用了上述针对隔膜表面缺陷的缺陷分类模型的训练方法、装置、计算机设备及计算机可读存储介质之后,对隔膜表面缺陷进行检测的缺陷分类模型的训练过程中,采集隔膜表面图像并对缺陷区域进行裁剪和标注之后作为已知缺陷类别的训练样本;并且,将其它与隔膜类似的工业品的缺陷图像作为未知缺陷类别的训练样本,对缺陷分类模型进行训练。其中,通过生成对抗网络进一步训练缺陷分类模型,攻击分类的边界,使得其已知缺陷类别的特征空间收缩,提高了缺陷检测的准确率。
进一步的,在本申请中,通过优化模型的损失函数,添加特征向量的余弦相似度评价,应用在隔膜表面的缺陷检测上时,可以保证对隔膜表面的已知缺陷准确分类率的同时,也可以将隔膜表面新的缺陷形态判定到未知类别中,从而提高模型的分类准确率,也能做到对生成设备新的的故障形态及时报警,提醒现场工作人员检修设备,从而降低因故障导致的生成成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中一种针对隔膜表面缺陷的缺陷分类模型的训练方法的流程示意图;
图2为一个实施例中缺陷分类模型的结构示意图和分类示意图;
图3为一个实施例中一种针对隔膜表面缺陷的缺陷分类模型的训练方法装置的结构示意图;
图4为一个实施例中运行上述针对隔膜表面缺陷的缺陷分类模型的训练方法的计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本实施例中,提供了一种针对隔膜表面缺陷的缺陷分类模型的训练方法以及基于该方法训练得到的缺陷分类模型进行对隔膜表面缺陷进行缺陷分类的方法,可以提高对隔膜缺陷检测的准确率,怄气是针对未知缺陷类别,也可以准确的进行检测,提高了缺陷分类的准确率。
上述针对隔膜表面缺陷的缺陷分类模型的训练方法以及基于该方法训练得到的缺陷分类模型进行对隔膜表面缺陷进行缺陷分类的方法的执行可以是基于工业应用场景,在隔膜的工业生产过程中,采集隔膜的图像,并基于采集的图像进行视觉检测,以确定隔膜是否存在缺陷,以防止有缺陷的隔膜进入后续功率,提高隔膜产品良率。而对隔膜图像进行视觉检测是基于深度学习模型,例如卷积神经网络模型等,在这里不进行限定,在进行检测之前,需要对相应的深度学习模型进行训练,而这里就是对相应的训练方法进行了阐述。
具体的,请参见图1,给出了针对隔膜表面缺陷的缺陷分类模型的训练方法的流程示意图,包括如图1所示的步骤S101-S106::
步骤S101:获取多个隔膜表面图像,对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像。
在隔膜生产线上设置图像采集装置,用于采集待检测隔膜的表面图像,即为隔膜表面图像。这里,可以是将图像采集装置采集到的图片数据,按照图像检测的要求转换成为缺陷检测过程中使用的图像数据,即为隔膜表面图像。这里,是需要对缺陷分类模型进行训练,因此,这里需要采集多个待检测隔膜对应的图像,即所述隔膜表面图像的数量为多个。
进一步的,在获取到隔膜表面图像之后,需要进一步的对隔膜表面图像进行处理,以得到其中对应的缺陷小图以作为模型训练的样本图像,即为第一样本图像。具体的,计算隔膜表面图像的灰度特征,这里然后根据隔膜表面图像中的正常区域与缺陷区域的灰度值分布情况,并进行分析,以得到区分暗缺陷、亮缺陷的灰度阈值Th_dark和Th_bright,通过预设的灰度阈值、灰度方差阈值、缺陷间距阈值、圆度阈值、扁平度阈值等中的一个或多个,对隔膜表面图像中的灰度特征进行检测,从而确定隔膜表面图像中的缺陷区域,即为其中包含的待分类的缺陷小图。然后,根据预设的区域大小,对所述缺陷区域进行裁剪,以得到与所述缺陷区域对应的第一样本图像。这里,包含了隔膜表面图像中的亮缺陷区域和暗缺陷区域,裁剪时可以按照固定的预设的区域大小,将缺陷区域对应的中间居中并进行裁剪,以得到第一样本图像。
步骤S102:对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别,其中,缺陷类别包括多个已知缺陷类别。
需要说明的是,在本实施例中,不仅需要对已知的隔膜表面缺陷进行分类识别(已知缺陷类别),还需要对未知的隔膜表面缺陷进行分类识别。所以,在获取第一样本图像之后并进行分类标注的时候,还需要考虑未知缺陷类别的标注(未知缺陷类别)。
具体的,对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别(这里,已知缺陷类别的数量为N个缺陷类别),其中,缺陷类别包括多个已知缺陷类别。这里得到了每一个第一样本图像以及对应的缺陷类别。
步骤S103:获取第二样本图像,且所述第二样本图像的缺陷类别为未知缺陷类别,其中,所述第二样本图像为与隔膜类似的工业品的缺陷图像。
进一步的,对于未知缺陷类别,可以是通过收集与隔膜类似的工业品的缺陷图像来得到相应的缺陷样本,作为第二样本图像,并将其作为第N+1类的缺陷样本,即为未知缺陷类别的训练数据。
在其它实施例中,还可以使用前述第一样本图像和生成对抗网络,生成第N+1类的缺陷样本。
未知类别的缺陷样本选取上采用类似于已知样本的工业缺陷图片,同时在模型迭代过程中采用生成对抗网络的方法生成新的未知缺陷类别的缺陷样本,从而对模型分类界限进行攻击,进一步缩小已知类别的特征空间。
步骤S104:基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练。
这里获取到第一样本图像和第二样本图像以及对应的缺陷类别标注之后,即可对预设的缺陷分类模型进行训练,从而完成对缺陷分类模型的训练。其中,缺陷分类模型用于对隔膜表面缺陷进行分类,并且该模型可以对未知缺陷类别进行分类。在一个具体的实施例中,上述缺陷分类模型为卷积神经网络模型,例如可以是基于DenseNet121的卷积神经网络结构模型。在这里,需要在其中增加损失函数的计算,其中,损失函数为基于特征向量的相似度的计算的。在另一个实施例中,上述卷积神经网络模型还包括基于分类标签和特征向量相似度评价的综合分类。
对缺陷分类模型进行训练的过程中,基于所述第一样本图像、所述第二样本图像机器对应的缺陷类别对预设的缺陷分类模型进行训练,并计算该次训练下的损失函数,其中,损失函数loss的计算公式为:
;
其中,为缺陷类别的数量,且/>的值等于所述多个已知缺陷类别的数量加1;/>表示已知的多个已知缺陷类别的数据集合;/>表示未知缺陷类别的数据集合;/>、/>分别表示样本图像/>、/>所在的缺陷类别;/>和/>为/>对应的特征向量。
将当前的模型训练为第一次训练,然后在第一次训练之后确定训练之后的模型参数,以及对应的特征向量,然后根据计算得到的特征向量计算对应的损失函数。
在本实施例中,若损失函数满足预设值,或总共的训练次数达到最大训练次数,可以终止对缺陷分类模型的训练,反之,则需要对缺陷分类模型进行迭代训练。
对缺陷分类模型进行迭代训练的过程包括如下的步骤S105-S106:
步骤S105:在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据所述选择的至少一个样本图像生成所述1个未知缺陷类别下的第三样本图像;
步骤S106:基于所述第三样本图像对预设的缺陷分类模型进行训练。
具体的,在上述缺陷分类模型的训练过程中,使用生成对抗网络,以及前述已确定的已知缺陷类别的缺陷样本中(第一样本图像)中选择部分图像,生成第N+1类的未知缺陷类别的缺陷样本图像,作为第三样本图像。然后基于第三样本图像对缺陷分类模型进行迭代训练,然后在迭代训练完成之后计算损失函数,并基于损失函数和迭代训练次数来确定继续进行模型迭代训练还是终止模型训练。
具体的,上述选择样本图像的过程是,按照预设的比例值,在在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像,以保证每个缺陷类别下的样本图像数量是一样的,以保证模型训练的稳定性,提高模型分类的准确性。
训练完成的缺陷分类模型,可以在隔膜生产线上对隔膜表面缺陷进行检测和分类。其中,获取待检测隔膜对应的待检测图像,对待检测图像进行检测,以获取其中的缺陷小图,然后将缺陷小图输入到前述缺陷分类模型中,以是的缺陷分类模型可以输出对应的分类结果。
具体的,缺陷分类模型计算缺陷小图对应的特征向量信息,然后计算特征向量信息与每一个缺陷类别之间的相似度,根据相似度来却行缺陷小图对应的缺陷分类结果。其中,模型输出的结果包括缺陷分类信息和对应的相似度,根据分类标签和特征相似度对缺陷小图进行准确分类。
在缺陷分类模型中,为了确定待分类的图像对应哪种缺陷,需要计算图像的特征与每一个缺陷类别的特征之间的相似度。具体的,在每一个已知缺陷类别中对应的第一样本图像中确定一张样本图像作为该已知缺陷类别下的模板样本图像;将所述模板样本图像输入所述缺陷分类模型,获取对应的特征向量,这里,特征向量可以是线性层特征向量;然后确定该缺陷类别下模板样本图像与其它样本图像之间的相似度的最小值作为该缺陷类别对应的相似度阈值/>。
在对待检测隔膜对应的待检测图像进行缺陷分类时,将待检测图像对应的缺陷小图输入缺陷分类模型,获取得到该缺陷小图的缺陷类别和线性层的特征向量/>,若/>,则直接输出该缺陷类别信息(未知缺陷类别);否则根据该图片的缺陷类别信息/>相应提取预先保存的特征向量/>,根据以下公式计算该图片特征向量与对应类别的模板特征向量的相似度。
;
若,则将该缺陷小图判定为模型推理的分类结果/>,若/>,则将该缺陷小图判定为未知样本类别/>。
也就是说,若所述缺陷分类模型输出的缺陷类别信息和特征向量信息是匹配的,则将所述缺陷类别信息作为待检测隔膜的缺陷分类结果;反之,计算所述特征向量信息与每一个已知缺陷类别对应的模板样本图像的特征向量之间的相似度,根据计算得到的相似度与每个缺陷类别对应的相似度阈值之间的大小关系,确定所述待检测隔膜的缺陷分类结果;其中,计算得到的相似度大于待检测隔膜的缺陷分类结果对应的缺陷类别对应的相似度阈值;若相似度小于所有已知缺陷类别的相似度阈值,确定所述缺陷分类结果为未知缺陷类别。具体请参见图2,给出了基于上述缺陷分类模型的结构示意图和分类示意图。
其中,特征向量之间的相似度的计算,是计算其对应的余弦值,可以使得分类特征空间趋向于已知缺陷类别的类内特征在特征空间内集中,类间特征在特征空间中彼此远离,使得未知的样本最大概率落在未知缺陷类别所在的特征空间中,从而提高缺陷分类的准确性。
进一步的,经过一段时间的隔膜表面缺陷样本积累,对分类到N+1类的样本进行人工分析,若该缺陷属于已知缺陷类别的新的缺陷形态,则添加至该类别中,若该缺陷属于新的机器故障原因,则在已知缺陷类别中增加一类,重新按前述方法对缺陷分类模型进行更新。
请参见图3,还给出了一种针对隔膜表面缺陷的缺陷分类模型的训练装置,所述装置包括:
第一缺陷样本获取模块101,用于获取多个隔膜表面图像,对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像;
缺陷分类标注模块102,用于对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别,其中,缺陷类别包括多个已知缺陷类别;
第二缺陷样本获取模块103,用于获取第二样本图像,且所述第二样本图像的缺陷类别为未知缺陷类别,其中,所述第二样本图像为与隔膜类似的工业品的缺陷图像;
模型训练模块104,用于基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练;
迭代缺陷样本获取模块105,用于在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据所述选择的至少一个样本图像生成所述1个未知缺陷类别下的第三样本图像;
模型迭代训练模块106,用于基于所述第三样本图像对预设的缺陷分类模型进行训练。
在一个可选的实施例中,第一缺陷样本获取模块101还用于对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征;根据预设的灰度阈值、灰度方差阈值、缺陷间距阈值、圆度阈值、扁平度阈值,对所述隔膜表面图像的灰度特征进行检测,以得到所述隔膜表面图像中的缺陷区域;根据预设的区域大小,对所述缺陷区域进行裁剪,以得到与所述缺陷区域对应的第一样本图像。
在一个可选的实施例中,模型训练模块104还用于基于所述第一样本图像、所述第二样本图像机器对应的缺陷类别对预设的缺陷分类模型进行训练,并计算该次训练下的损失函数,其中,所述缺陷分类模型为DenseNet121的卷积神经网络模型;
所述损失函数loss的计算公式为:
;
其中,为缺陷类别的数量,且/>的值等于所述多个已知缺陷类别的数量加1;/>表示已知的多个已知缺陷类别的数据集合;/>表示未知缺陷类别的数据集合;/>、/>分别表示样本图像/>、/>所在的缺陷类别;/>和/>为预设的函数。
在一个可选的实施例中,迭代缺陷样本获取模块105还用于按照预设的比例值,在在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像。
在一个可选的实施例中,模型训练模块104还用于计算该次训练下的损失函数,在该损失函数低于预设值或训练次数达到最大训练次数的情况下,完成对所述缺陷分类模型的训练。
在一个可选的实施例中,如图3所示,所述装置还包括缺陷检测模块107,用于:在每一个已知缺陷类别中对应的第一样本图像中确定一张样本图像作为该已知缺陷类别下的模板样本图像;将所述模板样本图像输入所述缺陷分类模型,获取对应的特征向量,并确定该缺陷类别下模板样本图像与其它样本图像之间的相似度的最小值作为该缺陷类别对应的相似度阈值;获取待检测隔膜对应的待检测图像,将所述待检测图像输入完成训练的缺陷分类模型;获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果。
在一个可选的实施例中,缺陷检测模块107还用于:若所述缺陷分类模型输出的缺陷类别信息和特征向量信息是匹配的,则将所述缺陷类别信息作为待检测隔膜的缺陷分类结果;反之,计算所述特征向量信息与每一个已知缺陷类别对应的模板样本图像的特征向量之间的相似度,根据计算得到的相似度与每个缺陷类别对应的相似度阈值之间的大小关系,确定所述待检测隔膜的缺陷分类结果;其中,计算得到的相似度大于待检测隔膜的缺陷分类结果对应的缺陷类别对应的相似度阈值;若相似度小于所有已知缺陷类别的相似度阈值,确定所述缺陷分类结果为未知缺陷类别。
在一个可选的实施例中,模型迭代训练模块106还用于计算所述特征向量信息与已知缺陷类别对应的模板样本图像的特征向量之间的余弦值作为相似度。
图4示出了一个实施例中实现上述极耳翻折的缺陷分类模型训练方法或极耳翻折的缺陷分类方法的计算机设备的内部结构图。该计算机设备具体可以是终端,也可以是服务器。如图4所示,该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作***,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述方法。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
采用了上述针对隔膜表面缺陷的缺陷分类模型的训练方法、装置、计算机设备及计算机可读存储介质之后,对隔膜表面缺陷进行检测的缺陷分类模型的训练过程中,采集隔膜表面图像并对缺陷区域进行裁剪和标注之后作为已知缺陷类别的训练样本;并且,将其它与隔膜类似的工业品的缺陷图像作为未知缺陷类别的训练样本,对缺陷分类模型进行训练。其中,通过生成对抗网络进一步训练缺陷分类模型,攻击分类的边界,使得其已知缺陷类别的特征空间收缩,提高了缺陷检测的准确率。
进一步的,在本申请中,通过优化模型的损失函数,添加特征向量的余弦相似度评价,应用在隔膜表面的缺陷检测上时,可以保证对隔膜表面的已知缺陷准确分类率的同时,也可以将隔膜表面新的缺陷形态判定到未知类别中,从而提高模型的分类准确率,也能做到对生成设备新的的故障形态及时报警,提醒现场工作人员检修设备,从而降低因故障导致的生成成本。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述方法包括:
获取多个隔膜表面图像,对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像;
对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别,其中,缺陷类别包括多个已知缺陷类别;
获取第二样本图像,且所述第二样本图像的缺陷类别为未知缺陷类别,其中,所述第二样本图像为与隔膜类似的工业品的缺陷图像;
基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练;
其中,所述方法还包括:
在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据所述选择的至少一个样本图像生成所述1个未知缺陷类别下的第三样本图像;
基于所述第三样本图像对预设的缺陷分类模型进行训练。
2.根据权利要求1所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像的步骤,还包括:
对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征;
根据预设的灰度阈值、灰度方差阈值、缺陷间距阈值、圆度阈值、扁平度阈值,对所述隔膜表面图像的灰度特征进行检测,以得到所述隔膜表面图像中的缺陷区域;
根据预设的区域大小,对所述缺陷区域进行裁剪,以得到与所述缺陷区域对应的第一样本图像。
3.根据权利要求1所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练的步骤,还包括:
基于所述第一样本图像、所述第二样本图像机器对应的缺陷类别对预设的缺陷分类模型进行训练,并计算该次训练下的损失函数,其中,所述缺陷分类模型为DenseNet121的卷积神经网络模型;
所述损失函数loss的计算公式为:
;
其中,为缺陷类别的数量,且/>的值等于所述多个已知缺陷类别的数量加1;/>表示已知的多个已知缺陷类别的数据集合;/>表示未知缺陷类别的数据集合;/>、/>分别表示样本图像/>、/>所在的缺陷类别;/>和/>为预设的函数。
4.根据权利要求1所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像的步骤,还包括:
按照预设的比例值,在在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像。
5.根据权利要求4所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述基于所述第三样本图像对预设的缺陷分类模型进行训练的步骤之后,还包括:
计算该次训练下的损失函数,在该损失函数低于预设值或训练次数达到最大训练次数的情况下,完成对所述缺陷分类模型的训练。
6.根据权利要求1所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述方法还包括:
在每一个已知缺陷类别中对应的第一样本图像中确定一张样本图像作为该已知缺陷类别下的模板样本图像;
将所述模板样本图像输入所述缺陷分类模型,获取对应的特征向量,并确定该缺陷类别下模板样本图像与其它样本图像之间的相似度的最小值作为该缺陷类别对应的相似度阈值;
获取待检测隔膜对应的待检测图像,将所述待检测图像输入完成训练的缺陷分类模型;
获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果。
7.根据权利要求6所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果的步骤,还包括:
若所述缺陷分类模型输出的缺陷类别信息和特征向量信息是匹配的,则将所述缺陷类别信息作为待检测隔膜的缺陷分类结果;
反之,计算所述特征向量信息与每一个已知缺陷类别对应的模板样本图像的特征向量之间的相似度,根据计算得到的相似度与每个缺陷类别对应的相似度阈值之间的大小关系,确定所述待检测隔膜的缺陷分类结果;其中,计算得到的相似度大于待检测隔膜的缺陷分类结果对应的缺陷类别对应的相似度阈值;
若相似度小于所有已知缺陷类别的相似度阈值,确定所述缺陷分类结果为未知缺陷类别。
8.根据权利要求7所述的针对隔膜表面缺陷的缺陷分类模型的训练方法,其特征在于,所述计算所述特征向量信息与每一个已知缺陷类别对应的模板样本图像的特征向量之间的相似度的步骤,还包括:
计算所述特征向量信息与已知缺陷类别对应的模板样本图像的特征向量之间的余弦值作为相似度。
9.一种针对隔膜表面缺陷的缺陷分类模型的训练装置,其特征在于,所述装置包括:
第一缺陷样本获取模块,用于获取多个隔膜表面图像,对所述隔膜表面图像进行灰度特征计算,以得到所述隔膜表面图像的灰度特征,根据预设的特征阈值对所述隔膜表面图像的灰度特征进行检测,以确定所述隔膜表面图像中的缺陷区域作为第一样本图像;
缺陷分类标注模块,用于对所述第一样本图像进行缺陷分类,得到每一个第一样本图像对应的缺陷类别,其中,缺陷类别包括多个已知缺陷类别;
第二缺陷样本获取模块,用于获取第二样本图像,且所述第二样本图像的缺陷类别为未知缺陷类别,其中,所述第二样本图像为与隔膜类似的工业品的缺陷图像;
模型训练模块,用于基于所述第一样本图像、所述第二样本图像及其对应的缺陷类别对预设的缺陷分类模型进行训练;
迭代缺陷样本获取模块,用于在所述多个已知缺陷类别的第一样本图像中选择至少一个样本图像;基于预设的生成对抗网络,根据所述选择的至少一个样本图像生成所述1个未知缺陷类别下的第三样本图像;
模型迭代训练模块,用于基于所述第三样本图像对预设的缺陷分类模型进行训练。
10.根据权利要求9所述的针对隔膜表面缺陷的缺陷分类模型的训练装置,其特征在于,所述装置还包括缺陷检测模块,用于:
在每一个已知缺陷类别中对应的第一样本图像中确定一张样本图像作为该已知缺陷类别下的模板样本图像;
将所述模板样本图像输入所述缺陷分类模型,获取对应的特征向量,并确定该缺陷类别下模板样本图像与其它样本图像之间的相似度的最小值作为该缺陷类别对应的相似度阈值;
获取待检测隔膜对应的待检测图像,将所述待检测图像输入完成训练的缺陷分类模型;
获取所述缺陷分类模型输出的缺陷类别信息和特征向量信息,并根据所述缺陷类别信息和特征向量信息输出待检测隔膜的缺陷分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410584943.7A CN118155004A (zh) | 2024-05-13 | 2024-05-13 | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410584943.7A CN118155004A (zh) | 2024-05-13 | 2024-05-13 | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118155004A true CN118155004A (zh) | 2024-06-07 |
Family
ID=91297387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410584943.7A Pending CN118155004A (zh) | 2024-05-13 | 2024-05-13 | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118155004A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766110A (zh) * | 2021-01-08 | 2021-05-07 | 重庆创通联智物联网有限公司 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
CN116416228A (zh) * | 2023-03-27 | 2023-07-11 | 武汉大学 | 工业产品新发未知缺陷检测方法及*** |
CN117314880A (zh) * | 2023-10-19 | 2023-12-29 | 凌云光技术股份有限公司 | 图像缺陷检测方法及装置 |
-
2024
- 2024-05-13 CN CN202410584943.7A patent/CN118155004A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766110A (zh) * | 2021-01-08 | 2021-05-07 | 重庆创通联智物联网有限公司 | 物体缺陷识别模型的训练方法、物体缺陷识别方法及装置 |
CN116416228A (zh) * | 2023-03-27 | 2023-07-11 | 武汉大学 | 工业产品新发未知缺陷检测方法及*** |
CN117314880A (zh) * | 2023-10-19 | 2023-12-29 | 凌云光技术股份有限公司 | 图像缺陷检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163300B (zh) | 一种图像分类方法、装置、电子设备及存储介质 | |
CN110544231B (zh) | 基于背景标准化和集中补偿算法的锂电池电极表面缺陷检测方法 | |
CN113537414B (zh) | 锂电池缺陷检测方法、装置、设备及存储介质 | |
CN117173172B (zh) | 一种基于机器视觉的硅胶成型效果检测方法及*** | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及*** | |
CN113554526A (zh) | 电力设备的故障预警方法、装置、存储介质及处理器 | |
CN116596875B (zh) | 晶圆缺陷检测方法、装置、电子设备及存储介质 | |
CN112395382A (zh) | 基于变分自编码器的船舶异常航迹数据检测方法和装置 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN115457391A (zh) | 一种管道的漏磁内检测方法、***及相关组件 | |
CN114299040A (zh) | 瓷砖瑕疵检测方法、装置和电子设备 | |
CN116167336B (zh) | 基于云计算的传感器数据加工方法、云服务器及介质 | |
CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN111507420A (zh) | 轮胎信息获取方法、装置、计算机设备和存储介质 | |
CN118155004A (zh) | 针对隔膜表面缺陷的缺陷分类模型的训练方法和装置 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN114155412A (zh) | 深度学习模型迭代方法、装置、设备及存储介质 | |
CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
CN110542851A (zh) | 断路器操作机构故障诊断方法、装置、计算机和存储介质 | |
CN111724352B (zh) | 一种基于核密度估计的贴片led瑕疵标注方法 | |
CN118096747B (zh) | 基于深度学习的pcba板自动检测方法及*** | |
CN116486178B (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN117129480B (zh) | 基于机器视觉的计算机主板元器件智能检测方法及装置 | |
CN114842014B (zh) | 基于密度估计的缺陷检测方法、装置、设备及存储介质 | |
CN117422890B (zh) | 一种视觉深度学习模型的优化部署方法、***和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |