CN109087236B - 多深度学习平台工业图像检测控制方法及系统 - Google Patents
多深度学习平台工业图像检测控制方法及系统 Download PDFInfo
- Publication number
- CN109087236B CN109087236B CN201810643803.7A CN201810643803A CN109087236B CN 109087236 B CN109087236 B CN 109087236B CN 201810643803 A CN201810643803 A CN 201810643803A CN 109087236 B CN109087236 B CN 109087236B
- Authority
- CN
- China
- Prior art keywords
- model
- configuration center
- loading
- image
- downloading
- 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.)
- Active
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种多深度学习平台工业图像检测控制方法及系统,其中的方法包括:根据图像特征识别应用场景的使用,对模型配置中心进行配置;对模型配置中心进行前置条件检查;根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;将工业图像载入模型中,进行图像特征识别并返回检测结果。利用本发明,能够解决平台变换带来的不方便的问题。
Description
技术领域
本发明涉及深度学习技术领域,更为具体地,涉及一种多深度学习平台工业图像检测控制方法及系统。
背景技术
近几年深度学习技术在图像信息理解方面取得了突破性进展,深度学习在图像分类准确率逐渐达到工业特征检测要求的准确率。目前深度学习有不同的平台,比如Tensorflow,keras,Caffe,pytorch,Theano,CNTK,Mxnet等,每个平台都有自己各自的优点,开发者按照问题的实际解决需要和自己擅长使用的平台选择图像(分类、检测、分割)处理解决方案。
由于深度学习图像检测技术日新月异,会不断的有新的深度学习解决方法发布,科研人员会在自己熟悉的深度学习平台实践自己的想法,将这些新技术复现并检验效果的最好的方法就是使用科研人员论文中使用的深度学习平台。
实际的工业图像特征识别问题是以检测结果为导向的,深度学习平台的选择和使用显得不那么重要,因此,会存在平台变换的问题。工业视觉检测在实际在生产场景中应用,通过工业相机采集图像,将图像按照深度学习模型的要求处理后将图像放入深度学习模型中处理,返回结果后,将结果显示在相关的界面上。
深度学习模型处理图像程序运行分为两部分,第一部分为算法模型载入,在算法模型载入部分需要根据不用的框架使用不同的方法载入训练好的模型。第二部分为算法图像处理,这一部分可以使按照单张图片处理,也可以按照batch来处理,当按照单张图片处理时,返回单张图片的处理结果,当按照batch处理时,按照batch的顺序返回处理结果。
发明内容
鉴于上述问题,本发明的目的是提供一种多深度学习平台工业图像检测控制方法及系统,以解决平台变换带来的不方便的问题。
本发明提供一种多深度学习平台工业图像检测控制方法,包括:
根据图像特征识别应用场景的使用,对模型配置中心进行配置;
对所述模型配置中心进行前置条件检查;
根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;
将工业图像载入所述模型中,进行图像特征识别并返回检测结果。
此外,优选的方案是,所述模型配置中心包括:算法平台、模型输入、网络结构、软件依赖、硬件依赖和算法模型。
此外,优选的方案是,在对所述模型配置中心进行前置条件检查的过程中,
根据所述模型配置中心中配置的相关条件,对算法运行软硬件环境进行检查;
如果所述模型配置中心存在不满足图像特征识别应用场景的使用的条件,从所述型配置中心中下载相应的文件并安装。
此外,优选的方案是,在根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入过程中,
在下载前查看是否有版本更新,在载入之前需要查看文件Hash值,Hash值匹配进行载入,Hash值不匹配,重新从所述模型配置中心中下载后载入。
本发明还提供一种多深度学习平台工业图像检测控制系统,包括:
模型配置中心配置单元,用于根据图像特征识别应用场景的使用,对模型配置中心进行配置;
前置条件检查单元,用于对所述模型配置中心进行前置条件检查;
模型载入单元,用于根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;
特征识别单元,用于将工业图像载入所述模型中,进行图像特征识别并返回检测结果。
此外,优选的方案是,所述模型配置中心配置单元的模型配置中心包括:算法平台、模型输入、网络结构、软件依赖、硬件依赖和算法模型。
此外,优选的方案是,所述前置条件检查单元在对所述模型配置中心进行前置条件检查的过程中,
根据所述模型配置中心中配置的相关条件,对算法运行软硬件环境进行检查;
如果所述模型配置中心存在不满足图像特征识别应用场景的使用的条件,从所述型配置中心中下载相应的文件并安装。
此外,优选的方案是,所述模型载入单元在根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入过程中,
在下载前查看是否有版本更新,在载入之前需要查看文件Hash值,Hash值匹配进行载入,Hash值不匹配,重新从所述模型配置中心中下载后载入。
从上面的技术方案可知,本发明提供的多深度学习平台工业图像检测控制方法及系统,将工业检测在深度学习领域使用深度学习模型处理图像时,能够将使用部分跟平台底层实现的方式剥离开,使得工业视觉在传统图像采集取像和深度学习图像特征识别部分完全区分开,将深度学习相关的,网络使用,图片输入,类别,阈值等相关参数等设置为可配置的项;对于通用的部分设置公共模板,在深度学习图像处理配置中心设置当前图像处理使用的深度学习平台、参数、网络、前置条件等,然后对前置条件进行检测、模型载入,最后进行特征识别并将检测结果返回,从而解决平台变换在使用中带来的不便。
为了实现上述以及相关目的,本发明的一个或多个方面包括后面将详细说明的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而,这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外,本发明旨在包括所有这些方面以及它们的等同物。
附图说明
通过参考以下结合附图的说明,并且随着对本发明的更全面理解,本发明的其它目的及结果将更加明白及易于理解。在附图中:
图1为根据本发明实施例的多深度学习平台工业图像检测控制方法流程示意图;
图2为根据本发明实施例的多深度学习平台工业图像检测控制方系统逻辑结构框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中,出于说明的目的,为了提供对一个或多个实施例的全面理解,阐述了许多具体细节。然而,很明显,也可以在没有这些具体细节的情况下实现这些实施例。
针对前述提出的问题,本发明提供了一种多深度学习平台工业图像检测控制方法及系统,将工业检测在深度学习领域使用深度学习模型处理图像时,将使用部分跟平台底层实现的方式剥离开,使得工业视觉在传统图像采集取像和深度学习图像特征识别部分完全区分开,将深度学习相关的、网络使用、图片输入、类别、阈值等相关参数/结构等设置为可配置的项;对于通用的部分设置公共模板,在深度学习图像处理配置中心设置当前图像处理使用的深度学习平台、参数、网络、前置条件等。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的多深度学习平台工业图像检测控制方法,图1示出了根据本发明实施例的多深度学习平台工业图像检测控制方法流程。
如图1所示,本发明提供的多深度学习平台工业图像检测控制方法,包括:S110:根据图像特征识别应用场景的使用,对模型配置中心进行配置;
S120:对模型配置中心进行前置条件检查;
S130:根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;
S140:将工业图像载入模型中,进行图像特征识别并返回检测结果。
上述为具体的多深度学习平台工业图像检测控制方法,包括模型配置中心、平台的前置条件满足、模型载入、图像检测。其中,模型配置中心包括:算法平台、模型输入、网络结构、软件依赖、硬件依赖和算法模型。
模型配置中心根据实际图像特征识别应用场景的实际使用,配置该应用场景使用的算法平台、模型图像输入尺寸、网络结构(通用的直接使用平台中自带的网络结构,如果有修改的部分需要将修改后的网络结构)、软件相关的依赖,如果本地环境没有相关的依赖可以选择从配置中心的软件依赖中下载安装;硬件环境需要检测本地的硬盘CPU、GPU内存等。
在步骤S120中,在对模型配置中心进行前置条件检查的过程中,根据模型配置中心中配置的相关条件,对算法运行软硬件环境进行检查;如果模型配置中心存在不满足图像特征识别应用场景的使用的条件,从型配置中心中下载相应的文件并安装。
在步骤S130中,在根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入过程中,在下载前查看是否有版本更新,在载入之前需要查看文件Hash值,Hash值匹配进行载入,Hash值不匹配,重新从模型配置中心中下载后载入。
也就是说,通过加载模型的通用参数(输入/阈值等)和特殊部分(如果对网络有修改,则需要重新获取网络对应的配置文件),统一完成模型载入。
在步骤S140中,在完成前置条件检查和模型载入后,就可以将图片送到算法中去完成特征提取,这部分可以是单张图片,多张图片,也可以是图片的部分,也可以是视频流数据等,根据实际的需要设定方法的输入。
其中,这部分可以根据实际情况需要,按照单张或者多张图片,按照路径或者是字节流或者视频帧输入,返回的结果也是根据实际业务指定或者返回模型结果后再构造成实际业务需要的结构。
在本发明的实施例中,在实际使用场景中,可以将图像采集检测结果分析和模型训练返回结果这两部分完全分离开,图像采集和返回结果展示部分的开发人员无需了解算法的底层实现,仅仅需要调用相应的方法,这些方法根据自身的需要,完成相应的功能后返回结果。
如:对于软硬件环境以及相关依赖和网络的检测部分,前置条件满足函数会在配置中心获取所有的检查项后到本地检查所有依赖,如果依赖不满足自动获取安装,如果硬件不满足或者出现异常,返回错误信息。
对模型载入部分:获取模型载入需要的在深度学习图像处理配置中心配置好的参数。如果网络结构发生变化则需要重新载入网络配置文件。第一次载入模型时需要在本地获取深度学习图像配置中心的模型文件,在载入时候校验文件Hash值与图像处理配置中心模型的Hash值匹配后载入。
对于图像检测部分:根据图像输入类型/数据数量/对返回结果的要求/可以设置为不同的方法,算法开发端完成对这些方法的实现,图像采集端按照实际需要调用这些方法完成图像特征识别和结果展示。
此外,在采集图像前需要的准备工作,进行光源设计,通过光源的设计保证图像获取的清晰度满足深度学习算法使用;摄像头设备的驱动,图像采集的方法,获取图像后的前处理,图像格式转换等均在图像输入完成。
与上述方法相对应,本发明还提供一种多深度学习平台工业图像检测控制系统,图2示出了根据本发明实施例的多深度学习平台工业图像检测控制系统逻辑结构。
如图2所示,本发明提供的多深度学习平台工业图像检测控制系统200,包括:模型配置中心配置单元210、前置条件检查单元220、模型载入单元230和特征识别单元240。
其中,模型配置中心配置单元210,用于根据图像特征识别应用场景的使用,对模型配置中心进行配置;
前置条件检查单元220,用于对模型配置中心进行前置条件检查;
模型载入单元230,用于根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;
特征识别单元240,用于将工业图像载入所型中,进行图像特征识别并返回检测结果。
其中,模型配置中心配置单元210的模型配置中心包括:算法平台、模型输入、网络结构、软件依赖、硬件依赖和算法模型。
其中,前置条件检查单元220在对模型配置中心进行前置条件检查的过程中,根据模型配置中心中配置的相关条件,对算法运行软硬件环境进行检查;如果模型配置中心存在不满足图像特征识别应用场景的使用的条件,从型配置中心中下载相应的文件并安装。
其中,模型载入单元230在根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入过程中,
在下载前查看是否有版本更新,在载入之前需要查看文件Hash值,Hash值匹配进行载入,Hash值不匹配,重新从所述模型配置中心中下载后载入。
通过上述实施方式可以看出,本发明提供的多深度学习平台工业图像检测控制方法及系统,将工业检测在深度学习领域使用深度学习模型处理图像时,能够将使用部分跟平台底层实现的方式剥离开,使得工业视觉在传统图像采集取像和深度学习图像特征识别部分完全区分开,将深度学习相关的,网络使用,图片输入,类别,阈值等相关参数等设置为可配置的项;对于通用的部分设置公共模板,在深度学习图像处理配置中心设置当前图像处理使用的深度学习平台、参数、网络、前置条件等,然后对前置条件进行检测、模型载入,最后进行特征识别并将检测结果返回,从而解决平台变换在使用中带来的不便。
如上参照附图以示例的方式描述了根据本发明提出的多深度学习平台工业图像检测控制方法及系统。但是,本领域技术人员应当理解,对于上述本发明所提出的多深度学习平台工业图像检测控制方法及系统,还可以在不脱离本发明内容的基础上做出各种改进。因此,本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (4)
1.一种多深度学习平台工业图像检测控制方法,包括:
根据图像特征识别应用场景的使用,对模型配置中心进行配置;其中,所述模型配置中心根据所述图像特征识别应用场景的实际使用,配置所述应用场景使用的算法平台、模型图像输入尺寸、网络结构、软件相关的依赖,如果本地环境没有相关的依赖选择从所述模型配置中心下载安装,硬件环境检测本地的硬盘CPU、GPU内存;
对所述模型配置中心进行前置条件检查;
根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;
将工业图像载入所述模型中,进行图像特征识别并返回检测结果;
在根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入过程中,
在下载前查看是否有版本更新,在载入之前需要查看文件Hash值,Hash值匹配进行载入,Hash值不匹配,重新从所述模型配置中心中下载后载入;
在对所述模型配置中心进行前置条件检查的过程中,
根据所述模型配置中心中配置的相关条件,对算法运行软硬件环境进行检查;
如果所述模型配置中心存在不满足图像特征识别应用场景的使用的条件,从所述型配置中心中下载相应的文件并安装。
2.如权利要求1所述的多深度学习平台工业图像检测控制方法,其中,
所述模型配置中心包括:算法平台、模型输入、网络结构、软件依赖、硬件依赖和算法模型。
3.一种多深度学习平台工业图像检测控制系统,包括:
模型配置中心配置单元,用于根据图像特征识别应用场景的使用,对模型配置中心进行配置;其中,所述模型配置中心根据所述图像特征识别应用场景的实际使用,配置所述应用场景使用的算法平台、模型图像输入尺寸、网络结构、软件相关的依赖,如果本地环境没有相关的依赖选择从所述模型配置中心下载安装,硬件环境检测本地的硬盘CPU、GPU内存;
前置条件检查单元,用于对所述模型配置中心进行前置条件检查;
模型载入单元,用于根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入;
特征识别单元,用于将工业图像载入所述模型中,进行图像特征识别并返回检测结果;
所述模型载入单元在根据模型的参数下载需要载入的网络模型和对应的网络配置文件,完成模型的载入过程中,
在下载前查看是否有版本更新,在载入之前需要查看文件Hash值,Hash值匹配进行载入,Hash值不匹配,重新从所述模型配置中心中下载后载入;
所述前置条件检查单元在对所述模型配置中心进行前置条件检查的过程中,
根据所述模型配置中心中配置的相关条件,对算法运行软硬件环境进行检查;
如果所述模型配置中心存在不满足图像特征识别应用场景的使用的条件,从所述型配置中心中下载相应的文件并安装。
4.如权利要求3所述的多深度学习平台工业图像检测控制系统,其中,
所述模型配置中心配置单元的模型配置中心包括:算法平台、模型输入、网络结构、软件依赖、硬件依赖和算法模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810643803.7A CN109087236B (zh) | 2018-06-21 | 2018-06-21 | 多深度学习平台工业图像检测控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810643803.7A CN109087236B (zh) | 2018-06-21 | 2018-06-21 | 多深度学习平台工业图像检测控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109087236A CN109087236A (zh) | 2018-12-25 |
CN109087236B true CN109087236B (zh) | 2023-10-17 |
Family
ID=64840109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810643803.7A Active CN109087236B (zh) | 2018-06-21 | 2018-06-21 | 多深度学习平台工业图像检测控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109087236B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109727376B (zh) * | 2018-12-29 | 2022-03-04 | 北京沃东天骏信息技术有限公司 | 生成配置文件的方法、装置及售货设备 |
EP3798898A1 (en) | 2019-09-30 | 2021-03-31 | Anyline GmbH | Computer-implemented method for optical character recognition |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325116A (zh) * | 2013-06-17 | 2013-09-25 | 中国人民银行印制科学技术研究所 | 一种印品图像检测系统及方法 |
-
2018
- 2018-06-21 CN CN201810643803.7A patent/CN109087236B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325116A (zh) * | 2013-06-17 | 2013-09-25 | 中国人民银行印制科学技术研究所 | 一种印品图像检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109087236A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349147B (zh) | 模型的训练方法、眼底黄斑区病变识别方法、装置及设备 | |
CN108416326B (zh) | 人脸识别方法和装置 | |
CN108229673B (zh) | 卷积神经网络的处理方法、装置和电子设备 | |
CN108337505B (zh) | 信息获取方法和装置 | |
US20200034279A1 (en) | Deep machine learning in software test automation | |
CN109087236B (zh) | 多深度学习平台工业图像检测控制方法及系统 | |
CN111027450A (zh) | 银行卡信息识别方法、装置、计算机设备及存储介质 | |
CN111198815B (zh) | 用户界面的兼容性测试方法及装置 | |
US9288483B2 (en) | Method of testing an electronic system | |
CN112712498A (zh) | 移动终端执行的车辆定损方法、装置、移动终端、介质 | |
CN115470109A (zh) | 一种汽车仪表自动化测试方法及装置 | |
CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
CN113468048B (zh) | 系统测试方法、装置、设备及计算机可读存储介质 | |
CN116559170A (zh) | 一种产品质量检测方法及相关系统 | |
CN111325773A (zh) | 运动目标的检测方法、装置、设备及可读存储介质 | |
CN113435353A (zh) | 基于多模态的活体检测方法、装置、电子设备及存储介质 | |
CN110716778B (zh) | 应用兼容性测试方法、装置及系统 | |
CN111506393B (zh) | 一种基于arm的虚拟化装置及其使用方法 | |
CN112416301A (zh) | 深度学习模型开发方法及装置、计算机可读存储介质 | |
KR102170416B1 (ko) | 컴퓨터와 크라우드 소싱을 이용한 비디오 사전 처리 방법 | |
CN108334602B (zh) | 数据标注方法和装置、电子设备、计算机存储介质 | |
CN116433936A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN110288579A (zh) | 显示设备的检测方法及装置 | |
CN115526859A (zh) | 生产缺陷识别的方法、分布式处理平台、设备及存储介质 | |
CN117349189B (zh) | 一种app新版本测试方法、设备及介质 |
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 |