CN109409424A - 一种外观缺陷检测模型建模方法和装置 - Google Patents

Abstract

本申请实施例公开了一种外观缺陷检测模型建模方法和装置，通过训练样本集的批次数和训练轮回数，利用最大迭代次数计算公式得到卷积神经网络模型训练的最大迭代次数，由于卷积神经网络模型的训练阶段涉及参数过多，迭代次数也比较多，而卷积神经网络模型的训练速度主要受迭代次数的影响，本申请提供的方法采用轮回的次数决定前馈和反向传播过程在训练中进行的次数，批次数确定训练样本数据的迭代次数在每个轮回内被处理的次数，能够得到较好的迭代次数，加快卷积神经网络的训练速度，避免了训练模型的过拟合和欠拟合，能够提高训练效率，解决了现有的基于卷积神经网络算法的训练模型效率低的技术问题。

Description

一种外观缺陷检测模型建模方法和装置

技术领域

本申请涉及缺陷检测技术领域，尤其涉及一种外观缺陷检测模型建模方法和装置。

背景技术

随着工业自动化的快速发展，传统的人工检测工件缺陷方式，人工成本高、检测效率低下、准确率低，已经不能够适应市场需求，取而代之的是机器视觉检测方式。机器视觉能够更好地检测在工业生辰流程中出现且不易被人工发现的缺陷，提高工业生产的效率和生产的自动化程度。

近年来，卷积神经网络算法的发展极大地提高了目标检测识别的准确率，是一种高效深度学习识别算法，已经成为语音分析和图像处理领域的主要研究对象。但是，尽管基于卷积神经网络的方法在目标检测和识别上提高了准确率，但是由于卷积神经网络算法复杂，计算量大，因此在建立训练模型的过程中会影响到训练效率。

发明内容

本申请实施例提供了一种外观缺陷检测模型建模方法和装置，用以解决现有的基于卷积神经网络算法的训练模型效率低的技术问题。

有鉴于此，本申请第一方面提供了一种外观缺陷检测模型建模方法，所述方法包括：

获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；

根据所述批次数和所述训练轮回数，通过预置公式计算最大迭代次数，所述预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数；

将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练；

判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练。

优选地，所述判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练，之后还包括：

通过S折交叉验证法对所述外观缺陷检测模型进行准确度验证，所述准确度取S次验证准确率的平均值。

优选地，所述获取训练样本集的批次数和训练轮回数，之前还包括：

计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将所述预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应所述训练轮回数和所述预测准确率的批次数作为最终的批次数。

优选地，所述判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练，之后还包括：

将测试样本集输入所述外观缺陷检测模型进行外观缺陷检测。

优选地，所述训练样本集和所述测试样本集，均为通过红外光源照射各待检测样品获取到的训练样本图像集。

本申请第二方面提供一种外观缺陷检测模型建模装置，所述装置包括：

获取单元，用于获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；

计算单元，用于根据所述批次数和所述训练轮回数，通过预置公式计算最大迭代次数，所述预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数；

训练单元，用于将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练；

迭代单元，用于判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练。

所述外观缺陷检测模型建模装置还包括：

验证单元，用于通过S折交叉验证法对所述外观缺陷检测模型进行准确度验证，所述准确度取S次验证准确率的平均值；

预处理单元，用于计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将所述预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应所述训练轮回数和所述预测准确率的批次数作为最终的批次数；

检测单元，用于将测试样本集输入所述外观缺陷检测模型进行外观缺陷检测。

本申请第三方面提供一种外观缺陷检测模型建模设备，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的外观缺陷检测模型建模方法的步骤。

本申请第四方面提供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程序代码，所述程序代码用于执行上述第一方面所述的外观缺陷检测模型建模方法。

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请实施例中，提供了一种外观缺陷检测模型建模方法，通过训练样本集的批次数和训练轮回数，利用最大迭代次数计算公式得到卷积神经网络模型训练的最大迭代次数，由于卷积神经网络模型的训练阶段涉及参数过多，迭代次数也比较多，而卷积神经网络模型的训练速度主要受迭代次数的影响，本申请提供的方法采用轮回的次数决定前馈和反向传播过程在训练中进行的次数，批次数确定训练样本数据的迭代次数在每个轮回内被处理的次数，能够得到较好的迭代次数，加快卷积神经网络的训练速度，避免了训练模型的过拟合和欠拟合，能够提高训练效率，解决了现有的基于卷积神经网络算法的训练模型效率低的技术问题。

附图说明

图1为本申请实施例中一种外观缺陷检测模型建模方法的流程示意图；

图2为本申请实施例中另一种外观缺陷检测模型建模方法的流程示意图；

图3为本申请实施例中一种外观缺陷检测模型建模装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了便于理解，请参阅图1，本申请实施例提供的一种外观缺陷检测模型建模方法，包括：

步骤101、获取训练样本集的批次数和训练轮回数，训练轮回数为完成前馈和反向传播过程的轮回次数，批次数为训练样本集在每个训练轮回内被处理的次数。

需要说明的是：本申请实施例中，为了得到较好的迭代次数，加快训练速度，并且模型不会出现过拟合或欠拟合，首先要获得训练样本集的批次数和训练轮回数，训练轮回的次数决定了前馈和反向传播过程在训练中进行的次数，即完成一次前馈和反向传播过程为一个轮回；批次数确定图像数据，集训练样本，在训练过程中的迭代次数将在一个轮回内被处理的次数，即将训练样本数据分成若干个批次。

步骤102、根据批次数和训练轮回数，通过预置公式计算最大迭代次数，预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数。

需要说明的是，本申请实施例中，迭代次数由训练样本集的样本数、批次数和轮回数三个因素决定，通过计算最大迭代次数，可以在迭代次数达到最大迭代次数时即停止迭代，减少了迭代次数，加快卷积神经网络模型训练的速度，同时提高预测准确度。

步骤103、将训练样本集作为建立的卷积神经网络模型的输入，对卷积神经网络模型进行训练。

需要说明的是，本申请实施例提供的卷积神经网络模型主要由卷积层、池化层和全连接层组成，卷积层由多个特征面组成，每个特征面由多个神经元组成，卷积层的每一个神经元通过卷积核与上一层特征面的局部区域相连。卷积核是一个权值矩阵，例如，对于二维图像而言，可以是3×3或5×5矩阵。卷积层通过卷积操作提取输入的不同特征，第一层卷积层提取低级特征，如边缘、线条、角落，更高层卷积层提取更高级的特征。卷积层的神经元被组织到各个特征面中，每个神经元通过一组权值被连接到上一层特征面的局部区域，即卷积层中的神经元与其输入层中的特征面进行局部连接，然后将该局部加权和传递给一个不饱和非线性函数作为卷积层的激励函数，可以是ReLU函数，即可获得卷积层中每个神经元的输出值，在同一个输入特征面和同一个输出特征面中，卷积神经网络的权值共享。池化层的作用是通过降低特征面的分辨率来获得具有空间不变性的特征，起到二次提取特征的作用，每个神经元对局部接收域进行池化操作。卷积层和池化层可重复多层，进行多次特征提取，在卷积层，选择3×3的卷积核与样本图像进行卷积运算，步长可以设置为1，池化层可以取窗口大小为2×2，进行Maxpooling运算。全连接层可以整合卷积层或者池化层中具有类别区分性的局部信息。为了提升卷积神经网络的网络性能，全连接层每个神经元的激励函数一般采用ReLU函数，最后一层全连接层的输出值被传递给一个输出层，可以采用softmax逻辑回归进行分类，该层也可称为softmax层。

步骤104、判断训练的迭代次数是否达到最大迭代次数，若是，结束训练并更新卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将训练样本集作为建立的卷积神经网络模型的输入，对卷积神经网络模型进行训练。

需要说明的是，若最大迭代次数过小，可能造成训练模型在没有找到最优解之前就已经训练结束，造成模型预测准确度低的问题，而若最大迭代次数过大，则会加大模型的计算量和计算时间，影响效率，为了保证训练模型的预测准确度，应合理设置最大迭代次数，在没有达到最大迭代次数前，应继续训练，在保证准确度的同时，也能够保证效率。

本申请实施例中，提供了一种外观缺陷检测模型建模方法，通过训练样本集的批次数和训练轮回数，利用最大迭代次数计算公式得到卷积神经网络模型训练的最大迭代次数，由于卷积神经网络模型的训练阶段涉及参数过多，迭代次数也比较多，而卷积神经网络模型的训练速度主要受迭代次数的影响，本申请提供的方法采用轮回的次数决定前馈和反向传播过程在训练中进行的次数，批次数确定训练样本数据的迭代次数在每个轮回内被处理的次数，能够得到较好的迭代次数，加快卷积神经网络的训练速度，避免了训练模型的过拟合和欠拟合，能够提高训练效率，解决了现有的基于卷积神经网络算法的训练模型效率低的技术问题。

为了便于理解，请参阅图2，本申请实施例提供的另一种外观缺陷检测模型建模方法，包括：

步骤201、计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应训练轮回数和预测准确率的批次数作为最终的批次数。

需要说明的是，批次数和训练轮回数是计算最大迭代次数的两个重要因素，因此，如何确定批次数和训练轮回数才能得到满足准确度和高效率的最大迭代次数，是关键问题。对某一类检测样本，训练轮回数、批次数和准确率的关系如表1所示：

表1

步骤202、获取训练样本集的批次数和训练轮回数，训练轮回数为完成前馈和反向传播过程的轮回次数，批次数为训练样本集在每个训练轮回内被处理的次数。

需要说明的是，步骤202和步骤101一致，在此不再进行详细赘述。

步骤203、根据批次数和训练轮回数，通过预置公式计算最大迭代次数，预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数。

需要说明的是，步骤203和步骤102一致，在此不再进行详细赘述。

步骤204、将训练样本集作为建立的卷积神经网络模型的输入，对卷积神经网络模型进行训练。

需要说明的是，步骤204和步骤103一致，在此不再进行详细赘述。

步骤205、判断训练的迭代次数是否达到最大迭代次数，若是，结束训练并更新卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将训练样本集作为建立的卷积神经网络模型的输入，对卷积神经网络模型进行训练。

需要说明的是，步骤205和步骤104一致，在此不再进行详细赘述。

步骤206a、通过S折交叉验证法对外观缺陷检测模型进行准确度验证，准确度取S次验证准确率的平均值。

需要说明的是，为了验证外观缺陷检测模型的准确度，本申请实施例采用S折交叉验证法对预测结果进行验证，本申请采用的S折交叉验证法为5折交叉验证法，将训练样本图片随机平均分为5部分，其中任取4部分作为第一训练样本，其余一部分作为第一测试样本，再从4部分第一训练样本中取一部分作为第二测试样本，将第一测试样本和其余3部分第一训练样本作为第二训练样本，循环5次，最后将每一次得到的准确度求和取均值，结果如表2所示：

表2

本申请实施例中的步骤205之后还可以包括：

步骤206b、将测试样本集输入外观缺陷检测模型进行外观缺陷检测。

需要说明的是，在外观缺陷检测模型建立完成后，可以直接将测试样本图片输入外观缺陷检测模型进行缺陷检测。可以理解的是，在缺陷检测结果出来之后，还可以通过执行机构将存在缺陷的不合格样本筛选出来。步骤206a和步骤206b可以是并列关系。

进一步地，训练样本集和测试样本集，均为通过红外光源照射各待检测样品获取到的训练样本图像集。

需要说明的是，光源是机器视觉系统中及其重要而又容易为人忽视的环节，光源的设计是机器视觉系统设计的重要步骤，直接关系着系统的准确度和性能，因为光源直接作用于系统的原始输入，对输入数据质量的好坏有直接的影响，光源不仅仅是为了照亮目标体，通过红外光源可以令需要检测的缺陷特征更加突出，同时抑制不需要的干扰特征，如反光问题，给后端的图像处理带来极大的便利。

为了便于理解，请参阅图3，本申请实施例提供的一种外观缺陷检测模型建模装置，包括：

获取单元301，用于获取训练样本集的批次数和训练轮回数，训练轮回数为完成前馈和反向传播过程的轮回次数，批次数为训练样本集在每个训练轮回内被处理的次数。

计算单元302，用于根据批次数和训练轮回数，通过预置公式计算最大迭代次数，预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数。

训练单元303，用于将训练样本集作为建立的卷积神经网络模型的输入，对卷积神经网络模型进行训练。

迭代单元304，用于判断训练的迭代次数是否达到最大迭代次数，若是，结束训练并更新卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将训练样本集作为建立的卷积神经网络模型的输入，对卷积神经网络模型进行训练。

进一步地，外观缺陷检测模型建模装置还包括：

验证单元305，用于通过S折交叉验证法对外观缺陷检测模型进行准确度验证，准确度取S次验证准确率的平均值。

预处理单元306，用于计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应训练轮回数和预测准确率的批次数作为最终的批次数。

检测单元307，用于将测试样本集输入外观缺陷检测模型进行外观缺陷检测。

本申请实施例提供的一种外观缺陷检测模型建模设备，包括：处理器以及存储器：

存储器用于存储程序代码，并将程序代码传输给处理器；

处理器用于根据程序代码中的指令执行前述的外观缺陷检测模型建模方法。

本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例的一种观缺陷检测模型建方法中的任意一种实施方式。

本申请实施例还提供一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行前述各个实施例的一种观缺陷检测模型建方法中的任意一种实施方式。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请所提供的几个实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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系统，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，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，在本申请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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。

Claims (10)

1.一种外观缺陷检测模型建模方法，其特征在于，包括：

获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；

根据所述批次数和所述训练轮回数，通过预置公式计算最大迭代次数，所述预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数；

将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练；

判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练。

2.根据权利要求1所述的外观缺陷检测模型建模方法，其特征在于，所述判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练，之后还包括：

通过S折交叉验证法对所述外观缺陷检测模型进行准确度验证，所述准确度取S次验证准确率的平均值。

3.根据权利要求1所述的外观缺陷检测模型建模方法，其特征在于，所述获取训练样本集的批次数和训练轮回数，之前还包括：

计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将所述预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应所述训练轮回数和所述预测准确率的批次数作为最终的批次数。

4.根据权利要求1所述的外观缺陷检测模型建模方法，其特征在于，所述判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练，之后还包括：

将测试样本集输入所述外观缺陷检测模型进行外观缺陷检测。

5.根据权利要求4所述的外观缺陷检测模型建模方法，其特征在于，所述训练样本集和所述测试样本集，均为通过红外光源照射各待检测样品获取到的训练样本图像集。

6.一种外观缺陷检测模型建模装置，其特征在于，包括：

获取单元，用于获取训练样本集的批次数和训练轮回数，所述训练轮回数为完成前馈和反向传播过程的轮回次数，所述批次数为所述训练样本集在每个训练轮回内被处理的次数；

计算单元，用于根据所述批次数和所述训练轮回数，通过预置公式计算最大迭代次数，所述预置公式为：其中，i为最大迭代次数，trainingdata为训练样本集，batch为批次数，epochs为训练轮回数；

训练单元，用于将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练；

迭代单元，用于判断训练的迭代次数是否达到所述最大迭代次数，若是，结束训练并更新所述卷积神经网络模型，得到外观缺陷检测模型，否则，返回步骤将所述训练样本集作为建立的卷积神经网络模型的输入，对所述卷积神经网络模型进行训练。

7.根据权利要求6所述的外观缺陷检测模型建模装置，其特征在于，所述外观缺陷检测模型建模装置还包括：

验证单元，用于通过S折交叉验证法对所述外观缺陷检测模型进行准确度验证，所述准确度取S次验证准确率的平均值；

预处理单元，用于计算各批次数和对应的训练轮回数两者所对应的验证样本集预测准确率，将所述预测准确率大于等于预置准确率时，最小训练轮回数作为最终的训练轮回数，将同时对应所述训练轮回数和所述预测准确率的批次数作为最终的批次数；

检测单元，用于将测试样本集输入所述外观缺陷检测模型进行外观缺陷检测。

8.一种外观缺陷检测模型建模设备，其特征在于，所述设备包括处理器以及存储器：

所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器用于根据所述程序代码中的指令执行权利要求1-5任一项所述的外观缺陷检测模型建模方法。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-5任一项所述的外观缺陷检测模型建模方法。

10.一种包括指令的计算机程序产品，其特征在于，当其在计算机上运行时，使得所述计算机执行权利要求1-5任一项所述的外观缺陷检测模型建模方法。