CN109829483B - 缺陷识别模型训练方法、装置、计算机设备和存储介质 - Google Patents
缺陷识别模型训练方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109829483B CN109829483B CN201910012264.1A CN201910012264A CN109829483B CN 109829483 B CN109829483 B CN 109829483B CN 201910012264 A CN201910012264 A CN 201910012264A CN 109829483 B CN109829483 B CN 109829483B
- Authority
- CN
- China
- Prior art keywords
- training
- data
- defect
- image data
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 370
- 230000007547 defect Effects 0.000 title claims abstract description 270
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 30
- 238000005286 illumination Methods 0.000 claims description 39
- 230000009466 transformation Effects 0.000 claims description 31
- 230000002950 deficient Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 description 20
- 238000010586 diagram Methods 0.000 description 15
- 238000002372 labelling Methods 0.000 description 13
- 238000001514 detection method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及一种缺陷识别模型训练方法、装置、计算机设备和存储介质。所述方法包括：获取样本图像训练数据；获取与所述样本图像训练数据对应的辅助样本图像数据；以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。在训练时，通过输入与样本图像训练数据对应的辅助样本图像数据，无需额外对样本图像训练数据提取特征数据，减少了模型训练时提取特征数据所耗费的时间，提高了模型的训练效率。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种缺陷识别模型训练方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展，出现了机器学习技术，通过建立模型、提供训练数据进行模型训练，利用训练后的模型对未知数据进行预测。机器学习可以广泛地应用于品质检测领域，建立的缺陷识别模型对包含缺陷的产品的图像进行学习，并通过产品的图像进行产品缺陷检测。产品可以为各种类型；产品的材质可以包括各种类型的材质，比如金属、塑料和玻璃等；缺陷的种类可以包括各种类型，比如缺少、多余、气泡、划痕和形状不符合规则等。
然而，传统的机器学习技术中，在对缺陷识别模型进行训练时需要输入大量的训练数据样本，缺陷识别模型又需要从训练样本数据中提取大量的特征数据，导致缺陷识别模型的训练时间较长，效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高模型训练效率的缺陷识别模型训练方法、装置、计算机设备和存储介质。
一种缺陷识别模型训练方法，所述方法包括：
获取样本图像训练数据；
获取与所述样本图像训练数据对应的辅助样本图像数据；
以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；
根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。
一种缺陷识别模型训练装置，所述装置包括：
数据获取模块，用于获取样本图像训练数据；
辅助获取模块，用于获取与所述样本图像训练数据对应的辅助样本图像数据；
样本集构建模块，用于以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；
模型得到模块，用于根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在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以下步骤：
获取样本图像训练数据；
获取与所述样本图像训练数据对应的辅助样本图像数据；
以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；
根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取样本图像训练数据；
获取与所述样本图像训练数据对应的辅助样本图像数据；
以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；
根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。
上述缺陷识别模型训练方法、装置、计算机设备和存储介质，获取样本图像训练数据以及与样本图像训练数据对应的辅助样本图像数据，无需额外对样本图像训练数据提取特征数据，以样本图像训练数据和辅助样本图像数据,构建训练样本集，再根据训练样本集对初始模型进行训练,得到缺陷识别模型。在训练时，通过输入与样本图像训练数据对应的辅助样本图像数据，减少了模型训练时提取特征数据所耗费的时间，提高了模型的训练效率。
附图说明
图1为一个实施例中缺陷识别模型训练方法的应用环境图；
图2为一个实施例中缺陷识别模型训练方法的流程示意图；
图3为一个实施例中获取辅助样本图像数据的步骤的流程示意图；
图4为一个实施例中构建训练样本集的步骤的流程示意图；
图5为一个实施例中得到缺陷识别模型的步骤的流程示意图；
图6为一个实施例中得到缺陷预判模型的步骤的流程示意图；
图7为一个实施例中样本图像训练数据中样本图像的示意图；
图8为一个实施例中预处理图像数据中预处理图像的示意图；
图9为一个实施例中无缺产品图像数据中无缺产品图像的示意图；
图10为一个实施例中缺陷标注数据的示意图；
图11为一个实施例中使用缺陷识别模型的步骤的流程示意图；
图12为一个实施例中缺陷识别结果的示意图；
图13为一个实施例中缺陷识别模型训练的示意图；
图14为一个实施例中缺陷识别模型训练装置的结构框图；
图15为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的缺陷识别模型训练方法，可以应用于如图1所示的应用环境中，应用环境中可以包括终端102和服务器104，终端102通过网络与服务器104进行通信。该方法既可以应用在终端102，也可以应用于服务器104。其中，终端102可以但不限于是各种工业计算机、个人计算机、笔记本电脑、智能手机、平板电脑。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种缺陷识别模型训练方法，本实施例以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取样本图像训练数据。
其中，样本图像训练数据是对存在品质缺陷的产品进行图像采集得到样本图像后，对样本图像添加缺陷标注数据得到的样本数据，用于对初始模型进行训练。
具体地，终端获取用户触发的模型训练指令，对模型训练指令进行解析，得到样本图像训练数据的存储地址，终端访问存储地址对应的存储空间，从访问的存储空间中提取存储的样本图像训练数据。
在一个实施例中，终端根据模型训练指令读取预先配置的模型训练脚本，从模型训练脚本中提取样本图像数据的存储地址，根据提取到的存储地址从存储空间中读取样本图像训练数据。
步骤204，获取与样本图像训练数据对应的辅助样本图像数据。
其中，辅助样本图像数据是与样本图像训练数据相关的图像数据，用于辅助初始模型进行训练。
具体地，终端对获取到的模型训练指令进行解析，得到与样本图像数据对应的辅助样本图像数据类型，以及辅助样本图像数据的存储地址。终端根据辅助样本图像数据对应的存储地址，从存储空间中提取辅助样本图像数据。
在一个实施例中，终端根据模型训练指令生成数据获取请求，通过网络将数据获取请求发送至服务器。服务器接收数据获取请求，根据数据获取请求从数据库中提取样本图像训练数据和辅助样本图像数据，通过网络将提取到的样本图像训练数据和辅助样本图像数据发送至终端。
步骤206，以样本图像训练数据和辅助样本图像数据，构建训练样本集。
其中，训练样本集是样本图像训练数据和辅助样本图像数据的组合。
具体地，终端获取到样本图像训练数据及辅助样本图像数据后，触发训练样本集构建指令，根据训练样本集构建指令，对样本图像训练数据和辅助样本图像数据进行组合，得到训练样本集。
步骤208，根据训练样本集对初始模型进行训练，得到缺陷识别模型。
其中，初始模型是预先建立的、未经参数调整的模型。缺陷识别模型是初始模型经过训练后，最终得到的模型。
具体地，终端构建训练样本集完毕后，将训练样本集输入初始模型。初始模型依据输入的训练样本集进行训练，调整模型参数，使初始模型输出的缺陷预测结果不断接近缺陷标注数据。当训练结束后，终端得到缺陷识别模型。初始模型的种类在此不作限定，可以是神经网络模型、点云分类模型、支持向量机和逻辑回归模型中的至少一种。辅助样本图像数据种类的数量没有限定。比如，终端可以只获取一种辅助样本图像数据，构建一组训练样本集，根据训练样本集对一个初始模型进行训练得到缺陷识别模型。
本实施例中，通过获取样本图像训练数据以及与样本图像训练数据对应的辅助样本图像数据，无需额外对样本图像训练数据提取特征数据，以样本图像训练数据和辅助样本图像数据,构建训练样本集，根据训练样本集对初始模型进行训练,得到缺陷识别模型。在训练时，通过输入与样本图像训练数据对应的辅助样本图像数据，减少了模型训练时提取特征数据所耗费的时间，提高了模型的训练效率。
如图3所示，在一个实施例中，步骤204具体还包括获取辅助样本图像数据的步骤，该步骤具体包括如下步骤：
步骤302，确定样本图像训练数据对应的辅助数据类型。
具体地，终端提取样本图像训练数据标识，从预先存储的模型训练脚本中查询样本图像训练数据标识，确定与样本图像训练数据标识对应的辅助数据类型。模型训练脚本是对模型进行训练所用的格式文件，模型训练脚本中包括控制终端进行一系列操作的数据。辅助数据类型可以包括预处理图像数据、无缺产品图像数据和光照变换图像数据中的至少一种。
步骤304，获取各辅助数据类型分别对应的样本数据地址。
其中，样本数据地址是各辅助数据类型在存储空间中的存储地址。
具体地，终端根据模型训练脚本确定辅助数据类型后，在模型训练脚本中提取与确定的各辅助数据类型分别对应的样本数据地址。
步骤306，根据样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据。
其中，预处理图像数据是对样本图像进行视觉方法处理得到的预处理图像，添加标注数据后得到的图像数据。视觉方法的处理可以包括边缘提取、连通域和RGB转HSB中的至少一种。RGB表示一种色彩模式，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加得到各式各样的颜色；HSB表示一种颜色模式，H(hues)表示色相，S(saturation)表示饱和度，B(brightness)表示亮度，HSB模式对应的媒介是人眼。
无缺产品图像数据是对品质完好的产品进行图像采集得到的无缺产品图像，添加标注数据后得到的图像数据。
光照变换图像数据是对存在品质缺陷的产品，在特定颜色光照下进行图像采集得到的光照变换图像，添加标注数据后得到的图像数据。在对不同颜色的产品进行图像采集时，可以采用不同波长的光进行照射，采集产品在特定光照下的图像。比如，当产品为黑色时，可以使用蓝光或者绿光进行照射。在进行图像采集时，可以由人工确定产品缺陷类型，依据产品缺陷类型采用不同波长的光进行照射。比如，当产品表面存在细小划痕时，可以采用短波长的光进行照射，例如蓝光。
具体地，终端从模型训练脚本中获取到预处理图像数据、无缺产品图像数据和光照变换图像数据分别对应的样本数据地址后，分别访问各样本数据地址对应的存储空间，从访问的存储空间中，分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据。
在一个实施例中，在辅助样本图像数据的准备阶段，可以先对样本图像进行复制，对复制得到的样本图像进行传统视觉方法的处理，得到预处理图像；也可以从样本图像中选取一部分进行传统视觉方法的处理，得到预处理图像。
步骤308，以预处理图像数据、无缺产品图像数据和光照变换图像数据，作为各种辅助样本图像数据,
具体地，终端从存储空间中提取到预处理图像数据、无缺产品图像数据和光照变换图像数据后，分别将预处理图像数据、无缺产品图像数据和光照变换图像数据标记为辅助样本图像数据。
本实施例中，通过确定样本图像训练数据对应的辅助数据类型，获取各辅助数据类型分别对应的样本数据地址，根据样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据，再分别将提取到的预处理图像数据、无缺产品图像数据和光照变换图像数据作为辅助样本图像数据，提高了获取辅助样本图像数据的准确性。
如图4所示，在一个实施例中，步骤206具体还包括构建训练样本集的步骤，该步骤具体包括如下步骤：
步骤402，以样本图像训练数据作为第一组训练样本集。
具体地，终端获取到各种辅助样本图像数据后，触发训练样本集构建指令，根据训练样本集构建指令构建训练样本集。首先，终端单独以样本图像训练数据构建训练样本集，得到第一组训练样本集。
步骤404，将样本图像训练数据，分别与各种辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集。
具体地，终端分别将样本图像训练数据分别于各种辅助样本图像数据进行组合，对于每种组合方式，终端分别得到第二组训练样本集、第三组训练样本集和第四组训练样本集。其中，第二组训练样本集可以是样本图像数据和预处理图像数据的组合，第三组训练样本集可以是样本图像数据和无缺产品图像数据的组合，第四组训练样本集可以是样本图像数据和光照变换图像数据的组合。可以理解，本发明所使用的术语“第一”、“第二”、“第三”和“第四”等，仅用于将各组训练样本集进行区分，但各组训练样本集并不受这些术语限制。
本实施例中，以样本图像训练数据作为第一组训练样本集，将样本图像训练数据，有机地与辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集，提高了得到训练样本集的效率。
如图5所示，在一个实施例中，步骤208具体还包括得到缺陷识别模型的步骤，该步骤具体包括如下步骤：
步骤502，分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型。
其中，缺陷预判模型是初始模型经过训练得到的模型。
具体地，终端分别将每组训练样本集输入对应的初始模型，初始模型根据输入的训练样本集进行训练。终端可以将训练样本集分为多份，训练时，先将一份训练样本集输入初始模型，得到初始模型输出的缺陷预测结果，将缺陷预测结果与缺陷标注数据进行对比并计算预测误差，根据预测误差调整模型参数；再将另一份训练样本集输入调整后的模型，重复上述过程，直至预测误差收敛，得到缺陷预判模型。
步骤504，根据多个缺陷预判模型构建缺陷识别模型。
具体地，终端通过训练得到多个缺陷预判模型后，以多个缺陷预判模型作为子模型，组建缺陷预判模型集群，将得到的缺陷预判模型集群作为母模型，得到缺陷识别模型。
本实施例中，分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型，再根据多个缺陷预判模型构建缺陷识别模型，提高了构建缺陷识别模型的效率。
如图6所示，在一个实施例中，步骤502具体还包括得到缺陷预判模型的步骤，该步骤具体包括如下步骤：
步骤602，对于每组训练样本集，提取训练样本集中的模型输入数据和缺陷标注数据。
其中，缺陷标注数据是样本图像训练数据的样本图像中缺陷的标注数据，是模型训练时模型的期望输出。缺陷可以包括气泡、划痕、杂质、缺损、多余中的至少一种。
具体地，对于第一组训练样本集，终端提取样本图像训练数据中的样本图像及缺陷标注数据，将样本图像作为模型输入数据；对于第二组训练样本集，终端提取样本图像训练数据中的样本图像及缺陷标注数据、预处理图像数据中的预处理图像及标注数据，将样本图像和预处理图像作为模型输入数据；对于第三组训练样本集，终端提取样本图像训练数据中的样本图像及缺陷标注数据、无缺产品图像数据中的无缺产品图像和标注数据，将样本图像和无缺产品图像作为模型输入数据；对于第四组训练样本集，终端提取样本图像训练数据中的样本图像及缺陷标注数据、光照变换图像数据中的光照变换图像和标注数据，将样本图像和光照变换图像作为模型输入数据。
举例说明，终端从样本图像训练数据中提取到的样本图像如图7所示。终端从预处理图像数据中提取到的预处理图像如图8所示，其中预处理图像是经过视觉轮廓提取得到的。终端从无缺产品图像数据中提取到的无缺产品图像如图9所示。缺陷标注数据如图10所示，其中缺陷1002和缺陷1004为标注出位置的缺陷。
步骤604，将模型输入数据输入对应的初始模型，得到初始模型输出的缺陷预测结果。
其中，缺陷预测结果是处于训练过程中的初始模型对模型输入数据中缺陷的预测结果。
具体地，终端预设有与各训练样本集对应的初始模型。终端从训练样本集中提取到模型输入数据与缺陷标注数据后，将模型输入数据输入对应的初始模型，初始模型对模型输入数据进行处理得到缺陷预测结果。
步骤606，根据缺陷预测结果与缺陷标注数据，确定预测误差。
其中，预测误差是以缺陷预测结果与缺陷标注数据之间的差异为自变量的函数。
具体地，终端采用监督学习的方法进行模型训练。终端得到缺陷预测结果后，比较缺陷预测结果与缺陷标注数据，按照预设的误差公式进行计算，得到预测误差。
步骤608，根据预测误差对初始模型进行调整，直至预测误差满足训练停止条件，得到训练样本集对应的缺陷预判模型。
其中，训练停止条件是停止模型训练的条件，训练停止条件可以是预测误差小于预定的误差阈值。
具体地，终端获取预定的误差阈值，比较预测误差与误差阈值。当预测误差大于等于误差阈值时，终端按照减小预测误差的方向，调整初始模型中的模型参数。终端每次对初始模型进行参数调整后，重新对模型输入数据进行处理得到缺陷预测结果，根据缺陷预测结果和缺陷标注数据得到预测误差，比较预测误差与误差阈值，若预测误差仍大于等于误差阈值，再次对模型进行调整，如此循环迭代，直至预测误差小于误差阈值时，停止训练，将停止训练时的模型作为与训练样本集对应的缺陷预判模型。
在一个实施例中，训练停止条件可以是模型训练中预设的迭代次数。当模型在训练中的迭代次数大于等于迭代次数阈值时，终端停止训练，得到缺陷预判模型。
本实施例中，对于每组训练样本集，提取训练样本集中的模型输入数据和缺陷标注数据，将模型输入数据输入对应的初始模型，得到初始模型输出的缺陷预测结果，根据缺陷预测结果与缺陷标注数据，确定预测误差，根据预测误差对初始模型进行调整，当预测误差满足训练停止条件时停止训练，得到训练样本集对应的缺陷预判模型，通过训练不断对初始模型进行调整，提高了获取缺陷预判模型的准确性。
如图11所示，在一个实施例中，步骤208之后还包括使用缺陷识别模型的步骤，该步骤具体包括如下步骤：
步骤1102，获取待检测产品的产品图像数据。
其中，产品图像数据是缺陷识别模型在使用时，输入缺陷识别模型中的待检测产品的图像数据。
具体地，终端获取触发的产品检测指令，根据产品检测指令从存储空间中提取待检测产品的产品图像数据。
在一个实施例中，终端安装有图像采集装置。终端获取产品检测指令后，启动图像采集装置，对流水线上的待检测产品进行图像采集，得到产品图像数据。产品图像数据可以包括多个待检测产品各自对应的图像数据，每个待检测产品可以包括多份图像数据。
步骤1104，将产品图像数据输入缺陷识别模型。
具体地，终端按照缺陷识别模型中缺陷预判模型的数目，对获取到的产品图像数据进行复制，使得每一个缺陷预判模型都对应有相同的产品图像数据。终端对产品图像数据复制完成后，依次将产品图像数据输入缺陷识别模型中的各缺陷预判模型。
步骤1106，获取缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果。
其中，缺陷预判结果是缺陷预判模型对产品图像数据中的缺陷的识别结果。
具体地，终端将产品图像数据输入缺陷识别模型中的各缺陷预判模型后，各缺陷预判模型对产品图像数据进行处理，识别产品图像数据中的缺陷，分别输出各自的缺陷预判结果。终端获取各缺陷预判模型的缺陷预判结果，以便进行分析处理。
步骤1108，根据获取到的缺陷预判结果确定缺陷识别结果。
其中，缺陷识别结果是缺陷识别模型对产品图像数据中的缺陷的识别结果。
具体地，终端提取各缺陷预判模型的缺陷预判结果，并统计各缺陷预判结果的出现频率，筛选出现频率最高的缺陷预判结果，将筛选得到的出现频率最高的缺陷预判结果，作为缺陷识别模型的缺陷识别结果。缺陷识别结果如图12所示，可以是缺陷部分的图像提取，其中缺陷1202和缺陷1204为识别到的缺陷。在一个实施例中，若终端无法筛选到出现频率最高的缺陷预判结果，比如仅有两种缺陷预判结果且出现概率相同，生成缺陷识别失败的信息，将缺陷识别失败的信息通过显示屏进行显示。
在一个实施例中，终端将筛选到的缺陷预判结果的出现频率与预设的频率阈值进行比较，若缺陷预判结果的出现频率大于等于预设的频率阈值，终端确认筛选得到的缺陷预判结果有效，将筛选得到的缺陷预判结果作为缺陷识别模型的缺陷识别结果。
在一个实施例中，当终端只获取到一种辅助样本图像数据时，终端对一个初始模型训练完成后得到缺陷识别模型。终端在使用缺陷识别模型时，将待检测产品的产品图像数据输入缺陷识别模型后，直接得到缺陷识别模型输出的缺陷识别结果。
本实施例中，获取待检测产品的产品图像数据，将产品图像数据输入缺陷识别模型，获取缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果，根据各缺陷预判结果确定缺陷识别模型的缺陷识别结果，提高了获取缺陷识别结果的准确性。
图13为一个实施例中缺陷识别模型训练方法的示意图。具体地，参照图10，第一组训练样本集可以由样本图像训练数据组成，第二组训练样本集可以由样本图像训练数据和预处理图像数据组成，第三组训练样本集可以由样本图像训练数据和无缺产品图像数据组成，第四组训练样本集可以由样本图像训练数据和光照变换图像数据组成。终端提取训练样本集中的模型输入数据和缺陷标注数据，以模型输入数据作为模型的输入、缺陷标注数据作为模型的输出，训练各初始模型。
应该理解的是，虽然图2-5和11的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5和11中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图14所示，提供了一种缺陷识别模型训练装置1400，包括：数据获取模块1402、辅助获取模块1404、样本集构建模块1406和模型得到模块1408，其中：
数据获取模块1402，用于获取样本图像训练数据。
辅助获取模块1404，用于获取与样本图像训练数据对应的辅助样本图像数据。
样本集构建模块1406，用于以样本图像训练数据和辅助样本图像数据，构建训练样本集。
模型得到模块1408，用于根据训练样本集对初始模型进行训练，得到缺陷识别模型。
本实施例中，通过获取样本图像训练数据以及与样本图像训练数据对应的辅助样本图像数据，无需额外对样本图像训练数据提取特征数据，以样本图像训练数据和辅助样本图像数据,构建训练样本集，根据训练样本集对初始模型进行训练,得到缺陷识别模型。在训练时，通过输入与样本图像训练数据对应的辅助样本图像数据，减少了模型训练时提取特征数据所耗费的时间，提高了模型的训练效率。
在一个实施例中，辅助获取模块1404具体包括：类型确定模块、地址获取模块、数据提取模块和辅助确定模块，其中：
类型确定模块，用于确定样本图像训练数据对应的辅助数据类型。
地址获取模块，用于获取各辅助数据类型分别对应的样本数据地址。
数据提取模块，用于根据样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据。
辅助确定模块，用于以预处理图像数据、无缺产品图像数据和光照变换图像数据，作为各种辅助样本图像数据。
本实施例中，通过确定样本图像训练数据对应的辅助数据类型，获取各辅助数据类型分别对应的样本数据地址，根据样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据，再分别将提取到的预处理图像数据、无缺产品图像数据和光照变换图像数据作为辅助样本图像数据，提高了获取辅助样本图像数据的准确性。
在一个实施例中，样本集构建模块1406还用于以样本图像训练数据作为第一组训练样本集；将样本图像训练数据，分别与各种辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集。
本实施例中，以样本图像训练数据作为第一组训练样本集，将样本图像训练数据，有机地与辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集，提高了得到训练样本集的效率。
在一个实施例中，模型得到模块1408还用于分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型；根据多个缺陷预判模型构建缺陷识别模型。
本实施例中，分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型，再根据多个缺陷预判模型构建缺陷识别模型，提高了构建缺陷识别模型的效率。在一个实施例中，模型得到模块还用于对于每组训练样本集，提取训练样本集中的模型输入数据和缺陷标注数据；将模型输入数据输入对应的初始模型，得到初始模型输出的缺陷预测结果；根据缺陷预测结果与缺陷标注数据，确定预测误差；根据预测误差对初始模型进行调整，直至预测误差满足训练停止条件，得到训练样本集对应的缺陷预判模型。
本实施例中，对于每组训练样本集，提取训练样本集中的模型输入数据和缺陷标注数据，将模型输入数据输入对应的初始模型，得到初始模型输出的缺陷预测结果，根据缺陷预测结果与缺陷标注数据，确定预测误差，根据预测误差对初始模型进行调整，当预测误差满足训练停止条件时停止训练，得到训练样本集对应的缺陷预判模型，通过训练不断对初始模型进行调整，提高了获取缺陷预判模型的准确性。
在一个实施例中，缺陷识别模型训练装置1400还包括模型使用模块，模型使用模块用于获取待检测产品的产品图像数据；将产品图像数据输入缺陷识别模型；获取缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果；根据获取到的缺陷预判结果确定缺陷识别结果。
本实施例中，获取待检测产品的产品图像数据，将产品图像数据输入缺陷识别模型，获取缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果，根据各缺陷预判结果确定缺陷识别模型的缺陷识别结果，提高了获取缺陷识别结果的准确性。
关于缺陷识别模型训练装置的具体限定可以参见上文中对于缺陷识别模型训练方法的限定，在此不再赘述。上述缺陷识别模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、输入装置和图像采集装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种缺陷识别模型训练方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。图像采集装置用于采集待检测产品的产品图像数据。
本领域技术人员可以理解，图15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。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取样本图像训练数据；获取与样本图像训练数据对应的辅助样本图像数据；以样本图像训练数据和辅助样本图像数据，构建训练样本集；根据训练样本集对初始模型进行训练，得到缺陷识别模型。在一个实施例中，获取与样本图像训练数据对应的辅助样本图像数据包括：确定样本图像训练数据对应的辅助数据类型；获取各辅助数据类型分别对应的样本数据地址；根据样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据；以预处理图像数据、无缺产品图像数据和光照变换图像数据，作为各种辅助样本图像数据。
在一个实施例中，以样本图像训练数据和辅助样本图像数据，构建训练样本集包括：以样本图像训练数据作为第一组训练样本集；将样本图像训练数据，分别与各种辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集。
在一个实施例中，根据训练样本集对初始模型进行训练，得到缺陷识别模型包括：分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型；根据多个缺陷预判模型构建缺陷识别模型。
在一个实施例中，分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型包括：对于每组训练样本集，提取训练样本集中的模型输入数据和缺陷标注数据；将模型输入数据输入对应的初始模型，得到初始模型输出的缺陷预测结果；根据缺陷预测结果与缺陷标注数据，确定预测误差；根据预测误差对初始模型进行调整，直至预测误差满足训练停止条件，得到训练样本集对应的缺陷预判模型。
在一个实施例中，根据多个缺陷预判模型构建缺陷识别模型之后，处理器执行计算机程序时还实现以下步骤：获取待检测产品的产品图像数据；将产品图像数据输入缺陷识别模型；获取缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果；根据获取到的缺陷预判结果确定缺陷识别结果。
本实施例中，通过获取样本图像训练数据以及与样本图像训练数据对应的辅助样本图像数据，无需额外对样本图像训练数据提取特征数据，以样本图像训练数据和辅助样本图像数据,构建训练样本集，根据训练样本集对初始模型进行训练,得到缺陷识别模型。在训练时，通过输入与样本图像训练数据对应的辅助样本图像数据，减少了模型训练时提取特征数据所耗费的时间，提高了模型的训练效率。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取样本图像训练数据；获取与样本图像训练数据对应的辅助样本图像数据；以样本图像训练数据和辅助样本图像数据，构建训练样本集；根据训练样本集对初始模型进行训练，得到缺陷识别模型。
在一个实施例中，获取与样本图像训练数据对应的辅助样本图像数据包括：确定样本图像训练数据对应的辅助数据类型；获取各辅助数据类型分别对应的样本数据地址；根据样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据；以预处理图像数据、无缺产品图像数据和光照变换图像数据，作为各种辅助样本图像数据。
在一个实施例中，以样本图像训练数据和辅助样本图像数据，构建训练样本集包括：以样本图像训练数据作为第一组训练样本集；将样本图像训练数据，分别与各种辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集。
在一个实施例中，根据训练样本集对初始模型进行训练，得到缺陷识别模型包括：分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型；根据多个缺陷预判模型构建缺陷识别模型。
在一个实施例中，分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型包括：对于每组训练样本集，提取训练样本集中的模型输入数据和缺陷标注数据；将模型输入数据输入对应的初始模型，得到初始模型输出的缺陷预测结果；根据缺陷预测结果与缺陷标注数据，确定预测误差；根据预测误差对初始模型进行调整，直至预测误差满足训练停止条件，得到训练样本集对应的缺陷预判模型。
在一个实施例中，根据多个缺陷预判模型构建缺陷识别模型之后，计算机程序被处理器执行时还实现以下步骤：获取待检测产品的产品图像数据；将产品图像数据输入缺陷识别模型；获取缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果；根据获取到的缺陷预判结果确定缺陷识别结果。
本实施例中，通过获取样本图像训练数据以及与样本图像训练数据对应的辅助样本图像数据，无需额外对样本图像训练数据提取特征数据，以样本图像训练数据和辅助样本图像数据,构建训练样本集，根据训练样本集对初始模型进行训练,得到缺陷识别模型。在训练时，通过输入与样本图像训练数据对应的辅助样本图像数据，减少了模型训练时提取特征数据所耗费的时间，提高了模型的训练效率。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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发明专利范围的限制。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)
1.一种缺陷识别模型训练方法，其特征在于，所述方法包括：
获取样本图像训练数据；
确定所述样本图像训练数据对应的辅助数据类型；
获取各辅助数据类型分别对应的样本数据地址；
根据所述样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据中的至少一种；
以所述预处理图像数据、所述无缺产品图像数据和所述光照变换图像数据中的至少一种，作为各种辅助样本图像数据；
以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；
根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。
2.根据权利要求1所述的方法，其特征在于，所述以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集包括：
以所述样本图像训练数据作为第一组训练样本集；
将所述样本图像训练数据，分别与所述各种辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集。
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练样本集对初始模型进行训练，得到缺陷识别模型包括：
分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型；
根据所述多个缺陷预判模型构建缺陷识别模型。
4.根据权利要求3所述的方法，其特征在于，所述分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型包括：
对于每组训练样本集，提取所述训练样本集中的模型输入数据和缺陷标注数据；
将所述模型输入数据输入对应的初始模型，得到所述初始模型输出的缺陷预测结果；
根据所述缺陷预测结果与所述缺陷标注数据，确定预测误差；
根据所述预测误差对所述初始模型进行调整，直至所述预测误差满足训练停止条件，得到所述训练样本集对应的缺陷预判模型。
5.根据权利要求3或4所述的方法，其特征在于，所述根据所述多个缺陷预判模型构建缺陷识别模型之后，还包括：
获取待检测产品的产品图像数据；
将所述产品图像数据输入所述缺陷识别模型；
获取所述缺陷识别模型中各缺陷预判模型分别输出的缺陷预判结果；
根据获取到的缺陷预判结果确定缺陷识别结果。
6.一种缺陷识别模型训练装置，其特征在于，所述装置包括：
数据获取模块，用于获取样本图像训练数据；
辅助获取模块，用于确定所述样本图像训练数据对应的辅助数据类型；获取各辅助数据类型分别对应的样本数据地址；根据所述样本数据地址分别提取预处理图像数据、无缺产品图像数据和光照变换图像数据中的至少一种；以所述预处理图像数据、所述无缺产品图像数据和所述光照变换图像数据中的至少一种，作为各种辅助样本图像数据；
样本集构建模块，用于以所述样本图像训练数据和所述辅助样本图像数据，构建训练样本集；
模型得到模块，用于根据所述训练样本集对初始模型进行训练，得到缺陷识别模型。
7.根据权利要求6所述的装置，其特征在于，所述样本集构建模块还用于以所述样本图像训练数据作为第一组训练样本集；将所述样本图像训练数据，分别与所述各种辅助样本图像数据中的预处理图像数据、无缺产品图像数据和光照变换图像数据进行组合，得到第二组训练样本集、第三组训练样本集和第四组训练样本集。
8.根据权利要求6所述的装置，其特征在于，所述模型得到模块还用于分别根据每组训练样本集对各初始模型进行训练,得到多个缺陷预判模型；根据多个缺陷预判模型构建缺陷识别模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910012264.1A CN109829483B (zh) | 2019-01-07 | 2019-01-07 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
| PCT/CN2020/070578 WO2020143592A1 (zh) | 2019-01-07 | 2020-01-07 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910012264.1A CN109829483B (zh) | 2019-01-07 | 2019-01-07 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109829483A CN109829483A (zh) | 2019-05-31 |
| CN109829483B true CN109829483B (zh) | 2021-05-18 |
Family
ID=66860187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910012264.1A Active CN109829483B (zh) | 2019-01-07 | 2019-01-07 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109829483B (zh) |
| WO (1) | WO2020143592A1 (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829483B (zh) * | 2019-01-07 | 2021-05-18 | 鲁班嫡系机器人（深圳）有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
| CN112348040B (zh) * | 2019-08-07 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 模型训练方法、装置及设备 |
| CN112907498B (zh) * | 2019-11-18 | 2024-04-30 | 中国商用飞机有限责任公司 | 一种孔隙识别方法、装置、设备及存储介质 |
| CN111402220B (zh) * | 2020-03-11 | 2023-06-09 | 北京百度网讯科技有限公司 | 用于获取信息的方法及装置 |
| CN112734693B (zh) * | 2020-12-18 | 2024-06-07 | 平安科技（深圳）有限公司 | 一种管道焊缝缺陷检测方法及相关装置 |
| CN112926437B (zh) * | 2021-02-22 | 2024-06-11 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
| CN113538341B (zh) * | 2021-03-31 | 2024-04-30 | 联合汽车电子有限公司 | 自动光学检测辅助方法、装置及存储介质 |
| CN113192021A (zh) * | 2021-04-26 | 2021-07-30 | 深圳中科飞测科技股份有限公司 | 检测方法及装置、检测设备和存储介质 |
| CN113706462A (zh) * | 2021-07-21 | 2021-11-26 | 南京旭锐软件科技有限公司 | 产品表面缺陷检测方法、装置、设备及存储介质 |
| CN113610787A (zh) * | 2021-07-27 | 2021-11-05 | 广东省科技基础条件平台中心 | 图像缺陷检测模型的训练方法、装置、计算机设备 |
| CN113570007B (zh) * | 2021-09-27 | 2022-02-15 | 深圳市信润富联数字科技有限公司 | 零件缺陷识别模型构建优化方法、装置、设备及存储介质 |
| CN114083770B (zh) * | 2021-10-29 | 2024-03-22 | 北京百度网讯科技有限公司 | 工艺参数调整及模型训练方法、装置、设备与存储介质 |
| CN115240031B (zh) * | 2022-07-21 | 2023-10-27 | 无锡锤头鲨智能科技有限公司 | 一种基于生成对抗网络的板材表面缺陷生成方法及系统 |
| CN116523845B (zh) * | 2023-04-10 | 2023-11-07 | 江苏濠汉信息技术有限公司 | 一种基于电缆隧道的缺陷检测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040015464A1 (en) * | 2002-03-25 | 2004-01-22 | Lockheed Martin Corporation | Method and computer program product for producing a pattern recognition training set |
| CN103760229A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 |
| CN106528417A (zh) * | 2016-10-28 | 2017-03-22 | 中国电子产品可靠性与环境试验研究所 | 软件缺陷智能检测方法和系统 |
| CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
| CN108896567A (zh) * | 2018-08-06 | 2018-11-27 | 慧泉智能科技（苏州）有限公司 | 一种对钮扣电池表面压伤缺陷进行检测的方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
| TWI608369B (zh) * | 2016-11-23 | 2017-12-11 | 財團法人工業技術研究院 | 分類方法、分類模組及電腦程式產品 |
| CN107316295A (zh) * | 2017-07-02 | 2017-11-03 | 苏州大学 | 一种基于深度神经网络的织物瑕疵检测方法 |
| CN108615230A (zh) * | 2018-03-16 | 2018-10-02 | 北京邮电大学 | 一种轮毂表面异常检测方法和系统 |
| CN108562589B (zh) * | 2018-03-30 | 2020-12-01 | 慧泉智能科技（苏州）有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
| CN108764372B (zh) * | 2018-06-08 | 2019-07-16 | Oppo广东移动通信有限公司 | 数据集的构建方法和装置、移动终端、可读存储介质 |
| CN109829483B (zh) * | 2019-01-07 | 2021-05-18 | 鲁班嫡系机器人（深圳）有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
-
2019
- 2019-01-07 CN CN201910012264.1A patent/CN109829483B/zh active Active
-
2020
- 2020-01-07 WO PCT/CN2020/070578 patent/WO2020143592A1/zh active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040015464A1 (en) * | 2002-03-25 | 2004-01-22 | Lockheed Martin Corporation | Method and computer program product for producing a pattern recognition training set |
| CN103760229A (zh) * | 2014-01-07 | 2014-04-30 | 天津大学 | 基于支持向量机的焊接缺陷巨磁电阻涡流检测方法 |
| CN106528417A (zh) * | 2016-10-28 | 2017-03-22 | 中国电子产品可靠性与环境试验研究所 | 软件缺陷智能检测方法和系统 |
| CN107392896A (zh) * | 2017-07-14 | 2017-11-24 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于深度学习的木材缺陷检测方法和系统 |
| CN108896567A (zh) * | 2018-08-06 | 2018-11-27 | 慧泉智能科技（苏州）有限公司 | 一种对钮扣电池表面压伤缺陷进行检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109829483A (zh) | 2019-05-31 |
| WO2020143592A1 (zh) | 2020-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829483B (zh) | 缺陷识别模型训练方法、装置、计算机设备和存储介质 | |
| JP6924413B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
| US11176650B2 (en) | Data generation apparatus, data generation method, and data generation program | |
| US10885618B2 (en) | Inspection apparatus, data generation apparatus, data generation method, and data generation program | |
| JP6994588B2 (ja) | 顔特徴抽出モデル訓練方法、顔特徴抽出方法、装置、機器および記憶媒体 | |
| US20200133182A1 (en) | Defect classification in an image or printed output | |
| CN110956628B (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
| CN108830197A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| WO2021000832A1 (zh) | 匹配人脸的方法、装置、计算机设备和存储介质 | |
| CN109308488A (zh) | 乳腺超声图像处理装置、方法、计算机设备及存储介质 | |
| US11348349B2 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
| US11562479B2 (en) | Inspection apparatus, inspection method, and non-volatile storage medium | |
| CN114170227B (zh) | 产品表面缺陷检测方法、装置、设备及存储介质 | |
| US20210337073A1 (en) | Print quality assessments via patch classification | |
| CN114862845A (zh) | 手机触摸屏的缺陷检测方法、装置、设备及存储介质 | |
| CN117392042A (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
| CN115713481A (zh) | 基于多模态融合的复杂场景目标检测方法及存储介质 | |
| CN113379723A (zh) | 不规则溢胶口检测方法、装置、设备和存储介质 | |
| JP2024530432A (ja) | オフサルミックレンズの像の取得及び検査 | |
| US9508006B2 (en) | System and method for identifying trees | |
| CN113707279B (zh) | 医学影像图片的辅助分析方法、装置、计算机设备及介质 | |
| CN111369633A (zh) | 设计图的评分方法、装置、计算机可读存储介质和设备 | |
| CN115953388A (zh) | 芯片缺陷检测方法、装置、设备、存储介质和程序产品 | |
| Shetty | Vision-based inspection system employing computer vision & neural networks for detection of fractures in manufactured components | |
| CN111209922B (zh) | 基于svm和opencv的图像色系风格标记方法、装置、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 |