CN110211121B - 用于推送模型的方法和装置 - Google Patents

Abstract

本公开的实施例公开了云计算中用于推送模型的方法和装置。该方法的一具体实施方式包括：接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息；根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级；响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型；将当前目标模型发送至目标设备的地址。该实施方式有助于实现结合用户的实际需求将模型自动分发至用户指定的设备。

Description

用于推送模型的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于推送模型的方法和装置。

背景技术

在工业质检场景中，通常可以采用人工检测方式或者机器检测方式对工业产品的产品缺陷进行检测。在采用机器检测方式对工业产品的产品缺陷进行检测时，通常需要在设备上手动部署预先训练的、用于检测产品缺陷的模型。

另外，不同用户所采用的用于运行模型的设备可能不同(如，容量大小不同)。因此，相关技术中，需要结合用户的实际需求将模型自动分发至用户指定的设备。

发明内容

本公开的实施例提出了用于推送模型的方法和装置。

第一方面，本公开的实施例提供了一种用于推送模型的方法，该方法包括：接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息；根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级，其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系；响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型，其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型；将当前目标模型发送至目标设备的地址。

在一些实施例中，将当前目标模型发送至目标设备的地址之前，方法还包括：响应于当前存储的预存模型压缩等级集合中存在与当前模型压缩等级相匹配的预存模型压缩等级，且预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型，将相匹配的预存模型压缩等级所关联的预存目标模型确定为当前目标模型。

在一些实施例中，该方法还包括：将当前目标模型与当前模型压缩等级关联，以及将执行关联操作后的当前模型压缩等级存入预存模型压缩等级集合。

在一些实施例中，预先训练的产品缺陷检测模型通过如下步骤得到：获取训练样本集合，训练样本包括产品图像和产品图像所呈现的缺陷类型，产品图像包括合成有缺陷数据的缺陷产品图像和不具有缺陷数据的干净产品图像；将训练样本集合中的训练样本的产品图像作为模型的输入，将所输入的产品图像对应的缺陷类型作为模型的输出，训练得到产品缺陷检测模型。

在一些实施例中，该方法还包括：接收以及存储目标设备在产品图像检测过程中按照预设图像选取规则选取并发送的检测图像。

在一些实施例中，该方法还包括：从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，以及筛选与新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本，其中，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型；将筛选得到的训练样本和新标注样本作为新训练样本，存入新训练样本集合，以及根据新训练样本集合，更新产品缺陷检测模型。

在一些实施例中，从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本包括：从训练样本集合中，提取与新标注样本具有相同缺陷类型的多个训练样本；对提取的多个训练样本进行聚类，得到至少一个聚类中心，计算各个聚类中心与新标注样本的距离，筛选以及存储对应距离满足预设距离条件的聚类中心所在聚类簇中的训练样本；计算提取的多个训练样本中的各个训练样本与所筛选的训练样本间的相似度，筛选以及存储对应相似度满足预设相似度条件的训练样本。

在一些实施例中，该方法还包括：将新标注样本作为备份样本，存入备份样本集合，其中，备份样本集合中的备份样本用于训练缺陷转换模型，缺陷转换模型用于将针对另一产品的、不具有缺陷的干净产品图像转换成具有目标缺陷类型的缺陷产品图像，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型，备份样本集合中预先存储有对干净产品图像进行标注后得到的备份样本。

第二方面，本公开的实施例提供了一种用于推送模型的装置，该装置包括：请求接收单元，被配置成接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息；等级确定单元，被配置成根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级，其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系；模型确定单元，被配置成响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型，其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型；模型发送单元，被配置成将当前目标模型发送至目标设备的地址。

在一些实施例中，模型确定单元，被进一步配置成：响应于当前存储的预存模型压缩等级集合中存在与当前模型压缩等级相匹配的预存模型压缩等级，且预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型，将相匹配的预存模型压缩等级所关联的预存目标模型确定为当前目标模型。

在一些实施例中，该装置还包括：等级存储单元，被配置成将当前目标模型与当前模型压缩等级关联，以及将执行关联操作后的当前模型压缩等级存入预存模型压缩等级集合。

在一些实施例中，模型确定单元中，预先训练的产品缺陷检测模型通过如下步骤得到：获取训练样本集合，训练样本包括产品图像和产品图像所呈现的缺陷类型，产品图像包括合成有缺陷数据的缺陷产品图像和不具有缺陷数据的干净产品图像；将训练样本集合中的训练样本的产品图像作为模型的输入，将所输入的产品图像对应的缺陷类型作为模型的输出，训练得到产品缺陷检测模型。

在一些实施例中，该装置还包括：反馈接收单元，被配置成接收以及存储目标设备在产品图像检测过程中按照预设图像选取规则选取并发送的检测图像。

在一些实施例中，装置还包括模型更新单元，被配置成：从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，以及筛选与新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本，其中，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型；将筛选得到的训练样本和新标注样本作为新训练样本，存入新训练样本集合，以及根据新训练样本集合，更新产品缺陷检测模型。

在一些实施例中，模型更新单元中，从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本包括：从训练样本集合中，提取与新标注样本具有相同缺陷类型的多个训练样本；对提取的多个训练样本进行聚类，得到至少一个聚类中心，计算各个聚类中心与新标注样本的距离，筛选以及存储对应距离满足预设距离条件的聚类中心所在聚类簇中的训练样本；计算提取的多个训练样本中的各个训练样本与所筛选的训练样本间的相似度，筛选以及存储对应相似度满足预设相似度条件的训练样本。

在一些实施例中，该装置还包括：样本备份单元，被配置成将新标注样本作为备份样本，存入备份样本集合，其中，备份样本集合中的备份样本用于训练缺陷转换模型，缺陷转换模型用于将针对另一产品的、不具有缺陷的干净产品图像转换成具有目标缺陷类型的缺陷产品图像，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型，备份样本集合中预先存储有对干净产品图像进行标注后得到的备份样本。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于推送模型的方法和装置，可以接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息。然后，根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级。其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系。之后，响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型。其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型。最后，将当前目标模型发送至目标设备的地址。本公开的实施例提供的方法和装置，可以通过对终端设备发送的模型分发请求信息进行分析，实现将与模型分发请求信息适配的当前目标模型发送给目标设备。有助于实现结合用户的实际需求将模型自动分发至用户指定的设备。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于推送模型的方法的一个实施例的流程图；

图3是根据本公开的实施例的用于推送模型的方法的一个应用场景的示意图；

图4是根据本公开的用于推送模型的方法的又一个实施例的流程图；

图5是根据本公开的用于推送模型的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。本领域技术人员还将理解的是，虽然本文中可使用用语“第一”、“第二”等来描述各种预设阈值等，但是这些训练样本不应被这些用语限制。这些用语仅用于将一个预设阈值与其它预设阈值区分开。

图1示出了可以应用本公开的实施例的用于推送模型的方法或用于推送模型的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101，服务器102、目标设备103和网络104、105。网络104、105用以在终端设备101、服务器102和目标设备103之间提供通信链路的介质。网络104、105可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。在实践中，网络104、105可以是同一个网络。

终端设备101可以通过网络104与服务器102交互，以接收或发送消息等。终端设备101上可以安装有各种应用，例如，模型请求类应用，导航类应用，音乐播放类应用等。终端设备101可以是具有显示屏并且支持模型分发请求信息输入的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

目标设备103可以通过网络105与服务器102交互，以接收或发送消息等。目标设备103可以实现成各种设备，包括但不限于服务器、嵌入式计算设备、移动终端、工控机等。目标设备103可以接收服务器102发送的模型以及采用所接收的模型进行产品缺陷检测。

服务器102可以通过网络104、105与终端设备101和目标设备103交互，以接收或发送消息等。服务器102可以是提供各种服务的服务器，例如，针对终端设备101中的模型分发请求信息将预先训练的产品缺陷检测模型发送给目标设备103的服务器。服务器102可以接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备103的地址和需求描述信息。然后，根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级。其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系。最后，响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型，以及将当前目标模型发送至目标设备103的地址。其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，本公开的实施例所提供的用于推送模型的方法一般由服务器102执行，相应地，用于推送模型的装置一般设置于服务器102中。

应该理解，图1中的终端设备，服务器、目标设备和网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备，服务器、目标设备和网络。

继续参考图2，示出了根据本公开的用于推送模型的方法的一个实施例的流程200。该用于推送模型的方法，包括以下步骤：

步骤201，接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息。

在本实施例中，用于推送模型的方法的执行主体(例如图1所示的服务器102)可以通过有线连接方式或者无线连接方式，接收到终端设备发送的模型分发请求信息。

其中，上述需求描述信息通常是用于描述对模型的需求的信息。上述需求描述信息可以包括但不限于：目标设备的内存大小、目标设备的显存大小，模型处理速度、模型准确率、模型成本等。其中，上述模型处理速度通常是指模型在单位时间长度内所能够处理的产品图像的数目。上述模型准确率通常是指对产品图像进行缺陷检测的准确率。上述模型成本通常是指用户期望投入在模型上的成本。

步骤202，根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级。

其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系。上述当前模型压缩等级通常是指当前时刻得到的模型压缩等级。

在本实施例中，上述执行主体可以采用需求描述信息和预先存储的映射关系表，找到与需求描述信息相匹配的模型压缩等级，作为当前模型压缩等级。其中，一个需求描述信息可以对应找到一个模型压缩等级。另外，多个不同的需求描述信息可能对应同一个模型压缩等级。

其中，模型压缩等级可以是用于描述模型被压缩的情况的数据信息。作为示例，模型压缩等级可以是用于指示模型被压缩的比例的数值，例如模型压缩等级可以是0.6，用于指示模型被压缩60％。再例如模型压缩等级也可以是A，用于指示模型被压缩20％。作为另一示例，模型压缩等级也可以是用于指示模型被压缩后的比例的数值，例如模型压缩等级可以是0.6，用于指示模型被压缩到原来的60％。

步骤203，响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型。

其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型。上述当前目标模型通常是指当前时刻得到的目标模型。目标模型通常是指对预先训练的产品缺陷检测模型进行压缩后得到的模型。

上述预存模型压缩等级集合中的预存模型压缩等级通常是技术人员预先存储的模型压缩等级。

在本实施例中，若预存模型压缩等级集合中不存在与当前模型压缩等级相同的预存模型压缩等级，则执行主体可以采用模型压缩方式对预先训练的产品缺陷检测模型进行压缩，得到大小与当前模型压缩等级相匹配的当前目标模型。这里，上述大小与当前模型压缩等级相匹配通常是指：压缩上述产品缺陷检测模型后得到的当前目标模型的大小，与当前模型压缩等级所描述的大小的差值小于预先设定的差距阈值。上述差距阈值可以是技术人员预先设定的数据值。

其中，上述模型压缩方式可以为现有技术或未来发展的技术中的模型压缩方式，本申请对此不做限定。例如，模型压缩方式包括但不限于以下至少一项：低秩近似(low-rank Approximation)、网络剪枝(network pruning)、网络量化(network quantization)、知识蒸馏(knowledge distillation)、紧凑网络设计(compact Network design)等。

上述产品缺陷检测模型可以用于表征产品图像与产品图像所呈现的缺陷类型的对应关系。具体地，上述产品缺陷检测模型可以是基于训练样本，利用机器学习方法，对初始模型(例如卷积神经网络(Convolutional Neural Network，CNN)、残差网络(ResNet)等)进行训练后得到的模型。

在本实施例的一些可选的实现方式中，上述预先训练的产品缺陷检测模型可以通过如下步骤得到：

首先，获取训练样本集合，训练样本包括产品图像和产品图像所呈现的缺陷类型，产品图像包括合成有缺陷数据的缺陷产品图像和不具有缺陷数据的干净产品图像。

然后，将训练样本集合中的训练样本的产品图像作为模型的输入，将所输入的产品图像对应的缺陷类型作为模型的输出，训练得到产品缺陷检测模型。

本实现方式中，上述合成有缺陷数据的缺陷产品图像可以通过如下方式得到：采用其它近似产品的缺陷产品图像中的缺陷数据合成到当前产品的干净产品图像上，以得到针对当前产品的、具有缺陷数据的缺陷产品图像。上述缺陷数据可以包括但不限于：缺陷的纹理特征数据、缺陷的边缘特征数据等。

需要指出的是，在对某一产品首次进行缺陷检测时，由于具有缺陷的产品图像极其有限，导致可以用于对模型进行训练的具有缺陷的训练样本的数目极其有限。又由于通常需要大量的训练样本才能训练得到稳定性较好的模型。因此，本实现方式中，将已有缺陷数据(如，已有近似产品的缺陷数据)合成到当前产品的干净产品图像上，以得到有缺陷数据的缺陷产品图像。可以实现提供丰富的训练样本对初始产品缺陷检测模型进行训练，有助于提高初始阶段对产品缺陷进行检测的准确率。

步骤204，将当前目标模型发送至目标设备的地址。

在本实施例中，上述执行主体可以通过有线连接方式或者无线连接方式将当前目标模型发送至目标设备的地址，实现将当前目标模型发送至目标设备。

本公开的上述实施例提供的用于推送模型的方法，可以通过对终端设备发送的模型分发请求信息进行分析，实现将与模型分发请求信息适配的当前目标模型发送给目标设备。有助于实现结合用户的实际需求将模型自动分发至用户指定的设备。

在上述实施例的一些可选的实现方式中，将当前目标模型发送至目标设备的地址之前，还包括：响应于当前存储的预存模型压缩等级集合中存在与当前模型压缩等级相匹配的预存模型压缩等级，且预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型，将相匹配的预存模型压缩等级所关联的预存目标模型确定为当前目标模型。

其中，上述预存目标模型通常是指预先存储的目标模型。

本实现方式中，若预存模型压缩等级集合中存在与当前模型压缩等级相同的预存模型压缩等级，则执行主体可以直接将该相同预存模型压缩等级所关联的预存目标模型作为当前目标模型。

需要指出的是，预存模型压缩等级所关联的预存目标模型，通常是预先将上述产品缺陷检测模型压缩至大小与上述预存模型压缩等级相匹配后得到的目标模型。

本实现方式中，预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型。预存目标模型可以为提前对上述产品缺陷检测模型进行压缩以及存储得到的模型。这样，针对同一个模型压缩等级，只需对上述产品缺陷检测模型进行一次压缩，可以避免重复执行模型压缩，节约计算资源。另外，在存在与当前模型压缩等级相同的预存模型压缩等级时，执行主体直接将该相同预存模型压缩等级关联的预存目标模型作为当前目标模型，可以节省模型压缩的时间，有助于提高模型发送效率。

在本实施例的一些可选的实现方式中，上述用于推送模型的方法还包括如下步骤：将当前目标模型与当前模型压缩等级关联，以及将执行关联操作后的当前模型压缩等级存入预存模型压缩等级集合。

本实现方式中，将当前目标模型与当前模型压缩等级关联，以及将执行关联操作后的当前模型压缩等级存入预存模型压缩等级集合，可以在之后再需要得到该当前模型压缩等级对应的目标模型时，直接将该模型压缩等级关联的目标模型发送给目标设备。可以节省重复压缩模型的时间，有助于进一步提高模型发送效率。

继续参见图3，图3是根据本实施例的用于推送模型的方法的应用场景300的一个示意图。在图3的应用场景中，用户301通过终端设备302向服务器303发送了模型分发请求信息。此时，模型分发请求信息可以为：“请向设备304发送产品缺陷检测模型，设备304的地址为X，设备304的显存大小为Y，期望模型成本为500元”。这样，设备304的地址为：X，需求描述信息为：设备的显存大小为Y，模型成本为500元。

服务器303可以接收到上述模型分发请求信息。在接收到上述模型分发请求信息后，服务器303可以执行如下步骤：

首先，服务器303可以根据预先存储的映射关系表，确定“设备的显存大小为Y，模型成本为500元”所描述的当前模型压缩等级为0.8。

然后，服务器303可以查询预存模型压缩等级集合{0.1，0.15，0.5}中是否存在0.8。此时，预存模型压缩等级集合{0.1，0.15，0.5}中不存在0.8。

之后，服务器303可以对预先训练的产品缺陷检测模型M进行压缩，得到当前目标模型M-0.8，且当前目标模型M-0.8的大小为产品缺陷检测模型M的大小的80％。

最后，服务器303将当前目标模型M-0.8发送至设备304的地址X，实现将当前目标模型M-0.8发送至设备304。

本公开的上述实施例提供的用于推送模型的方法，可以接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息。然后，根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级。其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系。之后，响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型。其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型。最后，将当前目标模型发送至目标设备的地址。本实施例的方法，可以通过对终端设备发送的模型分发请求信息进行分析，实现将与模型分发请求信息适配的当前目标模型发送给目标设备。有助于实现结合用户的实际需求将模型自动分发至用户指定的设备。

进一步参考图4，其示出了用于推送模型的方法的又一个实施例的流程400。该用于推送模型的方法的流程400，包括以下步骤：

步骤401，接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息。

步骤402，根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级。

其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系。

步骤403，响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型。

其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型。

步骤404，将当前目标模型发送至目标设备的地址。

在本实施例中，步骤401-404的具体操作与图2所示的实施例中步骤201-204的操作基本相同，在此不再赘述。

步骤405，接收以及存储目标设备在产品图像检测过程中按照预设图像选取规则选取并发送的检测图像。

其中，上述检测图像通常是上述目标设备在产品图像检测过程中已检测的产品图像。

在本实施例中，执行主体可以通过有线连接方式或者无线连接方式，接收目标设备发送的检测图像。以及在接收到检测图像后，可以对所接收到的检测图像进行存储。

其中，上述预设图像选取规则可以是技术人员预先设定的规则。作为示例，上述预设图像选取规则可以是按照预先设定的选取周期，从已检测的多个产品图像中随机选取预设数目个产品图像。上述预设图像选取规则也可以是按照预先设定的选取周期，从已检测的多个产品图像中选取检测分数低于预设分值的产品图像。其中，上述产品缺陷检测模型对产品图像进行缺陷检测时，通常针对所检测的任一产品图像，可以检测得到一个检测结果和检测结果对应的检测分数。其中，上述预先设定的选取周期可以是技术人员预先设定的时长，例如，5小时。上述预设数目可以是技术人员预先设定的数据值，如100。上述预设分值可以是技术人员预先设定的数值，如60。

在本实施例中，执行主体接收目标设备发送的检测图像，可以及时获悉目标设备在产品图像检测过程中所检测的产品图像的情况，从而可以实现基于所发送的检测图像及时对产品缺陷检测模型进行更新，有助于进一步提高产品缺陷检测模型的缺陷检测准确率。

在上述实施例的一些可选的实现方式中，上述步骤405之后，还可以包括步骤406和步骤407。

步骤406，从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，以及筛选与新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本。其中，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型。

其中，上述第一预设阈值可以是技术人员预先设定的相似度值。上述第二预设阈值可以是技术人员预先设定的相似度值。实践中，上述第一预设阈值和上述第二预设阈值可以相同也可以不同。

这里，上述针对产品缺陷检测模型的训练样本集合，通常是技术人员预先存储的、包括产品图像和针对产品图像标注的缺陷类型的训练样本的集合。上述针对产品缺陷检测模型的训练样本集合，通常用于更新产品缺陷检测模型。

步骤407，将筛选得到的训练样本和新标注样本作为新训练样本，存入新训练样本集合，以及根据新训练样本集合，更新产品缺陷检测模型。

本实现方式中，执行主体从训练样本集合中筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，可以得到有助于辨识该缺陷类型的、具有其它特征的训练样本，有助于实现提高模型针对该类缺陷类型的识别能力。另外，执行主体筛选与新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本，可以得到有助于辨识其他缺陷类型的训练样本，有助于实现在提高模型针对某类缺陷类型的识别能力的同时，平衡模型对其它各类缺陷类型的泛化能力。

在上述实施例的一些可选的实现方式中，上述可选步骤406中，从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本包括：

第一步，从训练样本集合中，提取与新标注样本具有相同缺陷类型的多个训练样本。

第二步，对提取的多个训练样本进行聚类，得到至少一个聚类中心，计算各个聚类中心与新标注样本的距离，筛选以及存储对应距离满足预设距离条件的聚类中心所在聚类簇中的训练样本。

其中，上述预设距离条件可以是技术人员预先设定的条件。作为示例，上述预设距离条件可以是筛选对应距离最大的聚类中心。也可以是筛选对应距离大于预设距离阈值的聚类中心。上述预设距离阈值可以是技术人员预先设定的数据值。

这里，上述执行主体可以采用聚类算法对提取的多个训练样本进行聚类。作为示例，上述聚类算法可以为谱聚类(Spectral Clustering)算法、均值偏移(Mean shift)聚类算法、K-均值(K-means)聚类算法等。

第三步，计算提取的多个训练样本中的各个训练样本与所筛选的训练样本间的相似度，筛选以及存储对应相似度满足预设相似度条件的训练样本。

这里，在经过第一轮筛选，得到一批满足条件的训练样本后，可以采用所得到的训练样本，继续筛选与所得到的训练样本相近的训练样本，得到另一批满足条件的训练样本。其中，上述预设相似度条件可以是技术人员预先设定的条件。作为示例，上述预设相似度条件可以是筛选对应相似度大于预设相似度阈值的训练样本。上述预设相似度阈值可以是技术人员预先设定的数据值。

本实现方式中，进行两轮筛选，得到两批训练样本，可以实现在确保筛选得到的训练样本与新标注样本差距足够大的同时，得到较多的训练样本，有助于丰富训练样本数目，可以进一步提高更新后的产品缺陷检测模型的缺陷检测能力。

在上述实施例的一些可选的实现方式中，上述可选步骤407之后，还可以包括：将新标注样本添加至训练样本集合。

本实现方式中，将新标注样本添加至上述训练样本集合，可以扩大训练样本集合的元素数量。又由于新标注样本包括真实检测过程中检测的检测图像和对应于检测图像的缺陷类型，因此，将新标注样本添加至上述训练样本集合，可以提高训练样本集合的真实可靠性。这样，通过不断从训练样本集合中筛选训练样本对产品缺陷检测模型进行更新，可以不断提高产品缺陷检测模型针对各类缺陷类型的检测准确率。

在上述实施例的一些可选的实现方式中，上述可选步骤407之后，还可以包括如下步骤：

步骤408，将新标注样本作为备份样本，存入备份样本集合。

其中，备份样本集合中的备份样本用于训练缺陷转换模型，缺陷转换模型用于将针对另一产品的、不具有缺陷的干净产品图像转换成具有目标缺陷类型的缺陷产品图像，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型，备份样本集合中预先存储有对干净产品图像进行标注后得到的备份样本。

其中，初始缺陷转换模型可以是神经网络模型。训练后的缺陷转换模型可以用于表征干净产品图像与具有目标缺陷类型的缺陷产品图像的对应关系。其中，上述目标缺陷类型可以技术人员预先指定的缺陷类型。

本实现方式中，执行主体可以将新标注样本作为备份样本。上述执行主体在采用备份样本集合中的备份样本训练初始缺陷转换模型时，缺陷检测模型的输入可以是干净产品图像，输出可以是具有目标缺陷类型的缺陷产品图像。

本实现方式中，将当前产品的干净产品图像和具有目标缺陷类型的缺陷产品图像训练，得到训练后的缺陷转换模型。可以在对另一未检测过的产品进行缺陷检测时，采用训练得到的缺陷转换模型，将另一产品的干净产品图像作为输入，生成具有目标缺陷类型的缺陷产品图像。可以避免由于具有缺陷的产品图像极其有限，导致难以得到针对另一产品的缺陷检测模型。有助于提高初始阶段对另一产品的产品缺陷进行检测的准确率。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于推送模型的方法的流程400突出了对目标设备所发送的检测图像的使用步骤。由此，本实施例描述的方案可以基于所发送的检测图像，及时获悉目标设备在产品图像检测过程中所检测的产品图像的情况，从而可以实现基于所发送的检测图像及时对产品缺陷检测模型进行更新，有助于进一步提高产品缺陷检测模型的缺陷检测准确率。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于推送模型的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于推送模型的装置500包括：请求接收单元501，被配置成接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息；等级确定单元502，被配置成根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级，其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系；模型确定单元503，被配置成响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型，其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型；模型发送单元504，被配置成将当前目标模型发送至目标设备的地址。

在本实施例的一些可选的实现方式中，模型确定单元503可以被进一步配置成：响应于当前存储的预存模型压缩等级集合中存在与当前模型压缩等级相匹配的预存模型压缩等级，且预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型，将相匹配的预存模型压缩等级所关联的预存目标模型确定为当前目标模型。

在本实施例的一些可选的实现方式中，该装置还包括等级存储单元(图中未示出)。等级存储单元可以被配置成将当前目标模型与当前模型压缩等级关联，以及将执行关联操作后的当前模型压缩等级存入预存模型压缩等级集合。

在本实施例的一些可选的实现方式中，模型确定单元503中，预先训练的产品缺陷检测模型通过如下步骤得到：首先，获取训练样本集合，训练样本包括产品图像和产品图像所呈现的缺陷类型，产品图像包括合成有缺陷数据的缺陷产品图像和不具有缺陷数据的干净产品图像。然后，将训练样本集合中的训练样本的产品图像作为模型的输入，将所输入的产品图像对应的缺陷类型作为模型的输出，训练得到产品缺陷检测模型。

在本实施例的一些可选的实现方式中，该装置还可以包括反馈接收单元(图中未示出)。反馈接收单元可以被配置成接收以及存储目标设备在产品图像检测过程中按照预设图像选取规则选取并发送的检测图像。

在本实施例的一些可选的实现方式中，该装置还可以包括模型更新单元(图中未示出)。模型更新单元可以被配置成：首先，从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，以及筛选与新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本，其中，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型。然后，将筛选得到的训练样本和新标注样本作为新训练样本，存入新训练样本集合，以及根据新训练样本集合，更新产品缺陷检测模型。

在本实施例的一些可选的实现方式中，模型更新单元中，从当前存储的针对产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本包括：第一步，从训练样本集合中，提取与新标注样本具有相同缺陷类型的多个训练样本。第二步，对提取的多个训练样本进行聚类，得到至少一个聚类中心，计算各个聚类中心与新标注样本的距离，筛选以及存储对应距离满足预设距离条件的聚类中心所在聚类簇中的训练样本。第三步，计算提取的多个训练样本中的各个训练样本与所筛选的训练样本间的相似度，筛选以及存储对应相似度满足预设相似度条件的训练样本。

在本实施例的一些可选的实现方式中，该装置还可以包括样本备份单元(图中未示出)。其中，样本备份单元可以被配置成将新标注样本作为备份样本，存入备份样本集合。其中，备份样本集合中的备份样本用于训练缺陷转换模型，缺陷转换模型用于将针对另一产品的、不具有缺陷的干净产品图像转换成具有目标缺陷类型的缺陷产品图像，新标注样本为对检测图像进行标注后得到的样本，新标注样本包括检测图像和对应于检测图像的缺陷类型，备份样本集合中预先存储有对干净产品图像进行标注后得到的备份样本。

本公开的上述实施例提供的装置，请求接收单元501接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息。等级确定单元502根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级，其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系。模型确定单元503响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型。其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型。模型发送单元504将当前目标模型发送至目标设备的地址。本实施例的装置，可以通过对终端设备发送的模型分发请求信息进行分析，实现将与模型分发请求信息适配的当前目标模型发送给目标设备。有助于实现结合用户的实际需求将模型自动分发至用户指定的设备。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理单元(CPU)、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，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，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收终端设备发送的模型分发请求信息，模型分发请求信息包括目标设备的地址和需求描述信息；根据预先存储的映射关系表，确定需求描述信息所描述的当前模型压缩等级，其中，映射关系表用于描述需求描述信息与当前模型压缩等级之间的对应关系；响应于当前存储的预存模型压缩等级集合中不存在与当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与当前模型压缩等级相匹配的模型，得到当前目标模型，其中，产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型；将当前目标模型发送至目标设备的地址。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括请求接收单元、等级确定单元、模型确定单元和模型发送单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，请求接收单元还可以被描述为“接收终端设备发送的模型分发请求信息的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (18)

1.一种用于推送模型的方法，包括：

接收终端设备发送的模型分发请求信息，所述模型分发请求信息包括目标设备的地址和需求描述信息；

根据预先存储的映射关系表，确定与所述需求描述信息对应的当前模型压缩等级，其中，所述映射关系表用于描述所述需求描述信息与所述当前模型压缩等级之间的对应关系；

响应于当前存储的预存模型压缩等级集合中不存在与所述当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与所述当前模型压缩等级相匹配的模型，得到当前目标模型，其中，所述产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型；

将所述当前目标模型发送至所述目标设备的地址。

2.根据权利要求1所述的方法，其中，所述将所述当前目标模型发送至所述目标设备的地址之前，所述方法还包括：

响应于当前存储的预存模型压缩等级集合中存在与所述当前模型压缩等级相匹配的预存模型压缩等级，且预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型，将相匹配的预存模型压缩等级所关联的预存目标模型确定为当前目标模型。

3.根据权利要求1所述的方法，其中，所述方法还包括：

将所述当前目标模型与所述当前模型压缩等级关联，以及将执行关联操作后的所述当前模型压缩等级存入所述预存模型压缩等级集合。

4.根据权利要求1所述的方法，其中，所述预先训练的产品缺陷检测模型通过如下步骤得到：

获取训练样本集合，训练样本包括产品图像和产品图像所呈现的缺陷类型，产品图像包括合成有缺陷数据的缺陷产品图像和不具有缺陷数据的干净产品图像；

将所述训练样本集合中的训练样本的产品图像作为模型的输入，将所输入的产品图像对应的缺陷类型作为模型的输出，训练得到所述产品缺陷检测模型。

5.根据权利要求1所述的方法，其中，所述方法还包括：

接收以及存储所述目标设备在产品图像检测过程中按照预设图像选取规则选取并发送的检测图像。

6.根据权利要求5所述的方法，其中，所述方法还包括：

从当前存储的针对所述产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，以及筛选与所述新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本，其中，所述新标注样本为对所述检测图像进行标注后得到的样本，所述新标注样本包括所述检测图像和对应于所述检测图像的缺陷类型；

将筛选得到的训练样本和所述新标注样本作为新训练样本，存入新训练样本集合，以及根据所述新训练样本集合，更新所述产品缺陷检测模型。

7.根据权利要求6所述的方法，其中，所述从当前存储的针对所述产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本包括：

从所述训练样本集合中，提取与所述新标注样本具有相同缺陷类型的多个训练样本；

对提取的多个训练样本进行聚类，得到至少一个聚类中心，计算各个聚类中心与所述新标注样本的距离，筛选以及存储对应距离满足预设距离条件的聚类中心所在聚类簇中的训练样本；

计算所述提取的多个训练样本中的各个训练样本与所筛选的训练样本间的相似度，筛选以及存储对应相似度满足预设相似度条件的训练样本。

8.根据权利要求5所述的方法，其中，所述方法还包括：

将新标注样本作为备份样本，存入备份样本集合，其中，所述备份样本集合中的备份样本用于训练缺陷转换模型，所述缺陷转换模型用于将针对另一产品的、不具有缺陷的干净产品图像转换成具有目标缺陷类型的缺陷产品图像，所述新标注样本为对所述检测图像进行标注后得到的样本，所述新标注样本包括所述检测图像和对应于所述检测图像的缺陷类型，所述备份样本集合中预先存储有对干净产品图像进行标注后得到的备份样本。

9.一种用于推送模型的装置，包括：

请求接收单元，被配置成接收终端设备发送的模型分发请求信息，所述模型分发请求信息包括目标设备的地址和需求描述信息；

等级确定单元，被配置成根据预先存储的映射关系表，确定与所述需求描述信息对应的当前模型压缩等级，其中，所述映射关系表用于描述所述需求描述信息与所述当前模型压缩等级之间的对应关系；

模型确定单元，被配置成响应于当前存储的预存模型压缩等级集合中不存在与所述当前模型压缩等级相匹配的预存模型压缩等级，将预先训练的产品缺陷检测模型压缩为大小与所述当前模型压缩等级相匹配的模型，得到当前目标模型，其中，所述产品缺陷检测模型为用于检测产品图像中所呈现的缺陷类型的神经网络模型；

模型发送单元，被配置成将所述当前目标模型发送至所述目标设备的地址。

10.根据权利要求9所述的装置，其中，所述模型确定单元，被进一步配置成：

响应于当前存储的预存模型压缩等级集合中存在与所述当前模型压缩等级相匹配的预存模型压缩等级，且预存模型压缩等级集合中的预存模型压缩等级关联有预存目标模型，将相匹配的预存模型压缩等级所关联的预存目标模型确定为当前目标模型。

11.根据权利要求9所述的装置，其中，所述装置还包括：

等级存储单元，被配置成将所述当前目标模型与所述当前模型压缩等级关联，以及将执行关联操作后的所述当前模型压缩等级存入所述预存模型压缩等级集合。

12.根据权利要求9所述的装置，其中，所述模型确定单元中，所述预先训练的产品缺陷检测模型通过如下步骤得到：

获取训练样本集合，训练样本包括产品图像和产品图像所呈现的缺陷类型，产品图像包括合成有缺陷数据的缺陷产品图像和不具有缺陷数据的干净产品图像；

将所述训练样本集合中的训练样本的产品图像作为模型的输入，将所输入的产品图像对应的缺陷类型作为模型的输出，训练得到所述产品缺陷检测模型。

13.根据权利要求9所述的装置，其中，所述装置还包括：

反馈接收单元，被配置成接收以及存储所述目标设备在产品图像检测过程中按照预设图像选取规则选取并发送的检测图像。

14.根据权利要求13所述的装置，其中，所述装置还包括模型更新单元，被配置成：

从当前存储的针对所述产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本，以及筛选与所述新标注样本的缺陷类型不同且相似度大于第二预设阈值的训练样本，其中，所述新标注样本为对所述检测图像进行标注后得到的样本，所述新标注样本包括所述检测图像和对应于所述检测图像的缺陷类型；

将筛选得到的训练样本和所述新标注样本作为新训练样本，存入新训练样本集合，以及根据所述新训练样本集合，更新所述产品缺陷检测模型。

15.根据权利要求14所述的装置，其中，所述模型更新单元中，所述从当前存储的针对所述产品缺陷检测模型的训练样本集合中，筛选与新标注样本的缺陷类型相同且相似度小于第一预设阈值的训练样本包括：

从所述训练样本集合中，提取与所述新标注样本具有相同缺陷类型的多个训练样本；

对提取的多个训练样本进行聚类，得到至少一个聚类中心，计算各个聚类中心与所述新标注样本的距离，筛选以及存储对应距离满足预设距离条件的聚类中心所在聚类簇中的训练样本；

计算所述提取的多个训练样本中的各个训练样本与所筛选的训练样本间的相似度，筛选以及存储对应相似度满足预设相似度条件的训练样本。

16.根据权利要求13所述的装置，其中，所述装置还包括：

样本备份单元，被配置成将新标注样本作为备份样本，存入备份样本集合，其中，所述备份样本集合中的备份样本用于训练缺陷转换模型，所述缺陷转换模型用于将针对另一产品的、不具有缺陷的干净产品图像转换成具有目标缺陷类型的缺陷产品图像，所述新标注样本为对所述检测图像进行标注后得到的样本，所述新标注样本包括所述检测图像和对应于所述检测图像的缺陷类型，所述备份样本集合中预先存储有对干净产品图像进行标注后得到的备份样本。

17.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。

18.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。

Images