CN111192262A - 基于人工智能的产品缺陷分类方法、装置、设备及介质 - Google Patents
基于人工智能的产品缺陷分类方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111192262A CN111192262A CN202010005913.8A CN202010005913A CN111192262A CN 111192262 A CN111192262 A CN 111192262A CN 202010005913 A CN202010005913 A CN 202010005913A CN 111192262 A CN111192262 A CN 111192262A
- Authority
- CN
- China
- Prior art keywords
- label
- target
- artificial
- product defect
- training 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
Images
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本公开提供了一种基于人工智能的产品缺陷分类方法、装置、设备及介质,属于人工智能、计算机视觉技术领域。所述方法包括:基于获取到的包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签的第一训练样本数据,确定该产品缺陷图像对应的预测标签,基于预测标签和人工标签,确定第一目标标签,基于预设目标阈值和第一目标标签,更新第一训练样本中的人工标签,得到第二训练样本数据,通过第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。通过第二训练样本数据训练得到的产品缺陷分类模型,来进行缺陷类别标签的确定,可以有效避免人工标注的误标注问题,提高缺陷分类的准确性。
Description
技术领域
本公开涉及人工智能、计算机视觉技术领域,特别涉及一种基于人工智能的产品缺陷分类方法、装置、设备及介质。
背景技术
产品质量是制造业最为重视的生产指标,因此,产品质检是产品生产过程中的一项重要内容。即使是自动化程度很高的产品线,也需要大量的人工质检工作,随着深度学习研究的不断深入,计算机视觉技术有望替代人工,来对图像中的缺陷进行分类和评估。
目前利用计算机视觉技术对图像进行处理前,主要是利用人工标注的类别标签来对初始神经网络模型进行训练,进而得到可以用于缺陷分类和评估的神经网络模型,通过该神经网络模型,来确定图像中缺陷的类别标签。
由于图像缺陷的类别繁多,不同的缺陷类别可能在视觉上很难区分,因此,人工标注常常会出现误标注的问题,缺陷分类的准确性较低。
发明内容
本公开实施例提供了一种基于人工智能的产品缺陷分类方法、装置、设备及介质,可以提高缺陷分类的准确性。该技术方案如下:
一方面,提供了一种基于人工智能的产品缺陷分类方法,该方法包括:
获取第一训练样本数据,该第一训练样本数据包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签;
确定该产品缺陷图像对应的预测标签,该预测标签包括该产品缺陷图像所属各个缺陷类别的概率;
基于该预测标签和该人工标签,确定第一目标标签;
基于预设目标阈值和该第一目标标签,更新该第一训练样本数据中的人工标签,得到第二训练样本数据;
通过该第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
一方面,提供了一种基于人工智能的产品缺陷分类装置,该装置包括:
获取模块,用于获取第一训练样本数据,该第一训练样本数据包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签;
确定模块,用于确定该产品缺陷图像对应的预测标签,该预测标签包括该产品缺陷图像所属各个缺陷类别的概率;
该确定模块,还用于基于该预测标签和该人工标签,确定第一目标标签;
更新模块,用于基于预设目标阈值和该第一目标标签,更新该第一训练样本数据中的人工标签,得到第二训练样本数据;
分类模块,用于通过该第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
在一种可能的实现方式中,该第一目标标签的概率大于该产品缺陷图像中的缺陷属于其他缺陷类别的概率。
在一种可能的实现方式中,该装置还包括:
输入模块,用于将该产品缺陷图像输入至深度神经网络;
该确定模块,还用于通过该深度神经网络确定该产品缺陷图像所属的至少一个缺陷类别和该产品缺陷图像属于各个缺陷类别的概率。
一方面,提供了一种计算机设备,该计算机设备包括一个或多个处理器和一个或多个存储器,该一个或多个存储器中存储有至少一条程序代码,该程序代码由该一个或多个处理器加载并执行以实现该基于人工智能的产品缺陷分类方法所执行的操作。
一方面,提供了一种计算机可读存储介质,该计算机可读存储介质中存储有至少一条程序代码,该程序代码由处理器加载并执行以实现该基于人工智能的产品缺陷分类方法所执行的操作。
本公开提供的方案基于获取到的包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签的第一训练样本数据,确定该产品缺陷图像对应的预测标签,基于预测标签和人工标签,确定第一目标标签,基于预设目标阈值和第一目标标签,更新第一训练样本中的人工标签,得到第二训练样本数据,通过第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。通过第二训练样本数据训练得到的产品缺陷分类模型,来进行缺陷类别标签的确定,可以有效避免人工标注的误标注问题,提高缺陷分类的准确性。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例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公开的一些实施例,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。
图1是本公开实施例提供的一种基于人工智能的产品缺陷分类方法的实施环境示意图;
图2是本公开实施例提供的一种基于人工智能的产品缺陷分类方法的基本流程图;
图3是本公开实施例提供的一种基于人工智能的产品缺陷分类方法的具体流程图;
图4是本公开实施例提供的一种深度为18的残差网络的网络结构示意图;
图5是本公开实施例提供的一种第二目标标签的确定方法的流程图;
图6是本公开实施例提供的一种产品缺陷图像的示意图;
图7是本公开实施例提供的一种产品缺陷图像的标签及对应概率的条形图;
图8是本公开是实施例提供的一种第二目标标签的确定过程的原理示意图;
图9是本公开实施例提供的一种初始模型训练过程的流程图;
图10是本公开实施例提供的一种基于人工智能的产品缺陷分类装置的结构示意图;
图11是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉技术(Computer Vision,CV)是一门研究如何使机器“看”的科学,更进一步的说,就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、光学字符识别(Optical Character Recognition,OCR)、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、三维(three dimensional,3D)技术、虚拟现实、增强现实、同步定位与地图构建等技术,还包括常见的人脸识别、指纹识别等生物特征识别技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、缺陷识别等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本公开实施例提供的方案涉及人工智能的缺陷识别等技术,具体通过如下实施例进行说明:
图1是本公开实施例提供的一种基于人工智能的产品缺陷分类方法的实施环境示意图,参见图1,该实施环境包括:计算机设备101。
计算机设备101可以是台式计算机、平板电脑、电子书阅读器和膝上型便携计算机等设备中的至少一种。相关技术人员可以使用该计算机设备101实现对产品缺陷图像的处理,确定产品缺陷图像中缺陷所属的类别对应的标签。计算机设备101可以对输入其中的图像进行处理,示意性的,计算机设备101可以与摄像头组件相连来自动获取图像并对该图像进行处理,可选地,还可以由相关技术人员将图像输入到该计算机设备101中,再由计算机设备101对该图像进行处理,本公开对采用哪种方式来进行图像的获取不加以限定。计算机设备101还可以具有至少一种图像数据库,例如缺陷类别数据库、缺陷图像数据库等,用于存储可能的缺陷类别和获取到的缺陷图像。
计算机设备101可以泛指多个计算机设备中的一个,本实施例仅以计算机设备101来举例说明。本领域技术人员可以知晓,上述计算机设备的数量可以更多或更少。比如上述计算机设备可以仅为几个,或者上述计算机设备为几十个或几百个,或者更多数量,本公开实施例对计算机设备的数量和设备类型均不加以限定。
图2是本公开实施例提供的一种基于人工智能的产品缺陷分类方法的基本流程图,参见图2,该方法包括:
201、计算机设备获取第一训练样本数据,该第一训练样本数据包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签。
需要说明的是,该第一训练样本数据可以为计算机设备收集到的、用于对初始模型进行训练的产品缺陷图像和对应的人工标签,计算机设备可以获取多个第一训练样本数据,本公开实施例对第一训练样本数据的数量不加以限定。在本公开实施例中,仅以对获取到的多个第一训练样本数据的产品缺陷图像中的一个进行处理,更新该产品缺陷图像的人工标签为例进行说明,其他产品缺陷图像的处理过程与之同理,此处不再赘述,当所有产品缺陷图像的人工标签均已更新完成后,计算机设备可以将多个产品缺陷图像和对应的更新后的人工标签作为第二训练样本数据,来对初始模型进行训练,具体训练过程详见图9所示的流程图。
在一种可能的实现方式中,计算机设备可以通过摄像头组件来对产品缺陷图像进行获取,该摄像头组件可以内置于计算机设备中,也可以外接于计算机设备,本公开实施例对此不加以限定,计算机设备还可以在获取到产品缺陷图像时,获取到该产品缺陷图像对应的人工标签。
在另一种可能的实现方式中,用户可以将已有的产品缺陷图像和对应的人工标签输入至计算机设备,计算机设备可以获取用户输入的产品缺陷图像和对应的人工标签。
202、计算机设备确定该产品缺陷图像对应的预测标签,该预测标签包括该产品缺陷图像所属各个缺陷类别的概率。
需要说明的是,计算机设备可以通过深度神经网络来确定该产品缺陷对应的预测标签,可选地,还可以采用其他方法来进行该产品缺陷对应的预测标签的确定,本公开实施例对此不加以限定。
203、计算机设备基于该预测标签和该人工标签,确定第一目标标签。
在一种可能的实现方式中,计算机设备可以将预测标签中概率最大的缺陷类别,确定为该产品缺陷图像的第一目标标签。
204、计算机设备基于预设目标阈值和该第一目标标签,更新该第一训练样本数据中的人工标签,得到第二训练样本数据。
在一种可能的实现方式中,计算机设备可以将该第一目标标签的概率与该预设目标阈值进行比较,若该第一目标标签的概率大于预设目标阈值,则将该人工标签更新为该第一目标标签,若该第一目标标签的概率小于或等于预设目标阈值,则将该第一目标标签更新为该人工标签,根据更新后的该人工标签和该第一目标标签,确定该第一训练样本数据的第二目标标签,将该第一训练样本数据中的人工标签更新为该第二目标标签。
205、计算机设备通过该第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
本公开实施例提供的方案,基于获取到的包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签的第一训练样本数据,确定该产品缺陷图像对应的预测标签,基于预测标签和人工标签,确定第一目标标签,基于预设目标阈值和第一目标标签,更新第一训练样本中的人工标签,得到第二训练样本数据,通过第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。通过第二训练样本数据训练得到的产品缺陷分类模型,来进行缺陷类别标签的确定,可以有效避免人工标注的误标注问题,提高缺陷分类的准确性。
上述图2所示仅为本公开实施例的基本流程,下面基于一种具体的实现方式来对本公开提供的方案进行说明,参见图3,图3是本公开实施例提供的一种基于人工智能的产品缺陷分类方法的具体流程图,该方法包括:
301、计算机设备获取第一训练样本数据,该第一训练样本数据包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签。
需要说明的是,该步骤301与上述步骤201类似,此处不再赘述。
302、计算机设备将该产品缺陷图像输入至深度神经网络。
需要说明的是,该深度神经网络可以为残差网络(Residual Network,ResNet)、视觉几何组网络(Visual Geometry Group Network,VggNet)等,可选地,该深度神经网络还可以为其他网络,本公开实施例对此不加以限定。例如,计算机设备可以采用如图4所示的网络结构,图4是本公开实施例提供的一种深度为18的残差网络的网络结构示意图,参见图4,计算机设备可以将获取到的尺寸为32*32的产品缺陷图像,输入如图4所示的18层残差网络(ResNet18),其中,该18层残差网络中有17个卷积层和1个全连接层,该17个卷积层即为图4中的401至417,该全连接层即为图4中的418。
303、计算机设备通过该深度神经网络确定该产品缺陷图像的预测标签,该预测标签包括该产品缺陷图像所属的至少一个缺陷类别和该产品缺陷图像属于各个缺陷类别的概率。
在一种可能的实现方式中,以图4所示的18层残差网络为例,计算机设备可以通过图4所示的残差网络的17个卷积层,对该产品缺陷图像进行卷积处理后,再对卷积处理后的结果进行平均池化处理,将池化处理后的结果通过全连接层进行处理,从而将通过卷积层和池化处理提取到的特征映射到样本空间,得到该产品缺陷图像的预测标签,也即是,该产品缺陷图像所属的至少一个缺陷类别和属于各个缺陷类别的概率值。
需要说明的是,B可以代表深度神经网络输出的预测标签,其中,B可以为K维的向量,K可以代表类别总数,K的取值可以为大于或等于1的任意正整数,本公开实施例对K的具体取值不加以限定。表示深度神经网络输出的预测标签的概率向量可以为Bi=[Bi1,Bi2,...,Bij,…,Bik],i∈{1,...,N},N为样本总数,N的取值可以为大于或等于1的任意正整数,本公开实施例对N的具体取值不加以限定。其中,Bij表示第i个样本属于第j类的概率,j∈{1,...,K},Bij是0到1之间的浮点数,
需要说明的是,上述步骤302至步骤303可以用于对产品缺陷图像中的缺陷进行分类,在上述步骤302至步骤303中,通过深度神经网络确定该产品缺陷图像所属的至少一个缺陷类别和该产品缺陷图像属于各个缺陷类别的概率,可以对人工标签的类别进行重新标定,以实现对人工标注的一些错误标签的修正,并将每个样本在相似类别的相关性表征出来,例如,对于两个很相似缺陷类别的W和H,原本一个产品缺陷图像的人工标注标签为[W∶1,H∶0],属于W类的缺陷就不属于H类,但是对于很相似的类别W和H具有类相关性,人工标注标签无法实现对类H与类W的相关程度的标注,人工标注过程中[W∶1,H∶0]无法体现类别相关性信息。经过上述步骤302至步骤303处理后,该标签可以变为[W∶0.7,H∶0.3],表征了该缺陷属于哪一类的概率,将经过修正后的标签重新引入下述步骤,可以在模型训练时,提供更准确更丰富的缺陷类别信息,提高产品缺陷分类的准确性。
304、计算机设备基于该预测标签和该人工标签,确定第一目标标签,该第一目标标签的概率大于该产品缺陷图像中的缺陷属于其他缺陷类别的概率。
在一种可能的实现方式中,计算机设备可以对深度神经网络输出的预测标签中至少一个缺陷类别的概率进行比较,确定最大概率对应的缺陷类别标签,并将该最大概率对应的确定为该产品缺陷图像的第一目标标签。
需要说明的是,A可以代表人工标签,其中,A可以为K维的向量,K可以代表类别总数,K的取值可以为大于或等于1的任意正整数,本公开实施例对K的具体取值不加以限定。表示人工标签的概率向量可以为Ai=[Ai1,Ai2,…,Aik],i∈{1,...,N},N为样本总数,N的取值可以为大于或等于1的任意正整数,本公开实施例对N的具体取值不加以限定。其中,Aij表示第i个样本属于第j类的概率,j∈{1,...,K},Aij的取值为0或者1,人工标注的标签A和深度神经网络输出的预测标签B可以依据各个类别标签对应的概率中的最大概率,来确定类别其中i∈{1,...,N},是第i个样本的预测类,也即是,深度神经网络输出的至少一个缺陷类别中概率最大的缺陷类别,也是第一目标标签,是第i个样本的标注类,也即是,人工标签,Idiff是预测类和标注类不相等的样本编号集合,Ci是第i个样本的预测最大概率,也即是,第一目标标签的概率值,可以根据如下公式进行Idiff和Ci的确定:
Ci=maxj(Bij),j=1...K
305、计算机设备将该第一目标标签的概率与预设目标阈值进行比较。
需要说明的是,该预设目标阈值可以为取值在[0,1]之间的任意值,本公开实施例对预设目标阈值的取值不加以限定。
306、若该第一目标标签的概率大于预设目标阈值,计算机设备将该人工标签更新为该第一目标标签。
需要说明的是,在预测类别和标注类别不同的情况下,也即是,预测错误的情况下,可以根据与预测目标阈值的大小关系来对标签进行调整。
在一种可能的实现方式中,如果该样本i的最大预测值Ci大于预设目标阈值t,则将样本i的人工标签A更新为第一目标标签B,将该更新后的标签记为A′,则
其中,A′ij可以表示更新后的第i个样本属于第j类的概率,Bij可以表示第一目标标签中第i个样本属于第j类的概率,Aij可以表示人工标签中第i个样本属于第j类的概率,Ci可以表示第i个样本的预测最大概率,t可以表示预设目标阈值,且t∈[0,1],Idiff是预测类和标注类不相等的样本编号集合。
307、若该第一目标标签的概率小于或等于预设目标阈值,计算机设备将该第一目标标签更新为该人工标签。
在一种可能的实现方式中,如果该样本i的最大预测值Ci小于或等于预设目标阈值t,则将样本i的第一目标标签B更新为人工标签A,将该更新后的标签记为B′,则
其中,B′ij可以表示更新后的第i个样本属于第j类的概率,Aij可以表示人工标签中第i个样本属于第j类的概率,Bij可以表示第一目标标签中第i个样本属于第j类的概率,Ci可以表示第i个样本的预测最大概率,t可以表示预设目标阈值,且t∈[0,1],Idiff是预测类和标注类不相等的样本编号集合。
需要说明的是,上述步骤306至步骤307对应的模块可以称为精度阈值模块,通过精度阈值模块,可以对样本的人工标签A和第一目标标签B进行修正,也即是,如果深度神经网络输出的第一目标标签B的置信度较高,则信任深度神经网络,如果深度神经网络输出的第一目标标签B的置信度较低,则信任人工标签,这样可以在样本的人工标签存在噪声的情况下,对产品缺陷图像的缺陷类别标签进行修正。通过精度阈值模块,可以实现缺陷类别标签的更新,进而根据更新后的人工标签和第一目标标签进行后续处理,以实现第二目标标签的确定,此外,将第一目标标签更新为人工标签后,计算机设备还可以根据更新后的标签对步骤303中所涉及的深度神经网络模型进行修正,提高缺陷分类的准确性。
308、计算机设备根据更新后的该人工标签和该第一目标标签,结合预设参数,计算该第一训练样本数据的第二目标标签。
其中,预设参数可以为经过实验确定的第二目标标签准确性最高的参数,该预设参数的具体取值可以根据实际情况进行选择,可以为取值范围在[0,1]之间的任意值,例如,该预设参数的值可以为0.1,可选地,该预设参数还可以有取其他值,本公开实施例对此不加以限定。
在一种可能的实现方式中,计算机设备可以根据上述更新后的标签A′、B′,结合下述公式进行第二目标标签的确定:
Lij=(1-γ)*A′ij+γ*B′ij
其中,Lij可以表示最终确定出的第二目标标签,γ即为预设参数,γ∈[0,1],A′ij可以表示更新后的人工标签中第i个样本属于第j类的概率,B′ij可以表示更新后的第一目标标签中第i个样本属于第j类的概率。
需要说明的是,通过选定不同的t和γ,可以确定第一目标标签和人工标签的比例因子,进而实现第二目标标签的确定,例如,以第一目标标签包括5个缺陷类别的2个产品缺陷图像的为例进行说明,其中这两个产品缺陷图像的人工标签为A=[[1,0,0,0,0],[0,1,0,0,0]],预测标签为B=[[0.01,0.92,0.01,0.01,0.05],[0.1,0.9,0,0,0]],下面基于预设目标阈值为1和0两种情况来对上述公式进行说明:
1、当预设目标阈值为t=1时,根据公式确定出更新后的人工标签和预测标签分别为:
A’=[[1,0,0,0,0],[0,1,0,0,0]]
B’=[[1,0,0,0,0],[0.1,0.9,0,0,0]
在不同γ值的情况下,最终确定的第二目标标签为:
(1)当γ=0时,L=A’=[[1,0,0,0,0],[0,1,0,0,0]]
(2)当γ=1时,L=B’=[[1,0,0,0,0],[0.1,0.9,0,0,0]
(3)当γ=0.3时,L=0.7*A’+0.3*B’=[[1,0,0,0,0],[0.03,0.97,0,0,0]
2、当预设目标阈值为t=0时,根据公式确定出更新后的人工标签和预测标签分别为:
A’=[[0.01,0.92,0.01,0.01,0.05],[0,1,0,0,0]]
B’=[[0.01,0.92,0.01,0.01,0.05],[0.1,0.9,0,0,0]
在不同γ值的情况下,最终确定的第二目标标签为:
(1)当γ=0时,L=A’=[[0.01,0.92,0.01,0.01,0.05],[0,1,0,0,0]]
(2)当γ=1时,L=B’=[[0.01,0.92,0.01,0.01,0.05],[0.1,0.9,0,0,0]
(3)当γ=0.3时,L=0.7*A’+0.3*B’=[[0.01,0.92,0.01,0.01,0.05],[0.03,0.97,0,0,0]
因此,通过预设目标阈值t和预设参数γ可以得到不同的第二目标标签。当t=1,γ=0时,第二目标标签与人工标签一致,当t=0,γ=1时,第二目标标签与预测标签一致,而当t和γ取其他值时,可以通过γ控制二者的比例关系,来实现第二目标标签的确定。
综上可得,最终确定第二目标标签可以有如下几种具体方式:
1、当γ≠0且γ≠1时,将人工标签与第一目标标签通过比例因子γ进行加法运算,得到产品缺陷图像的第二目标标签。
2、当γ==0时,Lij=A′ij,也即是,第一目标标签与人工标签不一致,且第一目标标签的置信度大于t时,可以将人工标签直接替换为第一目标标签。如果t==1,则相当于都不替换,直接用人工标签进行训练。
3、当γ==1时,Lij=B′ij,也即是,第一目标标签与人工标签不一致,且人工标签的置信度小于或等于t时,可以将第一目标标签直接替换为人工标签。如果t==0,则相当于都不替换,直接用第一目标标签进行训练。
需要说明的是,上述步骤302至步骤303中的深度神经网络模型可以作为训练模块,来对产品缺陷图像中的缺陷进行分类,通过该训练模块可以分析出缺陷的种类,基于训练模块输出的结果,结合人工标签,通过上述步骤304至步骤308,可以继续对标签进行标定,其中,上述步骤307至步骤308可以通过标签精炼模块来实现。图5是本公开实施例提供的一种第二目标标签的确定方法的流程图,参见图5,该图可以直观地展示上述步骤302至步骤308,计算机设备可以将产品缺陷图像输入至训练模块501,输出该产品缺陷图像所属的各个缺陷类别和属于各个缺陷类别的概率,根据输出结果,确定各个缺陷类别的概率的最大值,将该最大概率对应的缺陷类别作为第一目标标签,并结合人工标签,执行步骤511来对标签差异进行计算,再通过精度阈值模块502,根据产品缺陷图像标签的概率与预设目标阈值的关系,执行步骤512来对标签进行更新,从而得到最终的第二目标标签,在步骤513中输出该第二目标标签。例如,计算机设备可以将如图6所示的产品缺陷图像输入至训练模块,也即是,深度学习网络,基于深度学习网络输出的结果,结合人工标签,通过标签精炼模块继续对该产品缺陷图像进行处理,参见图6,该图6的产品缺陷图像中共有601、602、603三种缺陷,对应的人工标签为[1,0,0],经过标签精炼模块处理后,该产品缺陷图像的标签变为[0.92,0.02,0.06],参见图7,图7是本公开实施例提供的一种产品缺陷图像的标签及对应概率的条形图,通过标签精炼模块701至703的处理后,即可以实现各个缺陷类别对应的概率的精确判断。
其中,计算机设备可以通过多个标签更新系统来并行对人工标签进行处理,提高第二目标标签的准确性,该标签更新模块可以包括上述步骤中的训练模块、标签精炼模块、精度阈值模块等,可选地,该标签更新模块还可以包括其他模块,本公开实施例对此不加以限定。例如,计算机设备可以通过3个串联的标签更新系统801至803来对深度神经网络输出的结果进行处理,参见图8,图8是本公开是实施例提供的一种第二目标标签的确定过程的原理示意图,计算机设备可以将人工标签和相关数据输入标签更新系统801,得到精炼标签1,进而将该精炼标签1作为网络监督标签,与人工标签、相关数据一起输入标签更新系统802进行进一步处理,得到精炼标签2,将该精炼标签2作为网络监督标签,与人工标签、相关数据一起输入模型训练系统803进行进一步处理,以得到最终的预测标签3,也即是,第二目标标签。其中,该相关数据可以为便签精炼模块所需的相关参数,如t、γ等,可选地,该相关数据还可以包括其他数据,本公开实施例对此不加以限定。其中,t可以表示步骤305至步骤307中的预设目标阈值,γ可以表示步骤308中的预设参数。
309、计算机设备将该第一训练样本数据中的人工标签更新为该第二目标标签,得到第二训练样本数据。
其中,该第二训练样本数据可以包括至少一个产品缺陷图像和该产品缺陷图像对应的更新后的人工标签。
310、计算机设备通过该第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
本公开实施例提供的方案,通过更新得到的人工标签和产品缺陷图像训练得到的产品缺陷分类模型,来进行缺陷类别标签的确定,可以有效避免人工标注的误标注问题,提高产品缺陷分类的准确性。对人工误标注的标签进行重新标定,可以减少噪声标签对产品缺陷分类模型的影响,还可以表征每个缺陷图像在各个类别的相关性,使得模型具有较好的泛化能力。此外,本公开实施例提供的方案中,该深度神经网络可以作为训练模块,与标签精炼模块一起实时嵌入到模型训练中,也即是,通过训练模块和标签精炼模块确定一个产品缺陷图像的第二目标标签后,对人工标签进行更新,直接将该更新后的人工标签和产品缺陷图像直接输入初始模型,来进行模型训练,每当训练模块和标签精炼模块确定一个第二目标标签并对人工标签进行更新后,即将更新后的人工标签和对应的产品缺陷图像输入初始模型,无需所有产品缺陷图像的人工标签均更新完成后再进行模型训练,提高模型训练的效率,使得模型训练过程更加简单方便。
上述图3所示为通过经过标签更新后的第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类的过程,其中,基于产品缺陷图像以及更新后的人工标签对初始模型进行训练,得到产品缺陷分类模型的过程可以参见图9,图9是本公开实施例提供的一种初始模型训练过程的流程图,该方法包括:
901、在对初始模型进行训练时,计算机设备获取第二训练样本数据,该第二训练样本数据包括至少一个产品缺陷图像和该产品缺陷图像对应的更新后的人工标签。
需要说明的是,第二训练样本数据中产品缺陷图像的获取过程可以参见上述步骤301,此处不再赘述,此外,计算机设备还可以在获取产品缺陷图像时,获取每个产品缺陷图像对应的更新后的人工标签。
902、计算机设备将该产品缺陷图像输入至初始模型。
需要说明的是,该初始模型可以为任意网络模型,例如,卷积神经网络(Convolutional Neural Networks,CNN)等,本公开实施例对初始模型的具体结构不加以限定。
903、计算机设备通过该初始模型,对该产品缺陷图像中的缺陷进行分类,得到该产品缺陷图像的第三目标标签。
在一种可能的实现方式中,计算机设备通过该初始模型的卷积层,对该产品缺陷图像进行卷积处理,得到该产品缺陷图像的图像特征,通过池化层,全连接层进行进一步处理,得到该产品缺陷图像的第三目标标签。
904、计算机设备根据该第三目标标签和该产品缺陷图像更新后的人工标签,结合损失函数,通过反向传播,确定该初始模型的梯度向量。
需要说明的是,该损失函数可以采用平方损失函数、对数损失函数、均方误差函数、交叉熵函数等,可选地,该损失函数还可以采用其他函数类型,本公开实施例对此不加以限定。计算机设备可以根据损失函数,确定第三目标标签和更新后的人工标签的差值,再根据计算出的差值,通过反向传播,确定初始模型的梯度向量。
905、计算机设备根据该梯度向量,对初始模型的权值进行调整,直至该第三目标标签的准确性或损失函数满足迭代截止条件或者迭代次数达到预设次数。
在一种可能的实现方式中,计算机设备根据该梯度向量,对该初始模型中的各个权值进行调整,得到校正后的初始模型,利用该校正后的初始模型继续对下一个产品缺陷图像进行处理,重复上述过程,直至第三目标标签的准确性或损失函数满足迭代截止条件或者迭代次数达到预设次数,此时,该初始模型中的数据已经经过多次调整,准确度较高,该经过多次权值调整的初始模型即可以作为产品缺陷分类模型来对缺陷图像中的缺陷进行分类。
906、计算机设备将最终得到的模型作为产品缺陷分类模型。
通过上述过程,可以实现初始模型的训练,得到产品缺陷分类模型,进而通过该产品缺陷分类模型来对缺陷图像中的缺陷进行分类,可以有效避免人工标注的误标注问题,提高缺陷分类的准确性。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
图10是本公开实施例提供的一种基于人工智能的产品缺陷分类装置的结构示意图,参见图10,该装置包括:
获取模块1001,用于获取第一训练样本数据,该第一训练样本数据包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签;
确定模块1002,用于确定该产品缺陷图像对应的预测标签,该预测标签包括该产品缺陷图像所属各个缺陷类别的概率;
该确定模块1002,还用于基于该预测标签和该人工标签,确定第一目标标签;
更新模块1003,用于基于预设目标阈值和该第一目标标签,更新该第一训练样本数据中的人工标签,得到第二训练样本数据;
分类模块1004,用于通过该第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
上述装置基于获取到的包括至少一个产品缺陷图像和该产品缺陷图像对应的人工标签的第一训练样本数据,确定该产品缺陷图像对应的预测标签,基于预测标签和人工标签,确定第一目标标签,基于预设目标阈值和第一目标标签,更新第一训练样本中的人工标签,得到第二训练样本数据,通过第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。通过第二训练样本数据训练得到的产品缺陷分类模型,来进行缺陷类别标签的确定,可以有效避免人工标注的误标注问题,提高缺陷分类的准确性。
在一种可能的实现方式中,该装置还包括:
比较模块,用于将该第一目标标签的概率与该预设目标阈值进行比较;
该更新模块1003,还用于若该第一目标标签的概率大于预设目标阈值,则将该人工标签更新为该第一目标标签;
该更新模块1003,还用于若该第一目标标签的概率小于或等于预设目标阈值,则将该第一目标标签更新为该人工标签;
该确定模块1002,还用于根据更新后的该人工标签和该第一目标标签,确定该第一训练样本数据的第二目标标签;
该更新模块1003,还用于将该第一训练样本数据中的人工标签更新为该第二目标标签。
在一种可能的实现方式中,该装置还包括:
计算模块,用于根据更新后的该人工标签和该第一目标标签,结合预设参数,计算该第一训练样本数据的第二目标标签。
在一种可能的实现方式中,该第一目标标签的概率大于该产品缺陷图像中的缺陷属于其他缺陷类别的概率。
在一种可能的实现方式中,该装置还包括:
输入模块,用于将该产品缺陷图像输入至深度神经网络;
该确定模块1002,还用于通过该深度神经网络确定该产品缺陷图像所属的至少一个缺陷类别和该产品缺陷图像属于各个缺陷类别的概率。
需要说明的是:上述实施例提供的基于人工智能的产品缺陷分类装置在进行缺陷类别标签的确定时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于人工智能的产品缺陷分类装置与基于人工智能的产品缺陷分类方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图11是本公开实施例提供的一种计算机设备的结构示意图。该计算机设备1100可以是:智能手机、平板电脑、MP3播放器(Moving Picture Experts Group Audio LayerIII,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group AudioLayer IV,动态影像专家压缩标准音频层面4)播放器、笔记本电脑或台式电脑。计算机设备1100还可能被称为用户设备、便携式计算机设备、膝上型计算机设备、台式计算机设备等其他名称。
通常,计算机设备1100包括有:一个或多个处理器1101和一个或多个存储器1102。
处理器1101可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器1101可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1101也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器1101可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器1101还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器1102可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器1102还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器1102中的非暂态的计算机可读存储介质用于存储至少一个程序代码,该至少一个程序代码用于被处理器1101所执行以实现本公开中方法实施例提供的基于人工智能的产品缺陷分类方法。
在一些实施例中,计算机设备1100还可选包括有:外围设备接口1103和至少一个外围设备。处理器1101、存储器1102和外围设备接口1103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1103相连。具体地,外围设备包括:射频电路1104、显示屏1105、摄像头1106、音频电路1107、定位组件1108和电源1109中的至少一种。
外围设备接口1103可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器1101和存储器1102。在一些实施例中,处理器1101、存储器1102和外围设备接口1103被集成在同一芯片或电路板上;在一些其他实施例中,处理器1101、存储器1102和外围设备接口1103中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路1104用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路1104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1104将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路1104包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1104可以通过至少一种无线通信协议来与其它计算机设备进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路1104还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本公开对此不加以限定。
显示屏1105用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1105是触摸显示屏时,显示屏1105还具有采集在显示屏1105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1101进行处理。此时,显示屏1105还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏1105可以为一个,设置计算机设备1100的前面板;在另一些实施例中,显示屏1105可以为至少两个,分别设置在计算机设备1100的不同表面或呈折叠设计;在再一些实施例中,显示屏1105可以是柔性显示屏,设置在计算机设备1100的弯曲表面上或折叠面上。甚至,显示屏1105还可以设置成非矩形的不规则图形,也即异形屏。显示屏1105可以采用LCD(Liquid Crystal Display,液晶显示屏)、OLED(OrganicLight-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件1106用于采集图像或视频。可选地,摄像头组件1106包括前置摄像头和后置摄像头。通常,前置摄像头设置在计算机设备的前面板,后置摄像头设置在计算机设备的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件1106还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路1107可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器1101进行处理,或者输入至射频电路1104以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在计算机设备1100的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1101或射频电路1104的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路1107还可以包括耳机插孔。
定位组件1108用于定位计算机设备1100的当前地理位置,以实现导航或LBS(Location Based Service,基于位置的服务)。定位组件1108可以是基于美国的GPS(Global Positioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源1109用于为计算机设备1100中的各个组件进行供电。电源1109可以是交流电、直流电、一次性电池或可充电电池。当电源1109包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,计算机设备1100还包括有一个或多个传感器1110。该一个或多个传感器1110包括但不限于:加速度传感器1111、陀螺仪传感器1112、压力传感器1113、指纹传感器1114、光学传感器1115以及接近传感器1116。
加速度传感器1111可以检测以计算机设备1100建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器1111可以用于检测重力加速度在三个坐标轴上的分量。处理器1101可以根据加速度传感器1111采集的重力加速度信号,控制显示屏1105以横向视图或纵向视图进行用户界面的显示。加速度传感器1111还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器1112可以检测计算机设备1100的机体方向及转动角度,陀螺仪传感器1112可以与加速度传感器1111协同采集用户对计算机设备1100的3D动作。处理器1101根据陀螺仪传感器1112采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器1113可以设置在计算机设备1100的侧边框和/或显示屏1105的下层。当压力传感器1113设置在计算机设备1100的侧边框时,可以检测用户对计算机设备1100的握持信号,由处理器1101根据压力传感器1113采集的握持信号进行左右手识别或快捷操作。当压力传感器1113设置在显示屏1105的下层时,由处理器1101根据用户对显示屏1105的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器1114用于采集用户的指纹,由处理器1101根据指纹传感器1114采集到的指纹识别用户的身份,或者,由指纹传感器1114根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器1101授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1114可以被设置计算机设备1100的正面、背面或侧面。当计算机设备1100上设置有物理按键或厂商Logo时,指纹传感器1114可以与物理按键或厂商Logo集成在一起。
光学传感器1115用于采集环境光强度。在一个实施例中,处理器1101可以根据光学传感器1115采集的环境光强度,控制显示屏1105的显示亮度。具体地,当环境光强度较高时,调高显示屏1105的显示亮度;当环境光强度较低时,调低显示屏1105的显示亮度。在另一个实施例中,处理器1101还可以根据光学传感器1115采集的环境光强度,动态调整摄像头组件1106的拍摄参数。
接近传感器1116,也称距离传感器,通常设置在计算机设备1100的前面板。接近传感器1116用于采集用户与计算机设备1100的正面之间的距离。在一个实施例中,当接近传感器1116检测到用户与计算机设备1100的正面之间的距离逐渐变小时,由处理器1101控制显示屏1105从亮屏状态切换为息屏状态;当接近传感器1116检测到用户与计算机设备1100的正面之间的距离逐渐变大时,由处理器1101控制显示屏1105从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图11中示出的结构并不构成对计算机设备1100的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括程序代码的存储器,上述程序代码可由处理器执行以完成上述实施例中的基于人工智能的产品缺陷分类方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来程序代码相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本公开的可选实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于人工智能的产品缺陷分类方法,其特征在于,所述方法包括:
获取第一训练样本数据,所述第一训练样本数据包括至少一个产品缺陷图像和所述产品缺陷图像对应的人工标签;
确定所述产品缺陷图像对应的预测标签,所述预测标签包括所述产品缺陷图像所属各个缺陷类别的概率;
基于所述预测标签和所述人工标签,确定第一目标标签;
基于预设目标阈值和所述第一目标标签,更新所述第一训练样本数据中的人工标签,得到第二训练样本数据;
通过所述第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
2.根据权利要求1所述的方法,其特征在于,所述基于预设目标阈值和所述第一目标标签,更新所述第一训练样本数据中的人工标签包括:
将所述第一目标标签的概率与所述预设目标阈值进行比较;
若所述第一目标标签的概率大于预设目标阈值,则将所述人工标签更新为所述第一目标标签;
若所述第一目标标签的概率小于或等于预设目标阈值,则将所述第一目标标签更新为所述人工标签;
根据更新后的所述人工标签和所述第一目标标签,确定所述第一训练样本数据的第二目标标签;
将所述第一训练样本数据中的人工标签更新为所述第二目标标签。
3.根据权利要求2所述的方法,其特征在于,所述根据更新后的所述人工标签和所述第一目标标签,确定所述第一训练样本数据的第二目标标签包括:
根据更新后的所述人工标签和所述第一目标标签,结合预设参数,计算所述第一训练样本数据的第二目标标签。
4.根据权利要求1所述的方法,其特征在于,所述第一目标标签的概率大于所述产品缺陷图像中的缺陷属于其他缺陷类别的概率。
5.根据权利要求1所述的方法,其特征在于,所述确定所述产品缺陷图像对应的预测标签包括:
将所述产品缺陷图像输入至深度神经网络;
通过所述深度神经网络确定所述产品缺陷图像所属的至少一个缺陷类别和所述产品缺陷图像属于各个缺陷类别的概率。
6.一种基于人工智能的产品缺陷分类装置,其特征在于,所述装置包括:
获取模块,用于获取第一训练样本数据,所述第一训练样本数据包括至少一个产品缺陷图像和所述产品缺陷图像对应的人工标签;
确定模块,用于确定所述产品缺陷图像对应的预测标签,所述预测标签包括所述产品缺陷图像所属各个缺陷类别的概率;
所述确定模块,还用于基于所述预测标签和所述人工标签,确定第一目标标签;
更新模块,用于基于预设目标阈值和所述第一目标标签,更新所述第一训练样本数据中的人工标签,得到第二训练样本数据;
分类模块,用于通过所述第二训练样本数据训练得到的产品缺陷分类模型,对产品缺陷进行分类。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
比较模块,用于将所述第一目标标签的概率与所述预设目标阈值进行比较;
所述更新模块,还用于若所述第一目标标签的概率大于预设目标阈值,则将所述人工标签更新为所述第一目标标签;
所述更新模块,还用于若所述第一目标标签的概率小于或等于预设目标阈值,则将所述第一目标标签更新为所述人工标签;
所述确定模块,还用于根据更新后的所述人工标签和所述第一目标标签,确定所述第一训练样本数据的第二目标标签;
所述更新模块,还用于将所述第一训练样本数据中的人工标签更新为所述第二目标标签。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
计算模块,用于根据更新后的所述人工标签和所述第一目标标签,结合预设参数,计算所述第一训练样本数据的第二目标标签。
9.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求5任一项所述的基于人工智能的产品缺陷分类方法所执行的操作。
10.一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中存储有至少一条程序代码,所述程序代码由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的基于人工智能的产品缺陷分类方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005913.8A CN111192262A (zh) | 2020-01-03 | 2020-01-03 | 基于人工智能的产品缺陷分类方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010005913.8A CN111192262A (zh) | 2020-01-03 | 2020-01-03 | 基于人工智能的产品缺陷分类方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111192262A true CN111192262A (zh) | 2020-05-22 |
Family
ID=70710671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010005913.8A Pending CN111192262A (zh) | 2020-01-03 | 2020-01-03 | 基于人工智能的产品缺陷分类方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192262A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753174A (zh) * | 2020-06-23 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 数据处理方法、装置和电子设备 |
CN112581001A (zh) * | 2020-12-24 | 2021-03-30 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
CN112766389A (zh) * | 2021-01-26 | 2021-05-07 | 北京三快在线科技有限公司 | 图像分类方法、图像分类模型的训练方法、装置和设备 |
CN113743445A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
CN115049814A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市飓风工业设计有限公司 | 采用神经网络模型的护眼灯智能调节方法 |
-
2020
- 2020-01-03 CN CN202010005913.8A patent/CN111192262A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111753174A (zh) * | 2020-06-23 | 2020-10-09 | 北京字节跳动网络技术有限公司 | 数据处理方法、装置和电子设备 |
CN112581001A (zh) * | 2020-12-24 | 2021-03-30 | 成都安易迅科技有限公司 | 设备的评估方法及装置、电子设备、可读存储介质 |
CN112766389A (zh) * | 2021-01-26 | 2021-05-07 | 北京三快在线科技有限公司 | 图像分类方法、图像分类模型的训练方法、装置和设备 |
CN113743445A (zh) * | 2021-07-15 | 2021-12-03 | 上海朋熙半导体有限公司 | 目标对象识别方法、装置、计算机设备和存储介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
CN114637270B (zh) * | 2022-05-17 | 2022-08-23 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
US11681283B1 (en) | 2022-05-17 | 2023-06-20 | Chengdu Qinchuan Iot Technology Co., Ltd. | Intelligent manufacturing industrial Internet of Things based on distributed control, control methods and media thereof |
CN115049814A (zh) * | 2022-08-15 | 2022-09-13 | 聊城市飓风工业设计有限公司 | 采用神经网络模型的护眼灯智能调节方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110121118B (zh) | 视频片段定位方法、装置、计算机设备及存储介质 | |
CN110348543B (zh) | 眼底图像识别方法、装置、计算机设备及存储介质 | |
CN111325726A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
WO2020224479A1 (zh) | 目标的位置获取方法、装置、计算机设备及存储介质 | |
CN110555839A (zh) | 缺陷检测识别方法、装置、计算机设备及存储介质 | |
CN111739035B (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN111192262A (zh) | 基于人工智能的产品缺陷分类方法、装置、设备及介质 | |
CN110807361A (zh) | 人体识别方法、装置、计算机设备及存储介质 | |
CN111243668B (zh) | 分子结合位点检测方法、装置、电子设备及存储介质 | |
CN112749613B (zh) | 视频数据处理方法、装置、计算机设备及存储介质 | |
CN112884770B (zh) | 图像分割处理方法、装置及计算机设备 | |
CN112036331A (zh) | 活体检测模型的训练方法、装置、设备及存储介质 | |
CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
CN110570460A (zh) | 目标跟踪方法、装置、计算机设备及计算机可读存储介质 | |
CN111368116B (zh) | 图像分类方法、装置、计算机设备及存储介质 | |
CN111680697B (zh) | 实现领域自适应的方法、装置、电子设备及介质 | |
CN111738365B (zh) | 图像分类模型训练方法、装置、计算机设备及存储介质 | |
CN113516143A (zh) | 文本图像匹配方法、装置、计算机设备及存储介质 | |
CN110647881A (zh) | 确定图像对应的卡片类型的方法、装置、设备及存储介质 | |
CN114511864B (zh) | 文本信息提取方法、目标模型的获取方法、装置及设备 | |
CN113918767A (zh) | 视频片段定位方法、装置、设备及存储介质 | |
CN111598896A (zh) | 图像检测方法、装置、设备及存储介质 | |
CN113724189A (zh) | 图像处理方法、装置、设备及存储介质 | |
CN112819103A (zh) | 基于图神经网络的特征识别方法、装置、存储介质及终端 | |
CN111353513B (zh) | 一种目标人群筛选的方法、装置、终端和存储介质 |
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 |