CN111428770A - 网络模型训练及电感缺陷识别方法、装置、电子设备 - Google Patents

网络模型训练及电感缺陷识别方法、装置、电子设备 Download PDF

Info

Publication number
CN111428770A
CN111428770A CN202010194249.6A CN202010194249A CN111428770A CN 111428770 A CN111428770 A CN 111428770A CN 202010194249 A CN202010194249 A CN 202010194249A CN 111428770 A CN111428770 A CN 111428770A
Authority
CN
China
Prior art keywords
domain data
target
inductance
pictures
defect
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
Application number
CN202010194249.6A
Other languages
English (en)
Inventor
高文强
张耀营
徐众
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Jieruisi Intelligent Technology Co ltd
Original Assignee
Suzhou Jieruisi Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Jieruisi Intelligent Technology Co ltd filed Critical Suzhou Jieruisi Intelligent Technology Co ltd
Priority to CN202010194249.6A priority Critical patent/CN111428770A/zh
Publication of CN111428770A publication Critical patent/CN111428770A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Coils Or Transformers For Communication (AREA)

Abstract

本申请提供了一种网络模型训练及电感缺陷识别方法、装置、电子设备。其中，该一种网络模型训练方法，所述方法包括：获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。本申请可以实现电感缺陷的自动化识别，由于采用了源域数据中的图片来对该预设网络结构G进行初始化训练，可以有效解决目标领域样本数据不足的缺点，可以提高检测的效率以及节约检测成本。

Description

网络模型训练及电感缺陷识别方法、装置、电子设备
技术领域
本申请涉及图像识别技术领域，具体而言，涉及一种网络模型训练及电感缺陷识别方法、装置、电子设备。
背景技术
目前国内外对于电感缺陷的检测，大多数是依赖人工检测。由于电感的体积较小，缺陷不太明显，需要在放大镜下进行检测。缺乏客观性、效率低下且劳动强度大。且由于电感缺陷的复杂性和缺陷之间的差异性较小的原因，传统的机器视觉技术难以满足要求。
针对上述问题，目前尚未有有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种网络模型训练及电感缺陷识别方法、装置、电子设备，可以提高电感缺陷识别效率以及准确度。
第一方面，本申请实施例提供了一种网络模型训练方法，用于电感缺陷识别，所述方法包括：
获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；
获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；
基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。
可选地，在本申请实施例所述的网络模型训练方法中，所述获取源域数据以及目标域数据包括：
获取初始源域数据以及初始目标域数据，其中，所述初始目标域数据包括多张具有缺陷的电感图片，所述初始源域数据包括多张非电感图片；
对所述初始源域数据以及所述初始目标域数据内的图片尺寸进行统一化处理，以得到源域数据以及目标域数据，所述源域数据以及所述目标域数据内的图片尺寸相同。
可选地，在本申请实施例所述的网络模型训练方法中，所述获取源域数据以及目标域数据包括：
获取初始源域数据以及初始目标域数据，其中，所述初始目标域数据包括多张具有缺陷的电感图片，所述初始源域数据包括多张非电感图片；
对所述初始源域数据以及所述初始目标域数据内的图片尺寸进行统一化处理，以得到源域数据以及目标域数据，所述源域数据以及所述目标域数据内的图片尺寸相同。
可选地，在本申请实施例所述的网络模型训练方法中，所述基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2之前，还包括：
对所述目标域数据内的电感图片依次进行预处理，以得到经过预处理的目标域数据，其中，所述预处理包括白化处理、翻转处理以及裁剪处理中的至少一种处理方式。
可选地，在本申请实施例所述的网络模型训练方法中，所述基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2之前，还包括：
对所述目标域数据内的电感图片依次进行预处理，以得到经过预处理的目标域数据，其中，所述预处理包括白化处理、翻转处理以及裁剪处理中的至少一种处理方式。
可选地，在本申请实施例所述的网络模型训练方法中，所述预设网络结构G为预设层的残差网络结构。
第二方面，本申请实施例还提供了一种电感缺陷识别方法，所述方法采用上述任一项所述的方法生成的目标网络模型G2，所述方法包括：
将待识别的电感的图片输入所述目标网络模型G2，以输出电感缺陷的概率属性值；
根据所述概率属性值对所述待识别的电感的缺陷属性进行识别。
可选地，在本申请实施例所述的电感缺陷识别方法中，所述目标网络模型G2包括n个输出通道，其中，每一所述输出通道用于输出一种类别的电感缺陷的概率属性值，n为正整数；
而所述根据所述概率属性值对所述待识别的电感的缺陷属性进行识别，包括：
将所述目标网络模型G2输出的n个概率属性值分别与电感缺陷概率属性阈值进行比较；
若所述n个概率属性值中存在大于所述电感缺陷概率属性阈值的概率属性值，则所述待识别的电感具有对应类型的缺陷属性。
第三方面，本申请实施例还提供了一种网络模型训练方法训练装置，所述装置包括：
第一获取模块，用于获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；
初始化模块，用于获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；
训练模块，用于基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。
第四方面，本申请实施例还提供了一种电感缺陷识别装置，所述装置采用上述任一项所述的方法生成的目标网络模型G2，所述装置包括：
输出模块，用于将待识别的电感的图片输入所述目标网络模型G2，以输出电感缺陷的概率属性值；
识别模块，用于根据所述概率属性值对所述待识别的电感的缺陷属性进行识别。
第五方面，本申请实施例提供一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如上述第一方面提供的所述方法中的步骤。
第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知，本申请实施例通过获取源域数据以及目标域数据，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2；从而实现对电感的缺陷属性的识别，可以实现电感缺陷的自动化识别，并且，由于采用了源域数据中的图片来对该预设网络结构G进行初始化训练，可以有效解决目标领域样本数据不足的缺点，可以提高检测的效率以及节约检测成本。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的网络模型训练方法的一种流程图。
图2为本申请实施例提供的电感缺陷识别方法的一种流程图。
图3为本申请实施例提供的网络模型训练装置的一种结构图。
图4为本申请实施例提供的电感缺陷识别装置的一种结构图。
图5为本申请实施例提供的电子设备的一种结构图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1是本本申请一些实施例中的网络模型训练方法的流程图。该网络模型训练方法，该网络模型用于电感缺陷识别，所述方法包括：
S101、获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片。
S102、获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1。
S103、基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。
其中，在该步骤S101中，该源域数据可以取自ImageNet数据集，其包括多张非电感图片。该目标域数据为预先准备的多张具有缺陷的电感图片。其中，该多张具有缺陷的电感图片对应的电感缺陷有至少一种，在本实施例中电感缺陷类别有四种，该四种缺陷分别为：翼片超出凹槽、底面有翼、顶部无翼和翼片缺损。其中，该目标域数据中的图片的分辨率大小可以为440＊422，为24位图，为bmp格式的图片，当然，其并不限于这种规格，也可以采用其他格式的图片、其他位的图，分辨率也可以调整。
在一些实施例中，为了便于后续的网络的训练，需要将该源域数据以及目标域数据中的图片调整为尺寸相同的图片。
该步骤S101包括以下子步骤：S1011、获取初始源域数据以及初始目标域数据，其中，所述初始目标域数据包括多张具有缺陷的电感图片，所述初始源域数据包括多张非电感图片；S1012、对所述初始源域数据以及所述初始目标域数据内的图片尺寸进行统一化处理，以得到源域数据以及目标域数据，所述源域数据以及所述目标域数据内的图片尺寸相同。
其中，可以对该初始源域数据的多张图片进行缩放处理，使其与初始目标域数据中的图片的尺寸相同。也可以对初始目标域数据的多张图片进行缩放处理，使其与初始源域数据的多张图片的尺寸相同。当然，可以理解地，也可以预先设定一个尺寸标准，根据该尺寸标准来对该初始源域数据以及初始目标域数据中的图片进行缩放调整，使得初始源域数据以及初始目标域数据中的图片均调整为该预设的尺寸标准。
在该步骤S102中，该预设网络结构G可以采用具有预设层的残差网络。具体地，在本实施例中，采用具有32层的残差网络。其中，该残差网络具有与缺陷类型数量对应的输出通道的数量。在该步骤S102中，首先判断该预设网络结构G是否已经经过初始化训练得到了模型参数，如果未初始化训练，则对该预设网络结构G进行初始化，并利用源域数据中的图片对该初始化后的预设网络结构G进行训练，并保存训练得到的权重等模型参数从而得到目标网络结构G1。
在该步骤S103中，采用加载该目标域数据中的多个电感图片到该目标网络结构G1中进行进一步优化训练，以得到目标网络模型G2。其中，在训练该训练步数train＿steps＝8000，权重衰减系数weight＿decay＝0.0002，数据增维大小padding＿size＝2，激活函数为ReLU，池化方法为MaxPooling，优化器为Momentum Optimizer，动量系数Momentum＝0.9，损失函数为Cross－entropy，评价指标为Train－loss、Accuracy和混淆矩阵。
其中，预设网络结构G、目标网络结构G1、目标网络模型G2均包括n个输出通道，其中，每一所述输出通道用于输出一种类别的电感缺陷的概率属性值，n为正整数。例如，总共有4个通道。
在一些实施例中，在采用目标域数据中的图片进行训练的过程中，可以采用每一张图片中的电感缺陷仅包括一类的图片进行单通道专门训练。也即是说，例如，可以采用100张电感图片进行训练，其中，该100张电感图片中，有25张电感图片是A类缺陷，有25张电感图片是B类缺陷，有25张电感图片是C类缺陷，有25张电感图片是D类型缺陷，然后，可以分别采用这些缺陷类型固定的电感图片对对应的输出通道进行训练。
当然，可以理解地，也可以采用具有多种缺陷类型的电感的电感图片来同时训练该多个通道。
其中，在训练得到该目标网络模型G2的过程中，保存训练过程中的loss曲线，该loss曲线可以用来判断该目标网络模型G2的精度。
在一些实施例中，在执行该步骤S103之前，需要对该目标域数据的图片进行预处理，以提高准确率以及训练效率。具体地，在执行该步骤S103之前，还包括：对所述目标域数据内的电感图片依次进行预处理，以得到经过预处理的目标域数据，其中，所述预处理包括白化处理、翻转处理以及裁剪处理中的至少一种处理方式。
其中，可以采用以下公式进行白化处理：
Figure BDA0002418174950000071
其中，可以采用以下公式进行翻转处理：
Figure BDA0002418174950000072
其中，可以采用以下公式进行裁剪处理：
Figure BDA0002418174950000073
其中，μ代表平均值，δ2代表方差，pij代表像素点。
请参照图2，图2是本申请一些实施例中的一种电感缺陷识别方法的流程图。所述方法采用上述任一实施例所述的方法生成的目标网络模型G2，所述方法包括以下步骤：
S201、将待识别的电感的图片输入所述目标网络模型G2，以输出电感缺陷的概率属性值。
S202、根据所述概率属性值对所述待识别的电感的缺陷属性进行识别。
其中，在该步骤S201中，由于该目标网络模型G2包括n个输出通道，因此，在每次输入一张待识别的电感的图片到该目标网络模型G2中，就会输出n个概率属性值，每一个概率属性值用于描述一个对应类型的缺陷出现的概率。可以理解地，在一些实施例中，可以采用将该目标域数据中的图片按照预设比例划分成两组，一组图片用来训练得到该目标网络模型G2，另一组用来对该目标网络模型G2的准确度进行测试。
在该步骤S202中，在执行该步骤S202之前，需要预先设定一个概率属性阈值，该概率属性阈值为经验值。通过将该每个通道输出的概率属性值与该概率属性阈值进行比较，就可以判断出对应电感是否存在该类缺陷。例如，在本实施例中，该概率属性阈值Ω＝0.75。
在一些实施例中，该步骤S202包括以下步骤：S2021、将所述目标网络模型G2输出的n个概率属性值分别与电感缺陷概率属性阈值进行比较；S2022、若所述n个概率属性值中存在大于所述电感缺陷概率属性阈值的概率属性值，则所述待识别的电感具有对应类型的缺陷属性。
由上可知，本申请实施例通过获取源域数据以及目标域数据，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2；从而实现对电感的缺陷属性的识别，可以实现电感缺陷的自动化识别，并且，由于采用了源域数据中的图片来对该预设网络结构G进行初始化训练，可以有效解决目标领域样本数据不足的缺点，可以提高检测的效率以及节约检测成本。
请参照图3，图3是本申请实施例还提供一种网络模型训练装置的结构图，所述装置包括：第一获取模块301、初始化模块302、训练模块303。
其中，该第一获取模块301用于获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片。该源域数据取自该ImageNet数据集，其包括多张非电感图片。该目标域数据为预先准备的多张具有缺陷的电感图片。其中，该多张具有缺陷的电感图片对应的电感缺陷有至少一种，在本实施例中电感缺陷类别有四种，该四种缺陷分别为：翼片超出凹槽、底面有翼、顶部无翼和翼片缺损。其中，该目标域数据中的图片的分辨率大小可以为440＊422，为24位图，为bmp格式的图片，当然，其并不限于这种规格，也可以采用其他格式的图片、其他位的图，分辨率也可以调整。
在一些实施例中，为了便于后续的网络的训练，需要将该源域数据以及目标域数据中的图片调整为尺寸相同的图片。
该第一获取模块301包括：第一获取单元，用于获取初始源域数据以及初始目标域数据，其中，所述初始目标域数据包括多张具有缺陷的电感图片，所述初始源域数据包括多张非电感图片；缩放处理单元，用于对所述初始源域数据以及所述初始目标域数据内的图片尺寸进行统一化处理，以得到源域数据以及目标域数据，所述源域数据以及所述目标域数据内的图片尺寸相同。
其中，可以对该初始源域数据的多张图片进行缩放处理，使其与初始目标域数据中的图片的尺寸相同。也可以对初始目标域数据的多张图片进行缩放处理，使其与初始源域数据的多张图片的尺寸相同。当然，可以理解地，也可以预先设定一个尺寸标准，根据该尺寸标准来对该初始源域数据以及初始目标域数据中的图片进行缩放调整，使得初始源域数据以及初始目标域数据中的图片均调整为该预设的尺寸标准。
其中，该初始化模块302用于获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1。该预设网络结构G可以采用具有预设层的残差网络。具体地，在本实施例中，采用具有32层的残差网络。其中，该残差网络具有与缺陷类型数量对应的输出通道的数量。首先对该预设网络结构G进行初始化，并利用源域数据中的图片对该初始化后的预设网络结构G进行训练，并保存训练得到的权重等模型参数从而得到目标网络结构G1。
其中，该训练模块303用于基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。在一些实施例中，在采用目标域数据中的图片进行训练的过程中，可以采用每一张图片中的电感缺陷仅包括一类的图片进行单通道专门训练。也即是说，例如，可以采用100张电感图片进行训练，其中，该100张电感图片中，有25张电感图片是A类缺陷，有25张电感图片是B类缺陷，有25张电感图片是C类缺陷，有25张电感图片是D类型缺陷，然后，可以分别采用这些缺陷类型固定的电感图片对对应的输出通道进行训练。
当然，可以理解地，也可以采用具有多种缺陷类型的电感的电感图片来同时训练该多个通道。
其中，在训练得到该目标网络模型G2的过程中，保存训练过程中的loss曲线，该loss曲线可以用来判断该目标网络模型G2的精度。
请参照图4，图4是本申请一些实施例中的一种电感缺陷识别装置的一种结构图。该装置包括：输出模块401以及识别模块402。
其中，该输出模块401用于将待识别的电感的图片输入所述目标网络模型G2，以输出电感缺陷的概率属性值；由于该目标网络模型G2包括n个输出通道，因此，在每次输入一张待识别的电感的图片到该目标网络模型G2中，就会输出n个概率属性值，每一个概率属性值用于描述一个对应类型的缺陷出现的概率。可以理解地，在一些实施例中，可以采用将该目标域数据中的图片按照预设比例划分成两组，一组图片用来训练得到该目标网络模型G2，另一组用来对该目标网络模型G2的准确度进行测试。
其中，该识别模块205用于根据所述概率属性值对所述待识别的电感的缺陷属性进行识别。该识别模块205需要预先设定一个概率属性阈值，该概率属性阈值为经验值。通过将该每个通道输出的概率属性值与该概率属性阈值进行比较，就可以判断出对应电感是否存在该类缺陷。例如，在本实施例中，该概率属性阈值Ω＝0.75。
目标网络模型G2包括n个输出通道，其中，每一所述输出通道用于输出一种类别的电感缺陷的概率属性值，n为正整数；而识别模块205包括：比较单元，用于将所述目标网络模型G2输出的n个概率属性值分别与电感缺陷概率属性阈值进行比较；识别单元，用于若所述n个概率属性值中存在大于所述电感缺陷概率属性阈值的概率属性值，则所述待识别的电感具有对应类型的缺陷属性。
由上可知，本申请实施例通过获取源域数据以及目标域数据，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2；从而实现对电感的缺陷属性的识别，可以实现电感缺陷的自动化识别，并且，由于采用了源域数据中的图片来对该预设网络结构G进行初始化训练，可以有效解决目标领域样本数据不足的缺点，可以提高检测的效率以及节约检测成本。
请参照图5，图5为本申请实施例提供的一种电子设备的结构示意图，本申请提供一种电子设备5，包括：处理器501和存储器502，处理器501和存储器502通过通信总线503和/或其他形式的连接机构(未标出)互连并相互通讯，存储器502存储有处理器501可执行的计算机程序，当计算设备运行时，处理器501执行该计算机程序，以执行时执行上述实施例的任一可选的实现方式中的方法。
本申请实施例提供一种存储介质，所述计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法。其中，存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead－Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead Only Memory，简称EPROM)，可编程只读存储器(Programmable Red－Only Memory，简称PROM)，只读存储器(Read－Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。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，又例如，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通信接口，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。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种网络模型训练方法，其特征在于，所述方法包括：
获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；
获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；
基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。
2.根据权利要求1所述的网络模型训练方法，其特征在于，所述获取源域数据以及目标域数据包括：
获取初始源域数据以及初始目标域数据，其中，所述初始目标域数据包括多张具有缺陷的电感图片，所述初始源域数据包括多张非电感图片；
对所述初始源域数据以及所述初始目标域数据内的图片尺寸进行统一化处理，以得到源域数据以及目标域数据，所述源域数据以及所述目标域数据内的图片尺寸相同。
3.根据权利要求1所述的网络模型训练方法，其特征在于，所述基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2之前，还包括：
对所述目标域数据内的电感图片依次进行预处理，以得到经过预处理的目标域数据，其中，所述预处理包括白化处理、翻转处理以及裁剪处理中的至少一种处理方式。
4.根据权利要求1所述的网络模型训练方法，其特征在于，所述预设网络结构G为预设层的残差网络结构。
5.根据权利要求1所述的网络模型训练方法，其特征在于，所述基于所述目标域数据对所述目标网络结构G1进行训练，包括：
从所述目标域数据中筛选出多张具有单一缺陷类型的电感图片分别对所述目标网络结构G1的对应输出通道进行训练。
6.一种电感缺陷识别方法，其特征在于，所述方法采用权利要求1－5任一项所述的方法生成的目标网络模型G2，所述方法包括：
将待识别的电感的图片输入所述目标网络模型G2，以输出电感缺陷的概率属性值；
根据所述概率属性值对所述待识别的电感的缺陷属性进行识别。
7.根据权利要求6所述的电感缺陷识别方法，其特征在于，所述目标网络模型G2包括n个输出通道，其中，每一所述输出通道用于输出一种类别的电感缺陷的概率属性值，n为正整数；
而所述根据所述概率属性值对所述待识别的电感的缺陷属性进行识别，包括：
将所述目标网络模型G2输出的n个概率属性值分别与电感缺陷概率属性阈值进行比较；
若所述n个概率属性值中存在大于所述电感缺陷概率属性阈值的概率属性值，则所述待识别的电感具有对应类型的缺陷属性。
8.一种网络模型训练方法训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取源域数据以及目标域数据，其中，所述目标域数据包括多张具有缺陷的电感图片，所述源域数据包括多张非电感图片；
初始化模块，用于获取预设网络结构G，并根据所述源域数据对所述预设网络结构G进行初始化训练，以得到具有模型参数的目标网络结构G1；
训练模块，用于基于所述目标域数据对所述目标网络结构G1进行训练，以得到目标网络模型G2。
9.一种电感缺陷识别装置，其特征在于，所述装置采用权利要求1－5任一项所述的方法生成的目标网络模型G2，所述装置包括：
输出模块，用于将待识别的电感的图片输入所述目标网络模型G2，以输出电感缺陷的概率属性值；
识别模块，用于根据所述概率属性值对所述待识别的电感的缺陷属性进行识别。
10.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1－7任一项所述的方法。
CN202010194249.6A 2020-03-19 2020-03-19 网络模型训练及电感缺陷识别方法、装置、电子设备 Pending CN111428770A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010194249.6A CN111428770A (zh) 2020-03-19 2020-03-19 网络模型训练及电感缺陷识别方法、装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010194249.6A CN111428770A (zh) 2020-03-19 2020-03-19 网络模型训练及电感缺陷识别方法、装置、电子设备

Publications (1)

Publication Number Publication Date
CN111428770A true CN111428770A (zh) 2020-07-17

Family

ID=71548130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010194249.6A Pending CN111428770A (zh) 2020-03-19 2020-03-19 网络模型训练及电感缺陷识别方法、装置、电子设备

Country Status (1)

Country Link
CN (1) CN111428770A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550315A (zh) * 2022-01-24 2022-05-27 云南联合视觉科技有限公司 身份比对识别方法、装置及终端设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898218A (zh) * 2018-05-24 2018-11-27 阿里巴巴集团控股有限公司 一种神经网络模型的训练方法、装置、及计算机设备
CN110414631A (zh) * 2019-01-29 2019-11-05 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898218A (zh) * 2018-05-24 2018-11-27 阿里巴巴集团控股有限公司 一种神经网络模型的训练方法、装置、及计算机设备
CN110414631A (zh) * 2019-01-29 2019-11-05 腾讯科技（深圳）有限公司 基于医学图像的病灶检测方法、模型训练的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜超等: "改进的VGG网络的二极管玻壳图像缺陷检测", 图学学报 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550315A (zh) * 2022-01-24 2022-05-27 云南联合视觉科技有限公司 身份比对识别方法、装置及终端设备

Similar Documents

Publication Publication Date Title
CN110019843B (zh) 知识图谱的处理方法及装置
TWI689871B (zh) 梯度提升決策樹（ｇｂｄｔ）模型的特徵解釋方法和裝置
US20190361972A1 (en) Method, apparatus, device for table extraction based on a richly formatted document and medium
CN111595850B (zh) 切片缺陷检测方法、电子装置及可读存储介质
CN108446621A (zh) 票据识别方法、服务器及计算机可读存储介质
CN111460250B (zh) 用于画像的数据的清洗方法、装置、介质及电子设备
CN104899579A (zh) 人脸识别方法和装置
CN111489401B (zh) 一种图像颜色恒常性处理方法、系统、设备和存储介质
CN106295502A (zh) 一种人脸检测方法及装置
CN111738036B (zh) 图像处理方法、装置、设备及存储介质
CN106844518A (zh) 一种基于子空间学习的不完整跨模态检索方法
US20200364216A1 (en) Method, apparatus and storage medium for updating model parameter
CN106776609A (zh) 网站转载数量的统计方法及装置
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN114663662B (zh) 超参数搜索方法、装置、计算机设备和存储介质
CN115240011A (zh) 图像分类方法、装置、计算机可读存储介质及计算机设备
CN111767390A (zh) 技能词评估方法及装置、电子设备、计算机可读介质
CN113762303B (zh) 图像分类方法、装置、电子设备及存储介质
CN114329022A (zh) 一种色情分类模型的训练、图像检测方法及相关装置
CN112200218B (zh) 一种模型训练方法、装置及电子设备
CN111428770A (zh) 网络模型训练及电感缺陷识别方法、装置、电子设备
CN105740903A (zh) 多属性识别方法及装置
CN110069647B (zh) 图像标签去噪方法、装置、设备及计算机可读存储介质
CN109033078B (zh) 语句类别识别方法及装置、存储介质、处理器
CN112784189A (zh) 一种识别页面图像的方法和装置

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