CN111784673B - 缺陷检测模型训练和缺陷检测方法、设备及存储介质 - Google Patents

缺陷检测模型训练和缺陷检测方法、设备及存储介质 Download PDF

Info

Publication number
CN111784673B
CN111784673B CN202010624258.4A CN202010624258A CN111784673B CN 111784673 B CN111784673 B CN 111784673B CN 202010624258 A CN202010624258 A CN 202010624258A CN 111784673 B CN111784673 B CN 111784673B
Authority
CN
China
Prior art keywords
training
defect detection
model
submodel
segmentation
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
Application number
CN202010624258.4A
Other languages
English (en)
Other versions
CN111784673A (zh
Inventor
张发恩
孙天齐
袁智超
陆强
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.)
Innovation Wisdom Shanghai Technology Co ltd
Original Assignee
Innovation Wisdom Shanghai 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 Innovation Wisdom Shanghai Technology Co ltd filed Critical Innovation Wisdom Shanghai Technology Co ltd
Priority to CN202010624258.4A priority Critical patent/CN111784673B/zh
Publication of CN111784673A publication Critical patent/CN111784673A/zh
Application granted granted Critical
Publication of CN111784673B publication Critical patent/CN111784673B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种缺陷检测模型训练和缺陷检测方法、设备及存储介质，其中，缺陷检测模型训练方法包括获取训练图片集并对训练图片集进行数据标注，得到标注信息；对标注信息进行解码，得到像素级标注图像及目标框标注图像；根据像素级标注图像和目标框标注图像、训练图片集构建训练集和测试集；构建缺陷检测模型及目标损失函数，缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型；根据训练集、测试集对主干分割子模型、辅助分割子模型、卷积变体子模型进行训练并根据目标损失函数得到并保存缺陷检测模型的最优参数。本申请能够减少缺陷识别中的数据标注工作量及减少训练所需要的数据量。

Description

缺陷检测模型训练和缺陷检测方法、设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其是涉及一种缺陷检测模型训练和缺陷检测方法、设备及存储介质。
背景技术
随着人工智能、深度学习技术的出现及发展，基于视觉技术的物体表面缺陷检测技术有了较大提升，但现有缺陷检测技术为了保持检测精确度，需要高质量、数据量庞大的语义分割级别标注，这对于人工和金钱是很大的消耗。
发明内容
本申请的目的在于提供一种缺陷检测模型训练和缺陷检测方法、设备及存储介质，以减少缺陷识别中的数据标注工作量及减少训练所需要的数据量。
本申请第一方面公开一种缺陷检测模型训练方法，所述方法包括步骤：
获取训练图片集并对所述训练图片集进行数据标注，得到标注信息；
对所述标注信息进行解码，得到像素级标注图像及目标框标注图像；
根据所述像素级标注图像和所述目标框标注图像、所述训练图片集构建训练集和测试集；
构建缺陷检测模型及目标损失函数，所述缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型；
根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数；
保存所述缺陷检测模型的最优参数。
在本申请中，通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量。
作为一种可选的实施方式，在所述根据所述像素级标注图像和所述目标框标注图像、所述训练图片集构建训练集和测试集之后，所述根据所述目标损失函数、所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练之前，所述方法还包括：
对训练集进行数据增强，以扩展所述训练集。
在本可选的实施方式中，对训练集进行数据增强，可扩展训练集，增加训练数据的密度和避免训练数据过度拟合，从而进一步提高主干分割子模型、辅助分割子模型、卷积变体子模型的预缺陷识别精确度。
作为一种可选的实施方式，所述根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数，包括：
根据所述主干分割子模型对所述训练集、所述测试集进行像素掩码预测，得到第一预测结果；
根据所述辅助分割子模型对所述训练集、所述测试集进行目标框预测，得到第二预测结果；
根据卷积变体子模型对所述第一预测结果、所述第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果；
根据所述目标损失函数对所述校正后第一预测结果、所述校正后第二预测结果进行损失计算，得到所述缺陷检测模型的最优参数。
在本可选的实施方式中，能够根据主干分割子模型对训练集、测试集进行像素掩码预测，得到第一预测结果，且能够根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果，进而根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果，从而根据目标损失函数对校正后第一预测结果、校正后第二预测结果进行损失计算，得到缺陷检测模型的最优参数。
作为一种可选的实施方式，所述辅助分割子模型包括目标框编码器和分割译码器、分割编码器、第一卷积层、第一激励函数；
以及，所述根据所述辅助分割子模型对所述训练集、所述测试集进行目标框预测，得到第二预测结果，包括：
将所述训练集、所述测试集作为所述目标框编码器的输入，使得所述目标框编码器输出三维二值化特征张量及第一三维特征；
将所述训练集、所述测试集作为所述分割编码器的输入，使得所述分割编码器输出第二三维特征；
根据第一卷积层、第一激励函数对所述三维二值化特征张量及所述第一三维特征进行编码，得到注意力图；
将所述注意力图与所述第二三维特征进行元素相乘，得到特征图；
将所述特征图作为所述分割译码器的输入，使得所述分割译码器输出所述第二预测结果。
在本可选的实施方式中，辅助分割子模型包括目标框编码器和分割译码器、分割编码器、第一卷积层、第一激励函数，这样一来就能够通过目标框编码器输出三维二值化特征张量及第一三维特征得到注意力图，进而分割编码器输出第二三维特征进行元素相乘，得到特征图，进而根据特征图得到第二预测结果。
作为一种可选的实施方式，所述标注信息包括像素级标注信息及目标框标注信息；
以及，所述获取训练图片集并对所述训练图片集进行数据标注，包括：
获取所述训练图片集；
按照预设比值将所述训练图片集分为第一图片子集和第二图片子集；
对所述第一图片子集中的图片进行像素级标注，得到所述像素级标注信息；
对所述第二图片子集中的图片进行目标框标注，得到所述目标框标注信息。
在本可选实施方式中，通过将训练图片集分为第一图片子集和第二图片子集，可分别对第一图片子集和第二图片子集进行像素级标注和目标框标注。
作为一种可选的实施方式，所述卷积变体子模型包括两个第二卷积层，其中，一个所述第二卷积层为3x3卷积网络，另一个所述第二卷积层为激励函数。
在本可选的实施方式中，通过第二卷积层，卷积变体子模型能够对辅助分割子模型和主干分割子模型输出的分割进行细化，能够提高分割精确度。
本申请第二方面公开一种缺陷检测方法，所述方法包括步骤：
获取所述缺陷检测模型的最优参数；
根据所述缺陷检测模型及所述缺陷检测模型的最优参数对待检测物体的成像图片进行预测，得到缺陷预测结果；
根据所述缺陷预测结果生成连通域；
对所述连通域进行最小外接矩的计算，得到所述成像图片的图片字符框；
对所述成像图片的图片字符框进行像素切割和缺陷分类，得到缺陷类别。
在本申请中，通过将导入将最优参数导入第一方面的缺陷检测模型，进而能够通过缺陷检测模型，对待检测物体进行缺陷检测，进而基缺陷检测结果对连通域进行最小外接矩的计算而得到成像图片的图片字符框，进而根据图片字符框进行像素切割和缺陷分类得到待检测物体的缺陷类别。
本申请第三方面公开一种缺陷检测模型训练装置，所述缺陷检测模型训练应用于缺陷检测设备中，所述装置包括：
第一获取模块，用于获取训练图片集并对所述训练图片集进行数据标注，得到标注信息；
解码模块，用于对所述标注信息进行解码，得到像素级标注图像及目标框标注图像；
第一构建模块，用于根据所述像素级标注图像和所述目标框标注图像、所述训练图片集构建训练集和测试集；
第二构建模块，用于构建缺陷检测模型及目标损失函数，所述缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型；
训练模块，用于根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数；
保存模块，用于保存所述缺陷检测模型的最优参数。
本申请的装置通过执行缺陷检测模型训练方法，能够通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量。
本申请第四方面公开一种缺陷检测设备，所述设备包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本申请第一方面公开的缺陷检测模型训练方法及本申请第二方面公开的缺陷检测方法。
本申请的设备通过执行缺陷检测模型训练方法，能够通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量，与此同时，本申请的设备通过执行缺陷检测方法，能够对物体进行缺陷检测。
本申请第五方面公开一种存储介质，所述存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本申请第一方面公开的缺陷检测模型训练方法及本申请第二方面公开的缺陷检测方法。
本申请的存储介质通过执行缺陷检测模型训练方法，能够通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量，与此同时，本申请的设备通过执行缺陷检测方法，能够对物体进行缺陷检测。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，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为本申请实施例公开的一种缺陷检测模型训练方法的流程示意图；
图2为本申请实施例公开的一种缺陷检测模型的结构示意图；
图3为本申请实施例公开的一种辅助分割子模型的结构示意图；
图4为本申请实施例公开的一种卷积变体子模型的结构示意图；
图5为本申请实施例公开的一种缺陷检测方法的流程示意图；
图6为本申请实施例公开的一种缺陷检测模型训练装置的结构示意图；
图7为本申请实施例公开的一种缺陷检测装置的结构示意图；
图8为本申请实施例公开的一种缺陷检测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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。基于本申请中的实施例，本领域普通技术人员在没有作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。
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。
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
实施例一
请参阅图1，图1是本申请实施例公开的一种缺陷检测模型训练方法的流程示意图。如图1所示，该缺陷检测模型训练方法包括步骤：
101、获取训练图片集并对训练图片集进行数据标注，得到标注信息；
102、对标注信息进行解码，得到像素级标注图像及目标框标注图像；
103、根据像素级标注图像和目标框标注图像、训练图片集构建训练集和测试集；
104、构建缺陷检测模型及目标损失函数，缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型；
105、根据训练集、测试集对主干分割子模型、辅助分割子模型、卷积变体子模型进行训练，并根据目标损失函数得到缺陷检测模型的最优参数；
106、保存缺陷检测模型的最优参数。
在本申请实施例中，通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量。
在本申请实施例中，可选地，缺陷检测模型可以是图2所示的缺陷检测模型。请参阅图2，图2是本申请实施例公开的一种缺陷检测模型的结构示意图。如图2所示，该缺陷检测模型包括主干分割子模型、辅助分割子模型、卷积变体子模型，其中，辅助分割子模型用于输出初始分割图像和目标框，而主干分割子模型用于基于辅助分割子模型输出的输出初始分割图像和目标框对图片进行精确分割并生成目标语义分割图像，而卷积变体子模型对主干分割子模型生成的目标语义分割图像进行细化。
在本申请实施例中，可选地，目标损失函数可以是交叉损失函数。
请参阅图3，图3是本申请实施例公开的一种辅助分割子模型的结构示意图。作为一种可选的实施方式，如图3所示，该辅助分割子模型包括目标框编码器和分割译码器、分割编码器，其中，目标框编码器以训练集、测试集为输入，输出训练集、测试集的三维二值化特征张量及第一三维特征，而分割编码器以训练集、测试集为输入，输出训练集、测试集的第二三维特征，进而根据三维二值化特征张量及第一三维特征、第二三维特征可得到第二预测结果。
需要说明的是，第二预测结果表征的是对图片的初始分割图像和目标框。
在本可选的实施方式中，进一步可选地，辅助分割子模型还包括第一卷积层、第一激励函数，其中，可根据第一卷积层、第一激励函数对三维二值化特征张量及第一三维特征进行编码并得到注意力图，进而将注意力图与第二三维特征进行元素相乘，得到特征图，进而可将特征图作为分割译码器的输入，使得分割译码器输出第二预测结果。
可见，在本可选的实施方式中，辅助分割子模型包括目标框编码器和分割译码器、分割编码器、第一卷积层、第一激励函数，这样一来就能够通过目标框编码器输出三维二值化特征张量及第一三维特征得到注意力图，进而分割编码器输出第二三维特征进行元素相乘，得到特征图，进而根据特征图得到第二预测结果。
请参阅图4，图4是本申请实施例公开的一种卷积变体子模型的结构示意图。作为一种可选的实施方式，如4所示，卷积变体子模型包括两个第二卷积层，其中，一个第二卷积层为3x3卷积网络，另一个第二卷积层是作为为激励函数的3x3卷积网络，其中，该第二卷积层用于对主干分割子模型输出的概率图(目标语义分割图像)和辅助分割子模型输出的概率图(初始分割图像)进行卷积运算，从而对主干分割子模型生成的目标语义分割图像进行细化。
可见，通过第二卷积层，卷积变体子模型能够对辅助分割子模型和主干分割子模型输出的分割进行细化，能够提高分割精确度。
作为一种可选的实施方式，在步骤103：根据像素级标注图像和目标框标注图像、训练图片集构建训练集和测试集之后，步骤104：根据目标损失函数、训练集、测试集对主干分割子模型、辅助分割子模型、卷积变体子模型进行训练并根据目标损失函数得到缺陷检测模型的最优参数之前，缺陷检测模型训练方法还包括步骤：
对训练集进行数据增强，以扩展训练集。
在本可选的实施方式中，对训练集进行数据增强，可扩展训练集，增加训练数据的密度和避免训练数据过度拟合，从而进一步提高主干分割子模型、辅助分割子模型、卷积变体子模型的预缺陷识别精确度。
作为一种可选的实施方式，步骤105：根据训练集、测试集对主干分割子模型、辅助分割子模型、卷积变体子模型进行训练并根据目标损失函数得到缺陷检测模型的最优参数，包括子步骤：
根据主干分割子模型对训练集、测试集进行像素掩码预测，得到第一预测结果；
根据辅助分割子模型对训练集、测试集进行目标框预测，得到第二预测结果；
根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果；
根据目标损失函数对校正后第一预测结果、校正后第二预测结果进行损失计算，得到缺陷检测模型的最优参数。
在本可选的实施方式中，能够根据主干分割子模型对训练集、测试集进行像素掩码预测，得到第一预测结果，且能够根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果，进而根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果，从而根据目标损失函数对校正后第一预测结果、校正后第二预测结果进行损失计算，得到缺陷检测模型的最优参数。
作为一种可选的实施方式，标注信息包括像素级标注信息及目标框标注信息；
以及，步骤101：获取训练图片集并对训练图片集进行数据标注，包括子步骤：
按照预设比值将训练图片集分为第一图片子集和第二图片子集；
对第一图片子集中的图片进行像素级标注，得到像素级标注信息；
对第二图片子集中的图片进行目标框标注，得到目标框标注信息。
在本可选实施方式中，通过将训练图片集分为第一图片子集和第二图片子集，可分别对第一图片子集和第二图片子集进行像素级标注和目标框标注。
实施例二
请参阅图5，图5是本申请实施例公开的一种缺陷检测方法的流程示意图。如图5所示，该缺陷检测方法包括步骤：
201、获取缺陷检测模型的最优参数；
202、根据缺陷检测模型及缺陷检测模型的最优参数对待检测物体的成像图片进行预测，得到缺陷预测结果；
203、根据缺陷预测结果生成连通域；
204、对连通域进行最小外接矩的计算，得到成像图片的图片字符框；
205、对成像图片的图片字符框进行像素切割和缺陷分类，得到缺陷类别。
在本申请实施例中，通过将导入将最优参数导入第一方面的缺陷检测模型，进而能够通过缺陷检测模型，对待检测物体进行缺陷检测，进而基缺陷检测结果对连通域进行最小外接矩的计算而得到成像图片的图片字符框，进而根据图片字符框进行像素切割和缺陷分类得到待检测物体的缺陷类别。
实施例三
请参阅图6，图6是本申请实施例公开的一种缺陷检测模型训练装置的结构示意图。如图6所示，该缺陷检测模型训练装置包括：
第一获取模块301，用于获取训练图片集并对训练图片集进行数据标注，得到标注信息；
解码模块302，用于对标注信息进行解码，得到像素级标注图像及目标框标注图像；
第一构建模块303，用于根据像素级标注图像和目标框标注图像、训练图片集构建训练集和测试集；
第二构建模块304，用于构建缺陷检测模型及目标损失函数，缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型；
训练模块305，用于根据训练集、测试集对主干分割子模型、辅助分割子模型、卷积变体子模型进行训练并根据目标损失函数得到缺陷检测模型的最优参数；
保存模块306，用于保存缺陷检测模型的最优参数。
本申请实施例的装置通过执行缺陷检测模型训练方法，能够通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量。
在本申请实施例中，可选地，缺陷检测模型可以是图2所示的缺陷检测模型。请参阅图2，图2是本申请实施例公开的一种缺陷检测模型的结构示意图。如图2所示，该缺陷检测模型包括主干分割子模型、辅助分割子模型、卷积变体子模型，其中，辅助分割子模型用于输出初始分割图像和目标框，而主干分割子模型用于基于辅助分割子模型输出的输出初始分割图像和目标框对图片进行精确分割并生成目标语义分割图像，而卷积变体子模型对主干分割子模型生成的目标语义分割图像进行细化。
在本申请实施例中，可选地，目标损失函数可以是交叉损失函数。
请参阅图3，图3是本申请实施例公开的一种辅助分割子模型的结构示意图。作为一种可选的实施方式，如图3所示，该辅助分割子模型包括目标框编码器和分割译码器、分割编码器，其中，目标框编码器以训练集、测试集为输入，输出训练集、测试集的三维二值化特征张量及第一三维特征，而分割编码器以训练集、测试集为输入，输出训练集、测试集的第二三维特征，进而根据三维二值化特征张量及第一三维特征、第二三维特征可得到第二预测结果。
需要说明的是，第二预测结果表征的是对图片的初始分割图像和目标框。
在本可选的实施方式中，进一步可选地，辅助分割子模型还包括第一卷积层、第一激励函数，其中，可根据第一卷积层、第一激励函数对三维二值化特征张量及第一三维特征进行编码并得到注意力图，进而将注意力图与第二三维特征进行元素相乘，得到特征图，进而可将特征图作为分割译码器的输入，使得分割译码器输出第二预测结果。
可见，在本可选的实施方式中，辅助分割子模型包括目标框编码器和分割译码器、分割编码器、第一卷积层、第一激励函数，这样一来就能够通过目标框编码器输出三维二值化特征张量及第一三维特征得到注意力图，进而分割编码器输出第二三维特征进行元素相乘，得到特征图，进而根据特征图得到第二预测结果。
请参阅图4，图4是本申请实施例公开的一种卷积变体子模型的结构示意图。作为一种可选的实施方式，如4所示，卷积变体子模型包括两个第二卷积层，其中，一个第二卷积层为3x3卷积网络，另一个第二卷积层是作为为激励函数的3x3卷积网络，其中，该第二卷积层用于对主干分割子模型输出的概率图(目标语义分割图像)和辅助分割子模型输出的概率图(初始分割图像)进行卷积运算，从而对主干分割子模型生成的目标语义分割图像进行细化。
可见，通过第二卷积层，卷积变体子模型能够对辅助分割子模型和主干分割子模型输出的分割进行细化，能够提高分割精确度。
作为一种可选的实施方式，缺陷检测模型训练装置还包括：
数据增强模块，用于对训练集进行数据增强，以扩展训练集。
在本可选的实施方式中，对训练集进行数据增强，可扩展训练集，增加训练数据的密度和避免训练数据过度拟合，从而进一步提高主干分割子模型、辅助分割子模型、卷积变体子模型的预缺陷识别精确度。
作为一种可选的实施方式，训练模块305执行根据训练集、测试集对主干分割子模型、辅助分割子模型、卷积变体子模型进行训练并根据目标损失函数得到缺陷检测模型的最优参数的具体方式为：
根据主干分割子模型对训练集、测试集进行像素掩码预测，得到第一预测结果；
根据辅助分割子模型对训练集、测试集进行目标框预测，得到第二预测结果；
根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果；
根据目标损失函数对校正后第一预测结果、校正后第二预测结果进行损失计算，得到缺陷检测模型的最优参数。
在本可选的实施方式中，能够根据主干分割子模型对训练集、测试集进行像素掩码预测，得到第一预测结果，且能够根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果，进而根据卷积变体子模型对第一预测结果、第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果，从而根据目标损失函数对校正后第一预测结果、校正后第二预测结果进行损失计算，得到缺陷检测模型的最优参数。
作为一种可选的实施方式，标注信息包括像素级标注信息及目标框标注信息；
以及，第一获取模块301执行获取训练图片集并对训练图片集进行数据标注的具体方式为：
按照预设比值将训练图片集分为第一图片子集和第二图片子集；
对第一图片子集中的图片进行像素级标注，得到像素级标注信息；
对第二图片子集中的图片进行目标框标注，得到目标框标注信息。
在本可选实施方式中，通过将训练图片集分为第一图片子集和第二图片子集，可分别对第一图片子集和第二图片子集进行像素级标注和目标框标注。
实施例四
请参阅图7，图7是本申请实施例公开的一种缺陷检测装置的结构示意图。如图7所示，该缺陷检测装置包括：
第二获取模块401，用于获取缺陷检测模型的最优参数；
预测模块402，用于根据缺陷检测模型及缺陷检测模型的最优参数对待检测物体的成像图片进行预测，得到缺陷预测结果；
生成模块403，用于根据缺陷预测结果生成连通域；
计算模块404，用于对连通域进行最小外接矩的计算，得到成像图片的图片字符框；
分类模块405，用于对成像图片的图片字符框进行像素切割和缺陷分类，得到缺陷类别。
在本申请实施例中，通过将导入将最优参数导入第一方面的缺陷检测模型，进而能够通过缺陷检测模型，对待检测物体进行缺陷检测，进而基缺陷检测结果对连通域进行最小外接矩的计算而得到成像图片的图片字符框，进而根据图片字符框进行像素切割和缺陷分类得到待检测物体的缺陷类别。
实施例五
请参阅图8，图8是本申请实施例公开的一种缺陷检测设备的结构示意图，如图8所示，该设备包括：
存储有可执行程序代码的存储器501；
与存储器耦合的处理器502；
处理器502调用存储器501中存储的可执行程序代码，执行本申请实施例一公开的缺陷检测模型训练方法及本申请实施例二公开的缺陷检测方法。
本申请实施例的设备通过执行缺陷检测模型训练方法，能够通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量，与此同时，本申请的设备通过执行缺陷检测方法，能够对物体进行缺陷检测。
实施例六
本申请实施例公开一种存储介质，存储介质存储有计算机指令，计算机指令被调用时，用于执行本申请实施例一公开的缺陷检测模型训练方法及本申请实施例二公开的缺陷检测方法。
本申请实施例的存储介质通过执行缺陷检测模型训练方法，能够通过对训练图片集进行目标框标注和像素级标注可得到训练集和测试集，进而能够通过训练集和测试集训练主干分割子模型、辅助分割子模型、卷积变体子模型，进而通过主干分割子模型、辅助分割子模型、卷积变体子模型能够减少训练过程中的训练数据量和数据标注量，与此同时，本申请的设备通过执行缺陷检测方法，能够对物体进行缺陷检测。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种缺陷检测模型训练方法，其特征在于，所述方法包括：
获取训练图片集并基于目标框标注信息和像素级标注信息对所述训练图片集进行数据标注，得到标注信息；
对所述标注信息进行解码，得到像素级标注图像及目标框标注图像；
根据所述像素级标注图像和所述目标框标注图像、所述训练图片集构建训练集和测试集；
构建缺陷检测模型及目标损失函数，所述缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型，所述目标损失函数为交叉损失函数；
根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数；
保存所述缺陷检测模型的最优参数。
2.如权利要求1所述的方法，其特征在于，在所述根据所述像素级标注图像和所述目标框标注图像、所述训练图片集构建训练集和测试集之后，所述根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数之前，所述方法还包括：
对训练集进行数据增强，以扩展所述训练集。
3.如权利要求1所述的方法，其特征在于，所述根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数，包括：
根据所述主干分割子模型对所述训练集、所述测试集进行像素掩码预测，得到第一预测结果；
根据所述辅助分割子模型对所述训练集、所述测试集进行目标框预测，得到第二预测结果；
根据卷积变体子模型对所述第一预测结果、所述第二预测结果进行自校正，得到校正后第一预测结果、校正后第二预测结果；
根据所述目标损失函数对所述校正后第一预测结果、所述校正后第二预测结果进行损失计算，得到所述缺陷检测模型的最优参数。
4.如权利要求3所述的方法，其特征在于，所述辅助分割子模型包括目标框编码器和分割译码器、分割编码器、第一卷积层、第一激励函数；
以及，所述根据所述辅助分割子模型对所述训练集、所述测试集进行目标框预测，得到第二预测结果，包括：
将所述训练集、所述测试集作为所述目标框编码器的输入，使得所述目标框编码器输出三维二值化特征张量及第一三维特征；
将所述训练集、所述测试集作为所述分割编码器的输入，使得所述分割编码器输出第二三维特征；
根据第一卷积层、第一激励函数对所述三维二值化特征张量及所述第一三维特征进行编码，得到注意力图；
将所述注意力图与所述第二三维特征进行元素相乘，得到特征图；
将所述特征图作为所述分割译码器的输入，使得所述分割译码器输出所述第二预测结果。
5.如权利要求1所述的方法，其特征在于，所述标注信息包括像素级标注信息及目标框标注信息；
以及，所述获取训练图片集并对所述训练图片集进行数据标注，包括：
获取所述训练图片集；
按照预设比值将所述训练图片集分为第一图片子集和第二图片子集；
对所述第一图片子集中的图片进行像素级标注，得到所述像素级标注信息；
对所述第二图片子集中的图片进行目标框标注，得到所述目标框标注信息。
6.如权利要求1-5任一项所述的方法，其特征在于，所述卷积变体子模型包括两个第二卷积层，其中，一个所述第二卷积层为3x3卷积网络，另一个所述第二卷积层为激励函数。
7.一种基于如权利要求1-6任一项所述的缺陷检测模型的缺陷检测方法，其特征在于，所述方法包括：
获取所述缺陷检测模型的最优参数；
根据所述缺陷检测模型及所述缺陷检测模型的最优参数对待检测物体的成像图片进行预测，得到缺陷预测结果；
根据所述缺陷预测结果生成连通域；
对所述连通域进行最小外接矩的计算，得到所述成像图片的图片字符框；
对所述成像图片的图片字符框进行像素切割和缺陷分类，得到缺陷类别。
8.一种缺陷检测模型训练装置，其特征在于，所述缺陷检测模型训练应用于缺陷检测设备中，所述装置包括：
第一获取模块，用于获取训练图片集并基于目标框标注信息和像素级标注信息对所述训练图片集进行数据标注，得到标注信息；
解码模块，用于对所述标注信息进行解码，得到像素级标注图像及目标框标注图像；
第一构建模块，用于根据所述像素级标注图像和所述目标框标注图像、所述训练图片集构建训练集和测试集；
第二构建模块，用于构建缺陷检测模型及目标损失函数，所述缺陷检测模型至少包括主干分割子模型、辅助分割子模型、卷积变体子模型，所述目标损失函数为交叉损失函数；
训练模块，用于根据所述训练集、所述测试集对所述主干分割子模型、所述辅助分割子模型、所述卷积变体子模型进行训练并根据所述目标损失函数得到所述缺陷检测模型的最优参数；
保存模块，用于保存所述缺陷检测模型的最优参数。
9.一种缺陷检测设备，其特征在于，所述设备包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-6任一项所述的缺陷检测模型训练方法及权利要求7所述的缺陷检测方法。
10.一种存储介质，其特征在于，所述存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-6任一项所述的缺陷检测模型训练方法及权利要求7所述的缺陷检测方法。
CN202010624258.4A 2020-06-30 2020-06-30 缺陷检测模型训练和缺陷检测方法、设备及存储介质 Active CN111784673B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010624258.4A CN111784673B (zh) 2020-06-30 2020-06-30 缺陷检测模型训练和缺陷检测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010624258.4A CN111784673B (zh) 2020-06-30 2020-06-30 缺陷检测模型训练和缺陷检测方法、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111784673A CN111784673A (zh) 2020-10-16
CN111784673B true CN111784673B (zh) 2023-04-18

Family

ID=72757723

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010624258.4A Active CN111784673B (zh) 2020-06-30 2020-06-30 缺陷检测模型训练和缺陷检测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111784673B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112991287B (zh) * 2021-03-08 2022-09-16 湘潭大学 一种基于全卷积神经网络的自动压痕测量方法
CN113506243A (zh) * 2021-06-04 2021-10-15 联合汽车电子有限公司 Pcb焊接缺陷检测方法、装置及存储介质
CN113916906B (zh) * 2021-09-03 2024-01-09 江苏理工学院 视觉检测系统led光源照度优化方法及所用实验设备
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
CN114863211A (zh) * 2022-04-27 2022-08-05 四川大学 一种基于深度学习的磁瓦缺陷检测及分割方法
US11727673B1 (en) 2022-06-09 2023-08-15 Soochow University Visual analysis method for cable element identification
CN114943875A (zh) * 2022-06-09 2022-08-26 苏州大学 用于电缆元件识别的视觉分析方法
CN114882024B (zh) * 2022-07-07 2022-11-15 深圳市信润富联数字科技有限公司 目标对象的缺陷检测方法、装置、电子设备以及存储介质
CN115082434B (zh) * 2022-07-21 2022-12-09 浙江华是科技股份有限公司 一种基于多源特征的磁芯缺陷检测模型训练方法及系统
CN116256376B (zh) * 2023-05-12 2023-08-15 深圳杰泰科技有限公司 发动机的内部缺陷检测方法、装置、电子设备及存储介质
CN116542980B (zh) * 2023-07-06 2023-11-03 宁德时代新能源科技股份有限公司 缺陷检测方法、装置、计算机设备、存储介质和程序产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784424A (zh) * 2019-03-26 2019-05-21 腾讯科技（深圳）有限公司 一种图像分类模型训练的方法、图像处理的方法及装置
CN110490858A (zh) * 2019-08-21 2019-11-22 西安工程大学 一种基于深度学习的织物缺陷像素级分类方法
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110738247A (zh) * 2019-09-30 2020-01-31 中国科学院大学 一种基于选择性稀疏采样的细粒度图像分类方法
CN111179229A (zh) * 2019-12-17 2020-05-19 中信重工机械股份有限公司 一种基于深度学习的工业ct缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10706534B2 (en) * 2017-07-26 2020-07-07 Scott Anderson Middlebrooks Method and apparatus for classifying a data point in imaging data

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784424A (zh) * 2019-03-26 2019-05-21 腾讯科技（深圳）有限公司 一种图像分类模型训练的方法、图像处理的方法及装置
CN110570396A (zh) * 2019-08-07 2019-12-13 华中科技大学 一种基于深度学习的工业产品缺陷检测方法
CN110490858A (zh) * 2019-08-21 2019-11-22 西安工程大学 一种基于深度学习的织物缺陷像素级分类方法
CN110738247A (zh) * 2019-09-30 2020-01-31 中国科学院大学 一种基于选择性稀疏采样的细粒度图像分类方法
CN111179229A (zh) * 2019-12-17 2020-05-19 中信重工机械股份有限公司 一种基于深度学习的工业ct缺陷检测方法

Also Published As

Publication number Publication date
CN111784673A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111784673B (zh) 缺陷检测模型训练和缺陷检测方法、设备及存储介质
CN109117848B (zh) 一种文本行字符识别方法、装置、介质和电子设备
CN112966684B (zh) 一种注意力机制下的协同学习文字识别方法
CN109961446B (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN110689012A (zh) 一种端到端的自然场景文本识别方法及系统
CN110879972B (zh) 一种人脸检测方法及装置
CN112906794A (zh) 一种目标检测方法、装置、存储介质及终端
CN113569852A (zh) 语义分割模型的训练方法、装置、电子设备及存储介质
CN116994140A (zh) 基于遥感影像的耕地提取方法、装置、设备和介质
CN111915555A (zh) 一种3d网络模型预训练方法、系统、终端及存储介质
CN116266259A (zh) 图像文字结构化输出方法、装置、电子设备和存储介质
CN117437647B (zh) 基于深度学习和计算机视觉的甲骨文字检测方法
CN117829243A (zh) 模型训练方法、目标检测方法、装置、电子设备及介质
CN112633100A (zh) 行为识别方法、装置、电子设备和存储介质
CN116580232A (zh) 一种图像自动标注方法、系统及电子设备
CN116681961A (zh) 基于半监督方法和噪声处理的弱监督目标检测方法
CN114419078B (zh) 基于卷积神经网络的表面缺陷区域分割方法及装置
CN113673478B (zh) 基于深度学习全景拼接的港口大型设备检测与识别方法
CN115578362A (zh) 电极涂层的缺陷检测方法、装置、电子设备及介质
CN115100402A (zh) 小样本分割模型、小目标检测方法、系统、介质及设备
CN110705633A (zh) 目标物检测、目标物检测模型的建立方法及装置
CN115546239B (zh) 基于边界注意力与距离变换的目标分割方法和装置
CN114882298B (zh) 一种对抗互补学习模型的优化方法及装置
CN117372935B (zh) 一种视频目标检测方法、设备及介质
CN116912228A (zh) 一种缺陷检测方法、装置、电子设备及存储介质

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
GR01 Patent grant
GR01 Patent grant