CN112966755A - 电感缺陷检测方法、设备及可读存储介质 - Google Patents

电感缺陷检测方法、设备及可读存储介质 Download PDF

Info

Publication number
CN112966755A
CN112966755A CN202110261790.9A CN202110261790A CN112966755A CN 112966755 A CN112966755 A CN 112966755A CN 202110261790 A CN202110261790 A CN 202110261790A CN 112966755 A CN112966755 A CN 112966755A
Authority
CN
China
Prior art keywords
inductance
image
hash
feature extraction
preset
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
CN202110261790.9A
Other languages
English (en)
Inventor
徐麟
张兵
陈林山
刘世盛
曹长根
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.)
SHENZHEN GUDIAN ELECTRONICS CO Ltd
Original Assignee
SHENZHEN GUDIAN ELECTRONICS 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 SHENZHEN GUDIAN ELECTRONICS CO Ltd filed Critical SHENZHEN GUDIAN ELECTRONICS CO Ltd
Priority to CN202110261790.9A priority Critical patent/CN112966755A/zh
Publication of CN112966755A publication Critical patent/CN112966755A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Abstract

本申请公开了一种电感缺陷检测方法、设备及可读存储介质，所述电感缺陷检测方法包括：获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的；基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果。本申请解决了电感缺陷检测准确度低的技术问题。

Description

电感缺陷检测方法、设备及可读存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种电感缺陷检测方法、设备及可读存储介质。
背景技术
随着计算机技术的不断发展，人工智能的应用也越来越广泛，目前，在进行电感缺陷检测时，通常通过常规的卷积神经网络识别电感图像，进而实现电感缺陷检测的目的，但是，由于在基于神经网络提取电感图像的图像特征时，通常会对图像的像素矩阵进行降维，而在降维过程中又通常会存在图像信息丢失的情况，进而当电感图像携带的电感缺陷图像特征信息较少，将导致基于电感图像进行电感缺陷检测的准确度较低。
发明内容
本申请的主要目的在于提供一种电感缺陷检测方法、设备及可读存储介质，旨在解决现有技术中电感缺陷检测准确度低的技术问题。
为实现上述目的，本申请提供一种电感缺陷检测方法，所述电感缺陷检测方法应用于电感缺陷检测设备，所述电感缺陷检测方法包括：
获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的；
基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果。
本申请还提供一种电感缺陷检测装置，所述电感缺陷检测装置为虚拟装置，且所述电感缺陷检测装置应用于电感缺陷检测设备，所述电感缺陷检测装置包括：
特征提取模块，用于获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的；
电感缺陷检测模块，用于基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果。
本申请还提供一种电感缺陷检测设备，所述电感缺陷检测设备为实体设备，所述电感缺陷检测设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述电感缺陷检测方法的程序，所述电感缺陷检测方法的程序被处理器执行时可实现如上述的电感缺陷检测方法的步骤。
本申请还提供一种可读存储介质，所述可读存储介质上存储有实现电感缺陷检测方法的程序，所述电感缺陷检测方法的程序被处理器执行时实现如上述的电感缺陷检测方法的步骤。
本申请还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述的电感缺陷检测方法的步骤。
本申请提供了一种电感缺陷检测方法、设备及可读存储介质，相比于现有技术采用的通过常规的卷积神经网络识别电感图像进行电感缺陷检测的技术手段，本申请首先获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，由于所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的，且预设第一图像类别集合属于对比学习的正例，预设第二图像类别属于对比学习的负例，进而依据目标图像特征进行模型特征提取获得的电感图像特征数据将携带图像类别信息，所以，实现了在对图像进行特征提取时，赋予特征提取结果图像类别信息的目的，丰富了特征提取结果的图像特征信息，进而基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，即可实现基于携带图像类别信息的电感图像特征数据进行电感缺陷检测的目的，丰富了预设电感缺陷检测模型进行决策的决策依据信息，提升了预设电感缺陷检测模型进行决策的可靠性与准确度，进而获得电感缺陷检测结果，所以，克服了当电感图像携带的电感缺陷图像特征信息较少，将导致基于电感图像进行电感缺陷检测的准确度较低的技术缺陷，所以，提升了电感缺陷检测的准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请电感缺陷检测方法第一实施例的流程示意图；
图2为本申请电感缺陷检测方法第二实施例的流程示意图；
图3为本申请实施例中电感缺陷检测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本申请实施例提供一种电感缺陷检测方法，在本申请电感缺陷检测方法的第一实施例中，参照图1，所述电感缺陷检测方法包括：
步骤S10，获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的；
在本实施例中，需要说明的是，所述目标特征提取模型为基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的神经网络模型，其中，所述对比学习为基于训练样本、训练样本的正例和训练样本的负例进行对比的模型构建方式，以拉近样本的样本表征与样本的正例的样本表征之间的距离，拉远样本的样本表征与样本的负例之间的样本表征之间的距离，其中，所述预设第一图像类别集合至少包括一预设第一图像类别，其中，所述预设第一图像类别为正例样本所属的图像类别，所述预设第二图像类别为负例样本所属的图像类别，例如，假设所述待检测电感图像为具有缺角缺陷的电感图像，则所述预设第一图像类别为缺角缺陷电感图像类别，预设第二图像类别可以设置为不具备缺角缺陷的电感图像类别或者为无缺陷电感图像类别，所述目标特征提取模型用于对电感图像进行特征提取，以将电感图像对应的像素矩阵转化为样本表征，其中，所述样本表征为唯一表示电感图像的编码矩阵或者编码向量，所述待检测电感图像可通过对待检测电感进行图像拍摄获得。
获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的，具体地，获取待检测电感对应的待检测电感图像，并将所述待检测电感图像对应的电感图像像素矩阵输入所述目标特征提取模型，对所述电感图像像素矩阵进行预设次数的卷积和池化交替处理，以将所述电感图像像素矩阵映射至预设样本表征空间，获得电感图像特征数据，其中，所述预设样本表征空间可以为向量空间或者矩阵空间，所述目标特征提取模型是基于预设第一图像类别集合中选取的正例样本和预设第二图像类别中选取的负例样本进行对比学习构建的。
其中，在所述基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的步骤之前，所述电感缺陷检测方法还包括：
步骤A10，获取待训练特征提取模型，并提取训练电感图像；
在本实施例中，需要说明的是，所述训练电感图像为构建目标特征提取模型的训练样本，所述待训练特征提取模型为未训练好的目标特征提取模型。
步骤A20，基于所述预设第一图像类别集合和所述预设第二图像类别，提取所述训练电感图像对应的第一对比电感图像以及对应的第二对比电感图像；
在本实施例中，所述预设第一图像类别集合至少包括一预设第一图像类别。
基于所述预设第一图像类别集合和所述预设第二图像类别，提取所述训练电感图像对应的第一对比电感图像以及对应的第二对比电感图像，具体地，在各预设第一图像类别中确定所述训练电感图像所属的目标图像类别，进而在所述目标图像类别中随机选取电感图像作为所述训练电感图像对应的正例，获得第一对比电感图像，在预设第二图像类别中随机选取电感图像作为所述训练电感图像的负例，获得第二对比电感图像。
步骤A30，基于所述待训练特征提取模型，分别对所述训练电感图像、所述第一对比电感图像以及所述第二对比电感图像进行特征提取，获得训练图像特征提取结果、第一对比图像特征提取结果和第二对比图像特征提取结果；
在本实施例中，基于所述待训练特征提取模型，分别对所述训练电感图像、所述第一对比电感图像以及所述第二对比电感图像进行特征提取，获得训练图像特征提取结果、第一对比图像特征提取结果和第二对比图像特征提取结果，具体地，基于所述待训练特征提取模型，分别对所述训练电感图像、所述第一对比电感图像以及所述第二对比电感图像进行特征提取，以分别将所述训练电感图像对应的像素矩阵、所述第一对比电感图像对应的像素矩阵以及所述第二对比电感图像对应的像素矩阵映射至预设样本表征空间，获得所述训练电感图像对应的训练图像特征提取结果、所述第一对比电感图像对应的第一对比图像特征提取结果以及所述第二对比电感图像对应的第二对比图像特征提取结果。
步骤A40，基于所述训练图像特征提取结果、所述第一对比图像特征提取结果以及所述第二对比图像特征提取结果，计算所述待训练特征提取模型对应的对比学习损失；
在本实施例中，需要说明的是，所述训练图像特征提取结果包括训练图像样本表征，所述第一对比图像特征提取结果包括第一对比图像样本表征，所述第二对比图像特征提取结果至少包括一第二对比图像样本表征。
基于所述训练图像特征提取结果、所述第一对比图像特征提取结果以及所述第二对比图像特征提取结果，计算所述待训练特征提取模型对应的对比学习损失，具体地，将所述训练图像样本表征、所述第一对比图像样本表征以及各第二对比图像样本表征分别输入预设对比学习损失计算公式，计算所述待训练特征提取模型对应的对比学习损失，其中，所述对比学习计算公式如下:
Figure BDA0002970341250000061
其中，L为所述对比学习损失，uA为所述训练图像样本表征，uB为所述第一对比图像样本表征，
Figure BDA0002970341250000062
为所述第二对比图像样本表征，M为第二对比图像样本表征的数量，进而当第一对比图像样本表征与训练图像样本表征之间的距离足够小，而各第二对比图像样本表征与训练图像样本表征的距离足够大时，所述对比学习损失即可收敛，进而基于对比学习损失更新的特征提取模型即可具备拉近所述训练图像样本表征与作为正例的第一对比图像样本表征的距离，以及拉远训练图像样本表征与作为负例的第二对比图像样本表征的距离的能力，进而特征提取模型可基于不同样本类型(正例还是负例)的样本，生成不同的样本表征，使得生成的样本表征具备样本类别信息，提升了特征提取生成的样本表征所包含的信息量。
其中，所述预设电感缺陷检测模型包括电感分类模型，
在所述基于所述训练图像特征提取结果、所述第一对比图像特征提取结果以及所述第二对比图像特征提取结果，计算所述待训练特征提取模型对应的对比学习损失的步骤之后，所述电感缺陷检测方法还包括：
步骤B10，将所述训练图像特征提取结果输入待训练电感分类模型，以对所述训练电感图像进行电感类别预测，获得预测类别标签；
在本实施例中，需要说明的是，所述电感类别包括缺角电感、裂纹电感以及无缺陷电感等类别，进而对应的电感图像类别包括缺角电感图像类别、裂纹电感图像类别以及无缺陷电感图像类别等。
将所述训练图像特征提取结果输入待训练电感分类模型，以对所述训练电感图像进行电感类别预测，获得预测类别标签，具体地，将所述训练图像特征提取结果输入待训练电感分类模型，通过对所述训练图像特征提取结果进行数据处理，其中，所述数据处理包括但是不限定于卷积、池化和全连接等，将所述训练图像特征提取结果映射为预测类别标签，其中，所述预测类别标签为训练电感图像的图像类别的标识，所述预测类别标签可以用向量进行表示，例如，假设所述预测类别标签为(0，1，0)，则表示图像类别A，所述预测类别标签为(0，0，1)，则表示图像类别B。
步骤B20，基于所述训练电感图像对应的真实类别标签和所述预测类别标签，计算类别预测损失；
在本实施例中，需要说明的是，所述真实类别标签为训练电感图像对应的已知的真实图像类别的标识。
基于所述训练电感图像对应的真实类别标签和所述预测类别标签，计算类别预测损失，具体地，计算所述训练电感图像对应的真实类别标签和所述预测类别标签之间的差值，获得类别预测损失。
步骤B30，基于所述类别预测损失和所述对比学习损失，优化所述待训练电感分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述电感分类模型。
在本实施例中，基于所述类别预测损失，优化所述待训练电感分类模型，获得所述电感分类模型，具体地，基于所述类别预测损失，计算所述待训练电感分类模型对应的第一模型更新梯度，以及所述待训练特征提取模型对应的第二模型更新梯度，并基于所述对比学习损失，计算所述待训练特征提取模型对应的第三模型更新梯度，进而基于所述第一模型更新梯度，更新所述待训练电感分类模型，并基于所述第二模型更新梯度和所述第三模型更新梯度，异步更新所述待训练特征提取模型，进而判断判断更新后的待训练电感分类模型与异步更新后的待训练特征提取模型是否均满足预设训练结束条件，若满足，则将所述待训练电感分类模型作为电感分类模型，并将所述待训练特征提取模型作为所述目标特征提取模型，若不满足，则返回所述提取训练电感图像的步骤，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
步骤A50，基于所述对比学习损失，优化所述待训练特征提取模型，获得所述目标特征提取模型。
在本实施例中，基于所述对比学习损失，优化所述待训练特征提取模型，获得所述目标特征提取模型，具体地，基于所述对比学习损失，计算所述待训练特征提取模型对应的模型更新梯度，进而依据所述模型更新梯度，更新所述待训练特征提取模型，若更新后的待训练特征提取模型满足预设迭代训练结束条件，则将所述待训练特征提取模型作为目标特征提取模型，若更新后的待训练特征提取模型不满足预设迭代训练结束条件，则返回所述提取训练电感图像的步骤，其中，所述预设迭代训练结束条件包括损失收敛和达到最大迭代次数阈值等。
步骤S20，基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果。
在本实施例中，基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果，具体地，将所述电感图像特征数据输入预设电感缺陷检测模型，通过对所述电感图像特征数据进行数据处理，其中，所述数据处理包括但不限定于卷积、池化以及全连接等，以将所述电感图像特征数据映射为电感分类标签值，进而基于所述电感分类标签值，确定所述待检测电感对应的电感缺陷类别，并将所述电感缺陷类别作为所述电感缺陷检测结果，其中，例如，假设所述电感分类标签值为A，则证明待检测电感对应的电感缺陷类别为缺角缺陷类别。
本申请实施例提供了一种电感缺陷检测方法，相比于现有技术采用的通过常规的卷积神经网络识别电感图像进行电感缺陷检测的技术手段，本申请实施例首先获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，由于所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的，且预设第一图像类别集合属于对比学习的正例，预设第二图像类别属于对比学习的负例，进而依据目标图像特征进行模型特征提取获得的电感图像特征数据将携带图像类别信息，所以，实现了在对图像进行特征提取时，赋予特征提取结果图像类别信息的目的，丰富了特征提取结果的图像特征信息，进而基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，即可实现基于携带图像类别信息的电感图像特征数据进行电感缺陷检测的目的，丰富了预设电感缺陷检测模型进行决策的决策依据信息，提升了预设电感缺陷检测模型进行决策的可靠性与准确度，进而获得电感缺陷检测结果，所以，克服了当电感图像携带的电感缺陷图像特征信息较少，将导致基于电感图像进行电感缺陷检测的准确度较低的技术缺陷，所以，提升了电感缺陷检测的准确度。
进一步地，参照图2，基于本申请中第一实施例，在本申请的另一实施例中，所述基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果的步骤包括：
步骤S21，基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值；
在本实施例中，需要说明的是，所述预设电感缺陷检测模型包括预设哈希编码模型，所述预设哈希编码模型包括深度极化网络，其中，所述深度极化网络为基于预设类别信息和极化损失函数优化的深度学习模型，且对属于同一样本类别的输入样本，所述预设哈希编码模型均能输出相同的极化哈希向量，所述极化损失函数为用于优化所述深度极化网络的损失函数。
另外地，需要说明的是，所述深度极化网络包括隐藏层和哈希层，其中，所述隐藏层为所述预设深度极化网络的数据处理层，用于进行卷积处理和池化处理等数据处理过程，且所述隐藏层为基于深度学习训练好的一层或者多层神经网络，所述哈希层为所述预设深度极化网络的输出层，用于对所述待处理数据进行哈希，并输出对应的哈希结果，且所述哈希层为基于深度学习训练好的一层或者多层神经网络，所述电感图像特征数据包括电感图像特征表示矩阵，其中，所述电感图像特征表示矩阵为向量形式的电感图像特征数据。
基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值，具体地，基于所述隐藏层，对所述电感图像特征表示矩阵进行数据处理，以提取所述电感图像特征表示矩阵中的类别特征，获得所述电感图像特征表示矩阵对应的类别特征表示矩阵，其中，所述类别特征表示矩阵为所述电感图像特征数据中类别特征信息的矩阵表示形式，进而将所述类别特征表示矩阵输入所述哈希层，对所述类别特征表示矩阵进行全连接，获得全连接向量，进而对所述全连接向量进行极化，获得所述全连接向量对应的极化哈希向量，进而基于所述极化哈希向量中各特征值，对所述极化哈希向量进行编码，获得哈希编码值。
其中，所述预设电感缺陷检测模型包括哈希层，
所述基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值的步骤包括：
步骤S211，将所述电感图像特征数据输入所述哈希层，对所述电感图像特征数据进行极化哈希，获得极化哈希结果；
其中，所述电感图像特征数据包括电感图像特征矩阵，
所述将所述电感图像特征数据输入所述哈希层，对所述电感图像特征数据进行极化哈希，获得极化哈希结果的步骤包括：
步骤C10，对所述电感图像特征矩阵进行全连接，获得全连接向量，并分别为所述全连接向量中各特定比特位匹配极化输出通道；
在本实施例中，需要说明的是，所述全连接向量为所述待检测电感图像的类别特征表示向量，所述全连接向量包括所述待检测电感图像的所有类别特征信息，例如，假设所述全连接向量为(a，b)，所述待检测电感图像为缺角电感图像，其中，特征值a表示电感缺陷的类型为缺角，b表示缺角的大小。
对所述电感图像特征矩阵进行全连接，获得全连接向量，并分别为所述全连接向量中各特定比特位匹配极化输出通道，具体地，对所述类别特征表示矩阵进行全连接，获得全连接向量，进而基于所述全连接向量中各特定比特位上的特征值，分别为各所述特定比特位匹配各自对应的极化输出通道，其中，所述特定比特位上的特征值为属于预设特征值取值范围内的特征值，例如，设置预设特征值取值范围为(-0.1，0.1)，则处于(-0.1，0.1)范围内的所有特征值均为特定比特位上的特征值。
步骤C20，基于各所述极化输出通道，对各所述特定比特位上的特征值进行极化，获得所述极化哈希结果。
在本实施例中，需要说明的是，一所述极化输出通道对应一训练好的极化参数，所述极化参数用于对特定比特位上的特征值进行极化。
基于各所述极化输出通道，对各所述特定比特位上的特征值进行极化，获得所述极化哈希结果，具体地，基于各所述极化输出通道对应的极化参数，分别对各所述极化输出通道对应的特定比特位上的特征值进行极化，以使得不大于预设特征值取值范围的下阈值的特征值从负方向远离0，使得不小于所述预设特征值取值范围的上阈值的特征值从正方向远离0，进而获得各所述特征值对应的极化特征值，并直接输出各所述非特定比特位上的特征值，获得各所述非特定比特位对应的非极化特征值，进而基于各所述极化特征值和各所述非极化特征值在所述全连接向量中的位置顺序，生成各所述极化特征值和各所述非极化特征值共同对应的极化哈希向量，并将所述极化哈希向量作为所述极化哈希结果，其中，优选地，所述预设特征值取值范围可设置为关于0值对称的取值范围，例如，假设预设特征值取值范围为(-0.1，0.1)，所述全连接向量为(-0.8，0.05，-0.05，1.2)，则进行特定比特位的极化后，所述全连接向量对应的极化哈希向量为(-1.1，0.05，-0.05，2)。
步骤S212，基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值。
在本实施例中，基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值，具体地，基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果中各特征值转换为哈希值，进而获得哈希编码值，其中，当哈希编码值为二值哈希编码值时，则哈希值为0或者1，当哈希编码为三值哈希编码值时，则哈希值为0、1或者-1。
其中，所述极化哈希结果包括极化哈希向量，所述哈希编码值至少包括二值哈希编码和三值哈希编码中的一种，
所述基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值的步骤包括：
步骤D10，基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码；和/或
在本实施例中，基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码，具体地，基于各所述目标特征值的正负符号，将所述极化哈希向量中大于0的目标特征值转换为预设第一类型二值哈希值，以及将所述极化哈希向量小于0的目标特征值转化为预设第二类型二值哈希值，获得所述二值哈希编码值，其中，优选地，所述预设第一类型二值哈希值设置为1，所述预设第二类型二值哈希值设置为0。
步骤D20，基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码。
在本实施例中，基于各所述目标特征值的大小和预设特征值取值范围，在所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码，具体地，将所述极化哈希向量中大小大于预设特征值取值范围的上阈值的目标特征值转换为预设第一类型三值哈希值，并将所述极化哈希向量中大小小于预设特征值取值范围的下阈值的目标特征值转换为预设第二类型三值哈希值，并将所述极化哈希向量中大小不小于预设特征值取值范围的下阈值且不大于预设特征值取值范围的上阈值的目标特征值转换为预设第三类型三值哈希值，进而获得三值哈希编码，优选地，所述预设第一类型三值哈希值可设置为1，预设第二类型三值哈希值可设置为-1，预设第三类型三值哈希值可设置为0。
步骤S22，基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果。
在本实施例中，需要说明的是，所述预设哈希编码值为预先设置好的电感图像类别对应的哈希编码值，用于唯一标识电感图像类别，例如哈希编码值为010101，则标识电感图像类别A，哈希编码值010111，则标识电感图像类别B等。
基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果，具体地，通过计算所述哈希编码值与各预设哈希编码值之间的汉明距离，在各所述预设哈希编码值确定与所述哈希编码值的汉明距离最近的目标哈希编码值，进而确定所述目标哈希编码对应的电感图像类别，并将所述电感图像类别对应的电感缺陷类别作为所述电感缺陷检测结果。
另外地，需要说明的是，所述预设哈希编码模型为基于极化损失函数和预设哈希编码值进行优化的模型，在一种可实施的方式中，所述极化损失函数如下：
L(v，t^c)＝max(m-v*t^c，0)
其中，L为所述极化损失函数，m为预设强制极化参数，v为所述训练样本对应的极化哈希向量中每一比特位上的数值，且v的绝对值大于m，t^c为训练样本对应的极化哈希向量的比特位对应的目标哈希值，所述目标哈希值为训练样本对应的预设哈希编码值上的比特位数值，且t^c＝{-1,+1}，且所述预设极化损失函数收敛于0，例如，假设m为1，t^c为1，v为-1，此时，L＝2，若要使得预设极化损失函数收敛于0，则需要对v进行强制极化，使得v为1，此时L＝0，进而当t^c等于1时，所述训练样本样本对应的极化哈希向量的比特位上的数值将朝正方向逐渐远离0，当t^c等于-1时，所述训练样本对应的极化哈希向量比特位上的数值将朝负方向逐渐远离0，进而在极化成功后，获得的训练样本对应的极化哈希向量中每一比特位的极化标识应与对应的目标哈希值一致，其中，所述极化标识包括比特位数值的大小取值范围和比特位数值的正负符号，也即，训练样本对应的极化哈希向量中每一比特位的比特位数值应与对应的目标哈希值的正负符号一致或者特征值取值范围一致，进一步地，由于同一样本类别的预设哈希编码值相同，所以属于同一样本类别的各训练样本对应的极化哈希向量中每一比特位上的极化标识一致，进而基于各极化标识，获得的哈希编码值一致，也即，对于属于同一样本类别的模型输入样本，基于预设哈希编码模型可输出相同的哈希编码值。
其中，所述基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果的步骤包括：
步骤S221，计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离；
在本实施例中，计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离，计算所述哈希编码值与各所述预设哈希编码之间的相异比特位数量，获得所述哈希编码值与各所述预设哈希编码值之间的汉明距离，例如，假设所述哈希编码值为01010101，所述预设哈希编码值为01010110，则相异比特位数量为2，进而汉明距离为2。
步骤S222，基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值；
在本实施例中，基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值，具体地，在各所述汉明距离中确定最小汉明距离，并将所述最小汉明距离对应的预设哈希编码值作为目标哈希编码值。
步骤S223，将所述目标哈希编码值对应的电感缺陷类别作为所述电感缺陷检测结果。
在本实施例中，需要说明的是，目前的哈希编码模型通常是基于输入样本本身的单个数据分布特征，对输入样本进行哈希编码，进而输入样本越相似，模型输出的哈希编码值越相似，进而当输入样本不属于同一样本类别且相似程度较高时，哈希编码模型容易输出相同或者相似度极高的哈希编码值，也即，对于属于不同样本类别的输入样本，输出的哈希编码值容易混淆，进而将导致基于哈希编码进行电感分类的准确度较低，而本申请实施例在通过目标特征提取模型对待检测电感图像进行特征提取之后，向电感图像特征数据中加入电感图像类别信息，进而基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值，实现了依据电感图像类别信息进行哈希编码的目的，提升哈希编码的准确性，进而基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果，提升了电感缺陷检测的准确性。
另外地，需要说明的是，由于预设电感缺陷检测模型是基于类别特征信息与预设哈希编码值进行优化的深度极化网络，可将极化哈希向量中靠近于0的目标特征值向着远离于0的方向进行极化，进而使得极化哈希向量中的目标特征值不会在0上下浮动，进而进一步提升了哈希编码的准确性，进而提升了电感缺陷检测的准确性。
本申请实施例提供了一种基于哈希编码进行电感缺陷检测的方法，也即，在获取具备电感图像类别信息的电感图像特征数据之后，基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值，进而基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果，实现了基于类别特征信息优化的预设电感缺陷检测模型进行哈希编码的目的，提升了哈希编码的准确性，进而提升了电感缺陷检测的准确性。
参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图3所示，该电感缺陷检测设备可以包括：处理器1001，例如CPU，存储器1005，通信总线1002。其中，通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地，该电感缺陷检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard)，可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解，图3中示出的电感缺陷检测设备结构并不构成对电感缺陷检测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图3所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块以及电感缺陷检测程序。操作系统是管理和控制电感缺陷检测设备硬件和软件资源的程序，支持电感缺陷检测程序以及其它软件和/或，程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与电感缺陷检测系统中其它硬件和软件之间通信。
在图3所示的电感缺陷检测设备中，处理器1001用于执行存储器1005中存储的电感缺陷检测程序，实现上述任一项所述的电感缺陷检测方法的步骤。
本申请电感缺陷检测设备具体实施方式与上述电感缺陷检测方法各实施例基本相同，在此不再赘述。
本申请实施例还提供一种电感缺陷检测装置，所述电感缺陷检测装置应用于电感缺陷检测设备，所述电感缺陷检测装置包括：
特征提取模块，用于获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的；
电感缺陷检测模块，用于基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果。
可选地，所述电感缺陷检测模块还用于:
基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值；
基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果。
可选地，所述电感缺陷检测模块还用于:
计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离；
基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值；
将所述目标哈希编码值对应的电感缺陷类别作为所述电感缺陷检测结果。
可选地，所述电感缺陷检测模块还用于:
将所述电感图像特征数据输入所述哈希层，对所述电感图像特征数据进行极化哈希，获得极化哈希结果；
基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值。
可选地，所述电感缺陷检测模块还用于:
对所述电感图像特征矩阵进行全连接，获得全连接向量，并分别为所述全连接向量中各特定比特位匹配极化输出通道；
基于各所述极化输出通道，对各所述特定比特位上的特征值进行极化，获得所述极化哈希结果。
可选地，所述电感缺陷检测模块还用于:
基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码；和/或
基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码。
可选地，所述电感缺陷检测装置还用于：
获取待训练特征提取模型，并提取训练电感图像；
基于所述预设第一图像类别集合和所述预设第二图像类别，提取所述训练电感图像对应的第一对比电感图像以及对应的第二对比电感图像；
基于所述待训练特征提取模型，分别对所述训练电感图像、所述第一对比电感图像以及所述第二对比电感图像进行特征提取，获得训练图像特征提取结果、第一对比图像特征提取结果和第二对比图像特征提取结果；
基于所述训练图像特征提取结果、所述第一对比图像特征提取结果以及所述第二对比图像特征提取结果，计算所述待训练特征提取模型对应的对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述目标特征提取模型。
可选地，所述电感缺陷检测装置还用于：
将所述训练图像特征提取结果输入待训练电感分类模型，以对所述训练电感图像进行电感类别预测，获得预测类别标签；
基于所述训练电感图像对应的真实类别标签和所述预测类别标签，计算类别预测损失；
基于所述类别预测损失和所述对比学习损失，优化所述待训练电感分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述电感分类模型。
本申请电感缺陷检测装置的具体实施方式与上述电感缺陷检测方法各实施例基本相同，在此不再赘述。
本申请实施例提供了一种可读存储介质，且所述可读存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的电感缺陷检测方法的步骤。
本申请可读存储介质具体实施方式与上述电感缺陷检测方法各实施例基本相同，在此不再赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (10)

1.一种电感缺陷检测方法，其特征在于，所述电感缺陷检测方法包括：
获取待检测电感对应的待检测电感图像，并基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的；
基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果。
2.如权利要求1所述电感缺陷检测方法，其特征在于，所述基于所述电感图像特征数据和预设电感缺陷检测模型，对所述待检测电感进行电感缺陷检测，获得电感缺陷检测结果的步骤包括：
基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值；
基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果。
3.如权利要求2所述电感缺陷检测方法，其特征在于，所述基于所述哈希编码值与各预设哈希编码值，生成所述电感缺陷检测结果的步骤包括：
计算所述哈希编码值与各所述预设哈希编码值之间的汉明距离；
基于各所述汉明距离，在各所述预设哈希编码值中确定所述哈希编码值对应的目标哈希编码值；
将所述目标哈希编码值对应的电感缺陷类别作为所述电感缺陷检测结果。
4.如权利要求2所述电感缺陷检测方法，其特征在于，所述预设电感缺陷检测模型包括哈希层，
所述基于所述预设电感缺陷检测模型，对所述电感图像特征数据进行哈希编码，获得所述电感图像特征数据对应的哈希编码值的步骤包括：
将所述电感图像特征数据输入所述哈希层，对所述电感图像特征数据进行极化哈希，获得极化哈希结果；
基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值。
5.如权利要求4所述电感缺陷检测方法，其特征在于，所述电感图像特征数据包括电感图像特征矩阵，
所述将所述电感图像特征数据输入所述哈希层，对所述电感图像特征数据进行极化哈希，获得极化哈希结果的步骤包括：
对所述电感图像特征矩阵进行全连接，获得全连接向量，并分别为所述全连接向量中各特定比特位匹配极化输出通道；
基于各所述极化输出通道，对各所述特定比特位上的特征值进行极化，获得所述极化哈希结果。
6.如权利要求4所述电感缺陷检测方法，其特征在于，所述极化哈希结果包括极化哈希向量，所述哈希编码值至少包括二值哈希编码和三值哈希编码中的一种，
所述基于所述极化哈希结果中各比特位上的目标特征值，将所述极化哈希结果转换为所述哈希编码值的步骤包括：
基于各所述目标特征值的正负符号，对所述极化哈希向量进行二值哈希编码转换，获得所述二值哈希编码；和/或
基于各所述目标特征值的大小和预设特征值取值范围，对所述极化哈希向量进行三值哈希编码转换，获得三值哈希编码。
7.如权利要求1所述电感缺陷检测方法，其特征在于，在所述基于目标特征提取模型，对所述待检测电感图像进行特征提取，获得电感图像特征数据，其中，所述目标特征提取模型是基于预设第一图像类别集合和预设第二图像类别进行对比学习构建的步骤之前，所述电感缺陷检测方法还包括：
获取待训练特征提取模型，并提取训练电感图像；
基于所述预设第一图像类别集合和所述预设第二图像类别，提取所述训练电感图像对应的第一对比电感图像以及对应的第二对比电感图像；
基于所述待训练特征提取模型，分别对所述训练电感图像、所述第一对比电感图像以及所述第二对比电感图像进行特征提取，获得训练图像特征提取结果、第一对比图像特征提取结果和第二对比图像特征提取结果；
基于所述训练图像特征提取结果、所述第一对比图像特征提取结果以及所述第二对比图像特征提取结果，计算所述待训练特征提取模型对应的对比学习损失；
基于所述对比学习损失，优化所述待训练特征提取模型，获得所述目标特征提取模型。
8.如权利要求7所述电感缺陷检测方法，其特征在于，所述预设电感缺陷检测模型包括电感分类模型，
在所述基于所述训练图像特征提取结果、所述第一对比图像特征提取结果以及所述第二对比图像特征提取结果，计算所述待训练特征提取模型对应的对比学习损失的步骤之后，所述电感缺陷检测方法还包括：
将所述训练图像特征提取结果输入待训练电感分类模型，以对所述训练电感图像进行电感类别预测，获得预测类别标签；
基于所述训练电感图像对应的真实类别标签和所述预测类别标签，计算类别预测损失；
基于所述类别预测损失和所述对比学习损失，优化所述待训练电感分类模型与所述待训练特征提取模型，获得所述目标特征提取模型和所述电感分类模型。
9.一种电感缺陷检测设备，其特征在于，所述电感缺陷检测设备包括：存储器、处理器以及存储在存储器上的用于实现所述电感缺陷检测方法的程序，
所述存储器用于存储实现电感缺陷检测方法的程序；
所述处理器用于执行实现所述电感缺陷检测方法的程序，以实现如权利要求1至8中任一项所述电感缺陷检测方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有实现电感缺陷检测方法的程序，所述实现电感缺陷检测方法的程序被处理器执行以实现如权利要求1至8中任一项所述电感缺陷检测方法的步骤。
CN202110261790.9A 2021-03-10 2021-03-10 电感缺陷检测方法、设备及可读存储介质 Pending CN112966755A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110261790.9A CN112966755A (zh) 2021-03-10 2021-03-10 电感缺陷检测方法、设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110261790.9A CN112966755A (zh) 2021-03-10 2021-03-10 电感缺陷检测方法、设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN112966755A true CN112966755A (zh) 2021-06-15

Family

ID=76277555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110261790.9A Pending CN112966755A (zh) 2021-03-10 2021-03-10 电感缺陷检测方法、设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN112966755A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821661A (zh) * 2021-08-30 2021-12-21 上海明略人工智能(集团)有限公司 图像检索方法、系统、存储介质及电子设备
CN114798495A (zh) * 2022-07-01 2022-07-29 深圳市信润富联数字科技有限公司 基于质量检测的钣金冲压件分拣方法、装置、设备及介质
CN115082435A (zh) * 2022-07-21 2022-09-20 浙江霖研精密科技有限公司 一种基于自监督动量对比的缺陷检测方法
CN115292535A (zh) * 2022-08-24 2022-11-04 合肥市正茂科技有限公司 一种基于深度极化哈希的分层车辆图像检索方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020057644A1 (en) * 2018-09-21 2020-03-26 Changxin Memory Technologies, Inc. Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device
CN111640091A (zh) * 2020-05-14 2020-09-08 阿丘机器人科技(苏州)有限公司 产品缺陷的检测方法及计算机存储介质
WO2020182019A1 (zh) * 2019-03-08 2020-09-17 苏州大学 图像检索方法、装置、设备及计算机可读存储介质
CN111754513A (zh) * 2020-08-07 2020-10-09 腾讯科技（深圳）有限公司 产品表面缺陷分割方法、缺陷分割模型学习方法及装置
CN111968098A (zh) * 2020-08-24 2020-11-20 广东工业大学 一种带钢表面缺陷检测方法、装置和设备
CN111988614A (zh) * 2020-08-14 2020-11-24 深圳前海微众银行股份有限公司 哈希编码优化方法、设备及可读存储介质
CN112116021A (zh) * 2020-09-27 2020-12-22 广州华多网络科技有限公司 一种宝石相似性度量数据处理方法及相关设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020057644A1 (en) * 2018-09-21 2020-03-26 Changxin Memory Technologies, Inc. Method and apparatus for classification of wafer defect patterns as well as storage medium and electronic device
WO2020182019A1 (zh) * 2019-03-08 2020-09-17 苏州大学 图像检索方法、装置、设备及计算机可读存储介质
CN111640091A (zh) * 2020-05-14 2020-09-08 阿丘机器人科技(苏州)有限公司 产品缺陷的检测方法及计算机存储介质
CN111754513A (zh) * 2020-08-07 2020-10-09 腾讯科技（深圳）有限公司 产品表面缺陷分割方法、缺陷分割模型学习方法及装置
CN111988614A (zh) * 2020-08-14 2020-11-24 深圳前海微众银行股份有限公司 哈希编码优化方法、设备及可读存储介质
CN111968098A (zh) * 2020-08-24 2020-11-20 广东工业大学 一种带钢表面缺陷检测方法、装置和设备
CN112116021A (zh) * 2020-09-27 2020-12-22 广州华多网络科技有限公司 一种宝石相似性度量数据处理方法及相关设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821661A (zh) * 2021-08-30 2021-12-21 上海明略人工智能(集团)有限公司 图像检索方法、系统、存储介质及电子设备
CN113821661B (zh) * 2021-08-30 2024-04-02 上海明略人工智能(集团)有限公司 图像检索方法、系统、存储介质及电子设备
CN114798495A (zh) * 2022-07-01 2022-07-29 深圳市信润富联数字科技有限公司 基于质量检测的钣金冲压件分拣方法、装置、设备及介质
CN114798495B (zh) * 2022-07-01 2022-11-11 深圳市信润富联数字科技有限公司 基于质量检测的钣金冲压件分拣方法、装置、设备及介质
CN115082435A (zh) * 2022-07-21 2022-09-20 浙江霖研精密科技有限公司 一种基于自监督动量对比的缺陷检测方法
CN115082435B (zh) * 2022-07-21 2022-11-22 浙江霖研精密科技有限公司 一种基于自监督动量对比的缺陷检测方法
CN115292535A (zh) * 2022-08-24 2022-11-04 合肥市正茂科技有限公司 一种基于深度极化哈希的分层车辆图像检索方法
CN115292535B (zh) * 2022-08-24 2023-07-25 合肥市正茂科技有限公司 一种基于深度极化哈希的分层车辆图像检索方法

Similar Documents

Publication Publication Date Title
CN112966755A (zh) 电感缺陷检测方法、设备及可读存储介质
CN109783582B (zh) 一种知识库对齐方法、装置、计算机设备及存储介质
CN111988614B (zh) 哈希编码优化方法、设备及可读存储介质
CN111626408B (zh) 哈希编码方法、装置、设备及可读存储介质
CN110570433B (zh) 基于生成对抗网络的图像语义分割模型构建方法和装置
CN107273458B (zh) 深度模型训练方法及装置、图像检索方法及装置
CN109697451B (zh) 相似图像聚类方法及装置、存储介质、电子设备
CN111382555B (zh) 数据处理方法、介质、装置和计算设备
JP2023519525A (ja) オートエンコーダ及びクラスタリングに基づく異常検知
CN115908311B (zh) 基于机器视觉的镜片成型检测设备及其方法
CN116978011B (zh) 一种用于智能目标识别的图像语义通信方法及系统
US9595113B2 (en) Image transmission system, image processing apparatus, image storage apparatus, and control methods thereof
CN112399177B (zh) 一种视频编码方法、装置、计算机设备及存储介质
CN111935484B (zh) 一种视频帧压缩编码方法及装置
CN111950712A (zh) 模型网络参数处理方法、设备及可读存储介质
CN117152459A (zh) 图像检测方法、装置、计算机可读介质及电子设备
CN116612280A (zh) 车辆分割方法、装置、计算机设备和计算机可读存储介质
CN113111953B (zh) 一种投影画质处理装置
CN114283323A (zh) 一种基于图像深度学习的海上目标识别系统
CN113793298A (zh) 肺结节检测模型构建优化方法、设备、存储介质及产品
CN112967718B (zh) 基于声音的投影仪控制方法、装置、设备及存储介质
CN111291602A (zh) 视频检测方法、装置、电子设备及计算机可读存储介质
CN114677568B (zh) 一种基于神经网络的线性目标检测方法、模块及系统
CN114463187B (zh) 基于聚合边缘特征的图像语义分割方法及系统
CN114979267B (zh) 面向多服务需求的语义通信方法及装置

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