CN113592850A - 一种基于元学习的缺陷检测方法及装置 - Google Patents
一种基于元学习的缺陷检测方法及装置 Download PDFInfo
- Publication number
- CN113592850A CN113592850A CN202110922731.1A CN202110922731A CN113592850A CN 113592850 A CN113592850 A CN 113592850A CN 202110922731 A CN202110922731 A CN 202110922731A CN 113592850 A CN113592850 A CN 113592850A
- Authority
- CN
- China
- Prior art keywords
- model
- defect detection
- picture
- training
- label
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 114
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 106
- 238000012360 testing method Methods 0.000 claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000013526 transfer learning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000684 flow cytometry Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000255925 Diptera Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于元学习的缺陷检测方法及装置,所述方法包括:采集样本集,样本集包括带有标签的图片和不带标签的图片,标签为图片是否存在缺陷的真实结果,将不带标签的图片作为预训练数据,将带有标签的图片分为训练数据和测试数据;将预训练数据输入基础模型,训练得到预训练模型,基础模型为元学习模型;将训练数据输入预训练模型,训练得到缺陷检测模型;将测试数据输入缺陷检测模型,对缺陷检测模型进行测试和优化;以及,将待检测产品的图片输入测试和优化后的缺陷检测模型,输出待检测产品是否存在缺陷的检测结果。本发明利用元学习的原理,使得预训练模型得到一种“学会学习”的能力,从而提升缺陷的检测能力。
Description
技术领域
本发明涉及数字图像处理技术领域,尤其涉及一种基于元学习的缺陷检测方法及装置。
背景技术
随着现代车刀制造行业的要求日益严格,越来越多的公司开始关注车刀制造过程的质量控制。由于制造技术和环境的影响,车刀表面可能会出现诸如晶体点,蚊子,污点,杂质和划痕等瑕疵,严重影响刀片的外观甚至影响刀片的使用。传统的缺陷检测通常是采用人工肉眼检查的方式,但这种方式检测速度慢,精度低,人工容易疲劳,已经无法满足现代生产要求,因此越来越多的缺陷检测采用人工智能的深度学习来实现。目前基于深度学习的缺陷检测方法大都需要采集大量的样本来进行模型的训练,而为了实现更加精确的有监督式模型,还需要对大量的样本进行标记,工作量十分繁重。
因此,如何提供一种所需样本量小且检测准确性高的基于元学习的缺陷检测方法及装置是本领域技术人员亟待解决的一个技术问题。
发明内容
本发明提供一种基于元学习的缺陷检测方法及装置,以解决上述技术问题。
为解决上述技术问题,本发明提供一种基于元学习的缺陷检测方法,所述方法包括:
步骤1:获取缺陷检测模型,包括:
采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据;
将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型;
将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到所述缺陷检测模型;
将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化;
步骤2:利用所述缺陷检测模型预测待检测产品的检测结果,包括:
将所述待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。
较佳地,所述预训练数据包含多组任务,每组任务包含2~5张图片。
较佳地,步骤1还包括,对所述样本集中的图片进行预处理,预处理方式至少包括去噪和滤波。
较佳地,为所述基础模型设置超参数,采用传播高阶梯度运算方法对所述超参数进行优化,基于优化后的超参数提取所述图片的特征集合。
较佳地,对所述基础模型进行训练包括:
所述语义网络聚合算法被设置为对所述图片进行分析,利用分析结果以及从迁移学习中获得的多种缺陷种类对所述图片进行分类,对分类结果进行标记并输出。
较佳地,对所述图片进行分析包括:获得所述图片中每个像素的向量表示,得到图片与图片之间的关系。
较佳地,对所述缺陷检测模型进行测试和优化包括:将所述测试数据输入所述缺陷检测模型得到预测结果,计算所述预测结果与所述图片是否有缺陷的真实结果之间的损失函数,通过优化损失函数对所述缺陷检测模型进行优化。
较佳地,采用流式细胞术聚类分割算法得到所述损失函数,使用PyTorch框架计算二阶导数,并使所述缺陷检测模型的权重以线性叠加的方法进行反向传播。
本发明还提供了一种基于元学习的缺陷检测装置,包括:
样本采集模块,用于采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据;
预训练模块,用于将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型;
模型训练模块,用于将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到缺陷检测模型;
模型优化模块,用于将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化;以及
缺陷检测模块,用于将待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。
与现有技术相比,本发明提供的基于元学习的缺陷检测方法及装置具有如下优点:本发明利用元学习的原理,使得预训练模型得到一种“学会学习”的能力,使其可以在获取已有“知识”的基础上快速学习新的任务,跟传统算法相比,它的意图在于通过少量的训练数据能够快速学习新技能或适应新环境,使其能够处理前所未有的新数据,从而提升缺陷的检测能力。
附图说明
图1为本发明一具体实施方式中基于元学习的缺陷检测方法的流程图;
图2为本发明一具体实施方式中基于元学习的缺陷检测装置的模块图。
具体实施方式
为了更详尽的表述上述发明的技术方案,以下列举出具体的实施例来证明技术效果;需要强调的是,这些实施例用于说明本发明而不限于限制本发明的范围。
本发明提供的基于元学习的缺陷检测方法,请重点参考图1,所述方法包括:
步骤1:获取缺陷检测模型:包括:
步骤101:采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,换句话说,带有标签的图片是指:图片带有该图片是否存在缺陷的真实结果,该真实结果包括“是”和“否”,“是”代表该图片存在缺陷,“否”代表该图片不存在缺陷,不带有标签的图片是指:仅仅包含图片信息,而该图片是否存在缺陷则为未知状态。将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据。在某一实施例中,共收集样本集72张图片,其中有62张不带标签的图片,将其作为预训练数据;其中还有10张带有标签的图片,将其中的8张作为训练数据,2张作为测试数据。由于本实施例中仅有8张训练数据,如果直接以这样的数据量对模型展开训练,无疑最终的测试准确率将非常低。因为判断结果只有正面和负面两种,因此可以预见最终的测试准确率可能只有50%。而采用本发明提出的方法则能够在减少带有标签的样本需求量的同时,提高检测的准确率。
较佳地,样本集采集完成后,需要对样本集中的图片进行预处理,所述预处理的方式至少包括去噪和滤波,以消除图片中的干扰点,为后续图片的处理做准备。
步骤103:将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型。所述元学习模型中,需要对训练单位进行分层,第一层训练单位是任务,也就是说,元学习中要准备许多任务来进行学习,第二层训练单位是每个任务对应的数据。较佳地,本实施例中,所述预训练数据包含多组任务,每组任务包含2~5张图片。这样,第一层训练单位(任务)的种类尽可能多,而第二层训练单位(每种任务对应的图片)的数量尽可能少,以应对网络训练面临的一些新的任务,从而提高预训练模型的学习能力。
较佳地,为所述基础模型设置超参数,采用传播高阶梯度运算方法对所述超参数进行优化,基于优化后的超参数提取所述图片的特征集合。具体地,超参数即为:在开始学习过程之前设置的参数数据,而不是通过训练得到的参数数据。所述传播高阶梯度运算方法即利用高阶导数的传播方向(上升或下降)求解极小值或极大值。本发明通过传播高阶梯度运算方法为基础模型选择一组最优的超参数,以提高学习的性能和效果。而基于优化后的超参数提取所述图片的特征集合,可以提高预训练模型在独立数据集上的性能。
较佳地,步骤1中,采用迁移学习和语义网络聚合算法对所述基础模型进行训练。具体地,所述迁移学习可以从相关领域中迁移标注数据或者知识结构从而完成或改进目标领域或任务的学习效果。所述语义网络聚合算法即为通过对图片进行语义(特征)分析继而对图片进行分类的方法。
具体地,对所述基础模型进行训练包括:所述语义网络聚合算法被设置为对所述图片进行分析(例如提取结构化信息),利用分析结果以及从迁移学习中获得的多种缺陷种类对所述图片进行分类,对分类结果进行标记并输出。具体地,同样以上述总样本集包括72张图片的实施例来讲,用其中62张不带标签的图片对基础模型展开通用的情感判断(特征分析)。对所述图片进行分析包括:获得所述图片中每个像素的向量表示,得到图片与图片之间的关系。具体包括,基于优化后的超参数提取图片的特征集合后,根据图片的特征获取每个像素的向量表示,基于所有像素的向量表示获得两个像素之间的属性,并将其用数字进行表征;然后在对基础模型展开训练的过程中,使得特征类似的像素获得相似的向量表示;最后利用得到的向量表示预测出现在同一张(或非同一张)图片中的其他像素的特征,最终得到图片与图片之间的关系。本发明通过增加上述预训练的过程,在正式的模型训练之前,即在输入带有标签的图片之前,利用元学习模型的原理令预训练模型对不带标签的图片进行分析学习,并得到对应的分类标记,从而为后续正式模型训练提供基础,在不影响后续模型检测准确度的前提下大大减少训练数据的数量。
步骤105:将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到所述缺陷检测模型。同样以上述总样本集包括72张图片的实施例来讲,在该步骤中,预训练模型可以仅仅通过分析学习8张带有标签的图片的特征,找到其与前述预训练数据中的图片之间的关系,并根据二者之间的关系获得准确的缺陷检测结果。
步骤107:将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化。较佳地,对所述缺陷检测模型进行测试和优化包括:将所述测试数据(本实施例中为2张带有标签的图片)输入所述缺陷检测模型得到预测结果,计算所述预测结果与所述图片是否有缺陷的真实结果之间的损失函数,通过优化损失函数对所述缺陷检测模型进行优化。具体地,采用流式细胞术聚类分割算法得到所述损失函数,以降低复杂度,使用PyTorch框架计算二阶导数,并使所述缺陷检测模型的权重以线性叠加的方法进行反向传播,以进一步降低复杂度,最终达到快速分割缺陷图片的目的,进而得出更加准确的模型预测结果。具体地,本实施例中,测试数据为a,预测目标数据为b,误差阈值为w,则有b=wa,用损失函数的结果值对w求导,测试和优化的过程即为:通过更改阈值,对每个数据在监督学习和增强学习相结合的算法基础上进行自动循环计算,从而让预测结果更加接近标签记录的真实结果,提高检测精度。
步骤2:利用所述缺陷检测模型预测待检测产品的检测结果,包括:
步骤109:将所述待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。在上述总样本集包括72张图片的实施例中,仅采用极少量(10张)的带有标签的图片就实现了100%的检测结果准确率。
如图2所示,本发明还提供了一种基于元学习的缺陷检测装置200,包括:
样本采集模块210,用于执行步骤101,具体包括:采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据;
预训练模块220,用于执行步骤103,具体包括:将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型;
模型训练模块230,用于执行步骤105,具体包括:将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到缺陷检测模型;
模型优化模块240,用于执行步骤107,具体包括:将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化;以及
缺陷检测模块250,用于执行步骤109,具体包括:将待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。
采用上述装置可以在确保缺陷检测准确率的前提下,大大减少带有标签的样本需求量。
综上所述,本发明提供的基于元学习的缺陷检测方法及装置,所述方法包括:步骤1:获取缺陷检测模型,包括:采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据;将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型;将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到所述缺陷检测模型;将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化;步骤2:利用所述缺陷检测模型预测待检测产品的检测结果,包括:将所述待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。本发明利用元学习的原理,使得预训练模型得到一种“学会学习”的能力,使其可以在获取已有“知识”的基础上快速学习新的任务,跟传统算法相比,它的意图在于通过少量的训练数据能够快速学习新技能或适应新环境,使其能够处理前所未有的新数据,从而提升缺陷的检测能力。
显然,本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种基于元学习的缺陷检测方法,其特征在于,所述方法包括:
步骤1:获取缺陷检测模型,包括:
采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据;
将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型;
将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到所述缺陷检测模型;
将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化;
步骤2:利用所述缺陷检测模型预测待检测产品的检测结果,包括:
将所述待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。
2.如权利要求1所述的基于元学习的缺陷检测方法,其特征在于,所述预训练数据包含多组任务,每组任务包含2~5张图片。
3.如权利要求1所述的基于元学习的缺陷检测方法,其特征在于,步骤1还包括,对所述样本集中的图片进行预处理,预处理方式至少包括去噪和滤波。
4.如权利要求1所述的基于元学习的缺陷检测方法,其特征在于,为所述基础模型设置超参数,采用传播高阶梯度运算方法对所述超参数进行优化,基于优化后的超参数提取所述图片的特征集合。
5.如权利要求1所述的基于元学习的缺陷检测方法,其特征在于,对所述基础模型进行训练包括:
所述语义网络聚合算法被设置为对所述图片进行分析,利用分析结果以及从迁移学习中获得的多种缺陷种类对所述图片进行分类,对分类结果进行标记并输出。
6.如权利要求5所述的基于元学习的缺陷检测方法,其特征在于,对所述图片进行分析包括:获得所述图片中每个像素的向量表示,得到图片与图片之间的关系。
7.如权利要求1所述的基于元学习的缺陷检测方法,其特征在于,对所述缺陷检测模型进行测试和优化包括:将所述测试数据输入所述缺陷检测模型得到预测结果,计算所述预测结果与所述图片是否有缺陷的真实结果之间的损失函数,通过优化损失函数对所述缺陷检测模型进行优化。
8.如权利要求7所述的基于元学习的缺陷检测方法,其特征在于,采用流式细胞术聚类分割算法得到所述损失函数,使用PyTorch框架计算二阶导数,并使所述缺陷检测模型的权重以线性叠加的方法进行反向传播。
9.一种基于元学习的缺陷检测装置,其特征在于,包括:
样本采集模块,用于采集样本集,所述样本集包括带有标签的图片和不带标签的图片,所述标签为所述图片是否存在缺陷的真实结果,将所述不带标签的图片作为预训练数据,将所述带有标签的图片分为训练数据和测试数据;
预训练模块,用于将所述预训练数据输入基础模型,采用迁移学习和语义网络聚合算法对所述基础模型进行训练以得到预训练模型,所述基础模型为元学习模型;
模型训练模块,用于将所述训练数据输入所述预训练模型,利用所述训练数据中的图片及其对应的标签训练得到缺陷检测模型;
模型优化模块,用于将所述测试数据输入所述缺陷检测模型,利用所述测试数据中的图片及其对应的标签对所述缺陷检测模型进行测试和优化;以及
缺陷检测模块,用于将待检测产品的图片输入测试和优化后的所述缺陷检测模型,输出所述待检测产品是否存在缺陷的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922731.1A CN113592850A (zh) | 2021-08-12 | 2021-08-12 | 一种基于元学习的缺陷检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110922731.1A CN113592850A (zh) | 2021-08-12 | 2021-08-12 | 一种基于元学习的缺陷检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592850A true CN113592850A (zh) | 2021-11-02 |
Family
ID=78257382
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110922731.1A Pending CN113592850A (zh) | 2021-08-12 | 2021-08-12 | 一种基于元学习的缺陷检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592850A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020039882A1 (ja) * | 2018-08-23 | 2020-02-27 | ファナック株式会社 | 判別装置及び機械学習方法 |
CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
CN112115993A (zh) * | 2020-09-11 | 2020-12-22 | 昆明理工大学 | 一种基于元学习的零样本和小样本证件照异常检测方法 |
CN112991344A (zh) * | 2021-05-11 | 2021-06-18 | 苏州天准科技股份有限公司 | 基于深度迁移学习的检测方法、存储介质和检测系统 |
-
2021
- 2021-08-12 CN CN202110922731.1A patent/CN113592850A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020039882A1 (ja) * | 2018-08-23 | 2020-02-27 | ファナック株式会社 | 判別装置及び機械学習方法 |
CN111062495A (zh) * | 2019-11-28 | 2020-04-24 | 深圳市华尊科技股份有限公司 | 机器学习方法及相关装置 |
CN112115993A (zh) * | 2020-09-11 | 2020-12-22 | 昆明理工大学 | 一种基于元学习的零样本和小样本证件照异常检测方法 |
CN112991344A (zh) * | 2021-05-11 | 2021-06-18 | 苏州天准科技股份有限公司 | 基于深度迁移学习的检测方法、存储介质和检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109239102B (zh) | 一种基于cnn的柔性电路板外观缺陷检测方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN111080622B (zh) | 神经网络训练方法、工件表面缺陷分类与检测方法及装置 | |
CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
CN108596038B (zh) | 一种结合形态学分割和神经网络的粪便中红细胞识别方法 | |
CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
CN110648310A (zh) | 基于注意力机制的弱监督铸件缺陷识别方法 | |
CN113469951B (zh) | 一种基于级联区域卷积神经网络的轮毂缺陷检测方法 | |
CN113393438B (zh) | 一种基于卷积神经网络的树脂镜片缺陷检测方法 | |
CN111476307B (zh) | 一种基于深度领域适应的锂电池表面缺陷检测方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
CN111507998A (zh) | 基于深度级联的多尺度激励机制隧道表面缺陷分割方法 | |
CN110443789B (zh) | 一种免疫固定电泳图自动识别模型的建立及使用方法 | |
CN110610482A (zh) | 一种基于resnet的工件瑕疵检测方法 | |
CN115631186B (zh) | 一种基于双分支神经网络的工业元件表面缺陷检测方法 | |
CN116128839A (zh) | 晶圆缺陷识别方法、装置、电子设备以及存储介质 | |
CN110020691A (zh) | 基于卷积神经网络对抗式训练的液晶屏幕缺陷检测方法 | |
CN114254146A (zh) | 图像数据的分类方法、装置和系统 | |
CN113962951B (zh) | 检测分割模型的训练方法及装置、目标检测方法及装置 | |
CN116152498A (zh) | 基于数据驱动的金属表面缺陷语义分割网络与训练方法 | |
CN111239137A (zh) | 基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法 | |
CN111984790B (zh) | 一种实体关系抽取方法 | |
CN117540779A (zh) | 一种基于双源知识蒸馏的轻量化金属表面缺陷检测方法 | |
CN116721291A (zh) | 基于改进YOLOv7模型的金属表面缺陷检测方法 | |
CN113592850A (zh) | 一种基于元学习的缺陷检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211102 |
|
RJ01 | Rejection of invention patent application after publication |