CN113657382B - 一种目标检测任务中最佳检测模型的选取方法及装置 - Google Patents
一种目标检测任务中最佳检测模型的选取方法及装置 Download PDFInfo
- Publication number
- CN113657382B CN113657382B CN202110973126.7A CN202110973126A CN113657382B CN 113657382 B CN113657382 B CN 113657382B CN 202110973126 A CN202110973126 A CN 202110973126A CN 113657382 B CN113657382 B CN 113657382B
- Authority
- CN
- China
- Prior art keywords
- defect
- detection
- rate
- optimal
- class
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 290
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000007547 defect Effects 0.000 claims abstract description 267
- 238000011156 evaluation Methods 0.000 claims abstract description 61
- 230000000875 corresponding effect Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种目标检测任务中最佳检测模型的选取方法及装置,包括获取预设的缺陷类别权重;获取缺陷类别下的过漏检率权重系数;根据缺陷类别权重和过漏检率权重系数,计算缺陷类别检出率评价指标;动态调整并选取最佳概率阈值;在缺陷类别检出率评价指标达到标准的基础上,计算缺陷类别检出率评价指标的IOU指标;从训练好的目标检测模型中选取IOU指标最优时的最佳检测模型。本申请通过缺陷类别权重和过漏检率权重系数计算缺陷类别检出率评价指标,并在缺陷类别检出率评价指标达到最佳的基础上,结合IOU指标,实现对目标特征的位置信息的准确定位,综合各指标即可从训练好的多个目标检测模型中选取在上述过程中表现最好的最佳检测模型。
Description
技术领域
本申请涉及图像目标检测技术领域,尤其涉及一种目标检测任务中最佳检测模型的选取方法及装置。
背景技术
在图像处理领域中,一般会采用目标检测算法(Detection)对带有标签的图像中的目标特征进行定位。目标检测算法(Detection)是深度学习计算机视觉(CV)领域一个非常重要的方向,目标检测算法通过对一系列带有标签的图像进行训练,提取目标特征,并用于预测新输入的带有标签的图像中是否含有该目标特征;若含有该目标特征,则目标检测算法通过矩形检测框对该目标特征进行标示。
通过目标检测算法对一系列带有标签的图像进行训练后,得到训练好的目标检测模型。但是在目标检测模型的训练过程中,一般会存在过拟合问题,即目标特征维度过少,目标检测模型过于简单,导致拟合的函数无法满足训练集,误差较大。为了缓解目标检测模型在训练过程中存在的过拟合问题,需要设置验证集对通过训练得到的多个目标检测模型进行评价监督,从而选取验证集中评价指标达到标准的最佳检测模型。
评价指标可以评价通过目标检测模型得到检测结果的类别是否正确,还可以评价通过目标检测模型标示的矩形检测框的位置信息是否正确。评价模型好坏的评价指标很多,例如:recall指标、precision指标、f1-score指标以及Map指标等。在目标检测任务中,通常采用Map(Mean Average Precision)指标对训练得到的多个目标检测模型进行评价监督。然而,在表面缺陷检测领域中,采用Map指标无法评价不同缺陷类别的重要程度差异,导致最终选取的模型并非最佳检测模型。
发明内容
本申请提供了一种目标检测任务中最佳检测模型的选取方法及装置,以解决现有技术中的采用Map指标无法评价不同缺陷类别的重要程度差异,导致最终选取的模型并非最佳检测模型的问题。
一方面,本申请提供一种目标检测任务中最佳检测模型的选取方法,包括以下步骤:
获取预设的缺陷类别权重,其中,所述缺陷类别权重用于表示每个缺陷类别所对应的重要程度;
获取所述缺陷类别下的过漏检率权重系数,其中,所述过漏检率权重系数根据预设的过漏检率关注偏好得到;
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标;
动态调整并选取最佳概率阈值,其中,所述最佳概率阈值与所述过检率和所述漏检率的取值呈正相关;
在所述缺陷类别检出率评价指标达到标准的基础上,计算所述缺陷类别检出率评价指标的IOU指标;
从训练好的目标检测模型中选取所述IOU指标最优时的最佳检测模型。
在本申请的较佳实施例中,获取预设的缺陷类别权重,包括:
判断是否已设置外部缺陷类别权重;
若已设置,则直接获取外部缺陷类别权重,其中,所述外部缺陷类别权重根据不同缺陷类别的重要程度设置为相对应的比例;
若未设置,则通过计算获取自动缺陷类别权重,其中,所述自动缺陷类别权重根据不同缺陷类别之间的分布情况计算得到相对应的比例。
采用上述技术方案,通过不同缺陷类别权重的计算,能够有效解决现有的Map指标无法评价不同缺陷类别之间的重要程度差异的问题,避免对部分极其重要的缺陷类别造成误判,从而引起的严重后果。
在本申请的较佳实施例中,根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标,包括以下步骤:
根据各个缺陷类别权重和各个缺陷类别检出率,计算缺陷类别平均检出率;
根据各个缺陷类别权重和各个缺陷类别漏检率,计算缺陷类别平均漏检率;
根据各个缺陷类别权重和各个缺陷类别过检率,计算缺陷类别平均过检率;
根据所述缺陷类别平均检出率和缺陷类别平均漏检率以及缺陷类别平均过检率,计算缺陷类别检出率评价指标。
采用上述技术方案,通过计算过漏检率权重系数,能够有效解决现有的Map指标无法对过漏检率进行权衡,从而导致的漏检率过高影响产品性能,过检率过高影响产品良率的问题。
在本申请的较佳实施例中,进一步地,根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标,采用的计算公式如下:
Eva=D_rate/(M_rate+α*O_rate);
D_rate表示缺陷类别平均检出率,wi表示缺陷类别权重,di表示缺陷类别检出率,M_rate表示缺陷类别平均漏检率,mi表示缺陷类别漏检率,O_rate表示缺陷类别平均过检率,oi表示缺陷类别过检率,Eva表示缺陷类别检出率评价指标,α表示过漏检率权重系数,i表示缺陷类别个数,n为正整数。
在本申请的较佳实施例中,从训练好的目标检测模型中选取所述IOU指标最优时的最佳检测模型,包括:
获取所述缺陷类别检出率评价指标最佳时的至少两个矩形检测框,所述矩形检测框中包含目标特征,至少两个所述矩形检测框分别通过训练好的对应目标检测模型得到;
计算至少两个所述矩形检测框对应的IOU指标;
比较计算得到的至少两个IOU指标,输出所述IOU指标最优时的矩形检测框;
选取与所述IOU指标最优时的矩形检测框所对应的目标检测模型,并将其作为最佳检测模型输出。
采用上述技术方案,通过在缺陷类别检出率评价指标最佳的基础上,对目标特征的位置信息进行准确定位,即通过计算IOU指标选取最优的(包含整个目标特征在内的)矩形检测框所对应的训练好的目标检测模型,并将其作为最佳检测模型输出,可以有效解决现有的Map指标无法准确评价目标特征位置信息的问题。
另一方面,本申请还提供一种目标检测任务中最佳检测模型的选取装置,所述选取装置包括:
训练模块和验证选取模块;
其中,所述训练模块用于:
获取若干含有标签的图像;
对所述若干含有标签的图像进行训练学习,得到若干目标检测模型;
所述验证选取模块用于:
获取预设的缺陷类别权重,其中,所述缺陷类别权重用于表示每个缺陷类别所对应的重要程度;
获取所述缺陷类别下的过漏检率权重系数,其中,所述过漏检率权重系数根据预设的过漏检率关注偏好得到;
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标;
动态调整并选取最佳概率阈值,其中,所述最佳概率阈值与所述过检率和所述漏检率的取值呈正相关;
在所述缺陷类别检出率评价指标达到标准的基础上,计算所述缺陷类别检出率评价指标的IOU指标;
从训练好的目标检测模型中选取所述IOU指标最优时的最佳检测模型。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种目标检测任务中最佳检测模型的选取方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述一种目标检测任务中最佳检测模型的选取方法的步骤。
本申请提供的一种目标检测任务中最佳检测模型的选取方法及装置,相较于现有技术而言,具有以下有益效果:
首先,本申请中采用缺陷类别系数进行加权计算,得到缺陷类别权重,可以评价不同缺陷类别的重要程度差异,避免在评判缺陷类别时,对极其重要的缺陷类别造成误判;其次,本申请中对于过漏检问题采用过漏检率权重系数进行加权计算,可以更好地控制过漏检率,避免因为漏检率过高造成的产品性能较差,以及过检率过高造成的产品质量较差的问题;最后,本申请通过缺陷类别权重和过漏检率权重系数计算缺陷类别检出率评价指标,并在缺陷类别检出率评价指标最佳的基础上,结合IOU指标,即矩形检测框指标实现对目标特征的位置信息进行准确定位,综合各个指标即可从训练得到的多个目标检测模型中在上述验证评价过程中选取表现最好的最佳检测模型。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本实施例1的一种目标检测任务中最佳检测模型的选取方法流程图;
图2为本实施例1的一种目标检测任务中最佳检测模型的选取方法中获取缺陷类别权重的流程图;
图3为本实施例1中缺陷类别检出率评价指标最佳时的目标特征位置信息示意图;
图4为本实施例2的一种目标检测任务中最佳检测模型的选取装置的原理示意框图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚,下面将结合本申请示例性实施例中的附图,对本申请示例性实施方式进行清楚、完整地描述,显然,所描述的示例性实施例仅是本申请一部分实施例,而不是全部的实施例。
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。
基于本申请描述的示例性实施例,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,都属于本申请所附权利要求保护的范围。此外,虽然本申请中公开内容按照示范性一个或几个实例来介绍,但应理解,可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。
需要说明的是,本申请中对于术语的简要说明,仅是为了方便理解接下来描述的实施方式,而不是意图限定本申请的实施方式。除非另有说明,这些术语应当按照其普通和通常的含义理解。
为便于对申请的技术方案进行,以下首先在对本申请所涉及到的一些概念进行说明。
权重指某一因素或指标相对于某一事物的重要程度,其不同于一般的比重,体现的不仅仅是某一因素或指标所占的百分比,强调的是因素或指标的相对重要程度,倾向于贡献度或重要性。
过漏检率关注偏好指的是在实际检测情况中,该产品中本领域技术人员根据经验通常关注的过漏检率或用户实际比较关注的过漏检率,是倾向于过检率或者漏检率再或者过检率与漏检率的均衡。
概率阈值指的是图像中判别为前景图像(目标特征)还是背景图像的概率,小于概率阈值则为前景图像(目标特征),否则为背景图像。
本申请中使用的术语“模块”,是指任何已知或后来开发的硬件、软件、固件、人工智能、模糊逻辑或硬件或/和软件代码的组合,能够执行与该元件相关的功能。
实施例1
参见图1,本申请提供一种目标检测任务中最佳检测模型的选取方法,包括以下步骤:
S101,获取预设的缺陷类别权重,其中,所述缺陷类别权重用于表示每个缺陷类别所对应的重要程度;
S102,获取所述缺陷类别下的过漏检率权重系数,其中,所述过漏检率权重系数根据预设的过漏检率关注偏好得到;
S103,根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标;
S104,动态调整并选取最佳概率阈值,其中,所述最佳概率阈值与所述过检率和所述漏检率的取值呈正相关;
S105,在所述缺陷类别检出率评价指标达到标准的基础上,计算所述缺陷类别检出率评价指标的IOU指标;
S106,从训练好的目标检测模型中选取所述IOU指标最优时的最佳检测模型。
在本实施例1中,步骤S101中,预设的缺陷类别权重是在表面缺陷检测领域中,根据各个缺陷类别的重要程度进行设置的,类别则需要根据不同表面缺陷检测的实际需求,通过本领域技术人员的常规技术手段进行划分。
进一步地,如图2所示,在本实施例1中,步骤S101包括:
判断是否已设置外部缺陷类别权重;
若已设置,则直接获取外部缺陷类别权重,其中,所述外部缺陷类别权重根据不同缺陷类别的重要程度设置为相对应的比例;
需要说明的是,所述外部缺陷类别权重为工作人员根据实际检测情况在系统中预先设置的不同缺陷类别所对应的权重,即按照不同缺陷类别的重要程度将其预先设置为相对应的比例;
若未设置,则通过计算获取自动缺陷类别权重,其中,所述自动缺陷类别权重根据不同缺陷类别之间的分布情况计算得到相对应的比例;
需要说明的是,所述自动缺陷类别权重根据不同缺陷类别之间的分布情况由系统进行自动计算后设置,不同缺陷类别之间的分布情况包括缺陷类别的数量、目标特征的尺度、目标特征在每张图像上的密集程度等多方面的信息。
更进一步地,若缺陷类别权重为wi,i表示缺陷类别个数,当缺陷类别个数i为3时,则外部缺陷类别权重可以直接设置为w1:w2:w3的比例,例如根据第一个缺陷类别、第二个缺陷类别以及第三个缺陷类别的重要程度可将其比例对应地直接设置为w1:w2:w3=1:5:1;当缺陷类别个数i为3时,若未设置外部缺陷类别权重,则系统根据3个缺陷类别的平均尺度,即目标特征的尺度(面积)为S1,S2,S3,以及图像上缺陷密度(密度仅通过含有该缺陷类别的缺陷部分图像进行平均计算)为D1,D2,,D3进行计算,即将相对应缺陷类别下的目标特征尺度和图像上缺陷密度进行相乘即可得到该缺陷类别下的缺陷类别权重,具体公式为:w1:w2:w3=S1*D1:S2*D2:S3*D3,但是除了上述列出来的根据两种不同缺陷类别之间的分布情况对自动缺陷类别权重进行计算外,系统还可以根据其他未具体说明计算过程的不同缺陷类别之间的分布情况对自动缺陷类别权重进行计算,具体根据实际情况需要选择。
在本实施例1中,步骤S102中的过漏检率权重系数采用α表示,α的取值由系统根据选取的过漏检率关注偏好进行自动计算,即当选定过漏检率关注偏好时,也可对应获取过漏检率权重系数的取值。过漏检率关注偏好包括过检率、漏检率及均衡(过检率与漏检率的均衡),三种偏好均预先设置在系统中,可根据实际检测需要或用户所关注的偏好进行选取。当选取的过漏检率关注偏好为过检率时,则需要适当弱化检出率,将α的取值设置为0.1,控制较好的过检率;当选取的过漏检率关注偏好为漏检率时,将α的取值设置为10,控制较好的漏检率;当选取的过漏检率关注偏好为均衡时,将α的取值设置为1,控制过检率和漏检率的平衡。
在本实施例1中,步骤S103包括以下步骤:
根据各个缺陷类别权重和各个缺陷类别检出率,计算缺陷类别平均检出率;
根据各个缺陷类别权重和各个缺陷类别漏检率,计算缺陷类别平均漏检率;
根据各个缺陷类别权重和各个缺陷类别过检率,计算缺陷类别平均过检率;
根据所述缺陷类别平均检出率和缺陷类别平均漏检率以及缺陷类别平均过检率,计算缺陷类别检出率评价指标。
进一步地,在本实施例1中,步骤S103采用的计算公式如下:
Eva=D_rate/(M_rate+α*O_rate);
D_rate表示缺陷类别平均检出率,wi表示缺陷类别权重,di表示缺陷类别检出率,M_rate表示缺陷类别平均漏检率,mi表示缺陷类别漏检率,O_rate表示缺陷类别平均过检率,oi表示缺陷类别过检率,Eva表示缺陷类别检出率评价指标,α表示过漏检率权重系数,i表示缺陷类别个数,n为正整数。
更进一步地,在本实施例1中,当缺陷类别个数i为3时,步骤S103中计算缺陷类别检出率评价指标的过程如下:
计算缺陷类别平均检出率:D_rate=average(w1*d1+w2*d2+w3*d3);
计算缺陷类别平均漏检率:M_rate=average(w1*m1+w2*m2+w3*m3);
计算缺陷类别平均过检率:O_rate=average(w1*o1+w2*o2+w3*o3);
计算缺陷类别检出率评价指标:Eva=D_rate/(M_rate+α*O_rate);
其中,D_rate表示缺陷类别平均检出率,w1表示第一个缺陷类别权重,w2表示第二个缺陷类别权重,w3表示第三个缺陷类别权重,d1表示第一个缺陷类别检出率,d2表示第二个缺陷类别检出率,d3表示第三个缺陷类别检出率,M_rate表示缺陷类别平均漏检率,m1表示第一个缺陷类别漏检率,m2表示第二个缺陷类别漏检率,m3表示第三个缺陷类别漏检率,O_rate表示缺陷类别平均过检率,o1表示第一个缺陷类别过检率,o2表示第二个缺陷类别过检率,o3表示第三个缺陷类别过检率,Eva表示缺陷类别检出率评价指标,α表示过漏检率权重系数,即与系统当前选择的过漏检率关注偏好所对应的过漏检率权重系数。
在本实施例1中,步骤S104中的动态调整并选取最佳概率阈值,是指在每一个目标检测模型的训练过程中通过每一轮的调整,动态选取最佳概率阈值。由于不同的场景下,最佳概率阈值均会有一定的波动,进而影响过漏检指标,且概率阈值与过检率和漏检率的取值呈正相关,因此,当选取到的概率阈值为最佳时,可以得到更好的过检率和漏检率。
在本实施例1中,步骤S105中,当缺陷类别检出率评价指标达到标准(最佳)时,由于缺陷类别检出率评价指标是通过检测出的矩形检测框的个数进行判别的,并不能代表矩形检测框的准确度,即目标特征是否完全被包含在矩形检测框中。因此,需要在缺陷类别检出率评价指标最佳的前提下,结合IOU指标对多个矩形检测框中的最优矩形检测框进行选取。
在本实施例1中,步骤S106包括:
获取所述缺陷类别检出率评价指标最佳时的至少两个矩形检测框,所述矩形检测框中包含目标特征,至少两个所述矩形检测框分别通过训练好的对应目标检测模型得到;
计算至少两个所述矩形检测框对应的IOU指标;
比较计算得到的至少两个IOU指标,输出所述IOU指标最优时的矩形检测框;
选取与所述IOU指标最优时的矩形检测框所对应的目标检测模型,并将其作为最佳检测模型输出。
示例性的,如图3所示,当缺陷类别检出率评价指标最佳时,检测出两个矩形检测框,其中,第一个矩形检测框仅包含部分目标特征,第二个矩形检测框包含全部目标特征。因此,需要计算IOU指标对其进行选取,即通过S106的操作步骤进行选取,IOU指标的计算原理与缺陷类别检出率评价指标计算原理一样,通过计算标注矩形框和检测出的矩形检测框的交并比分别得出两个矩形检测框的IOU指标,并比较两个IOU指标,选取与所述IOU指标最优时的矩形检测框所对应的目标检测模型,并将其作为最佳检测模型输出。具体IOU指标的计算公式此处不再赘述,本领域技术人员根据公知常识可以得到。
经过本实施例1的选取方法,得到的最佳检测模型能够更好地适应不同的数据集;并且,经过本实施例1中对缺陷类别检出率评价指标的优化以及结合最佳概率阈值和IOU指标(判别矩形检测框的准确程度)选取出的最佳检测模型相对于现有技术而言,在不同数据集下的漏检率均会降低45%-62%,过检率保持不变。两种处理结果的对比见下表,表1为对数据集OCR-1的处理结果对比,表2为数据集bar的处理结果对比,表3为数据集DM的处理结果对比。
表1
表2
表3
从表1至表3可以看出,通过本实施例1选取到的最佳检测模型对于不同数据集的漏检率均有很大程度的降低。但是上述数据集仅作为说明本实施例1选取的最佳检测模型相较于现有的最佳检测模型的漏检率降低,提升产品性能的示例,对于其他数据集的处理也会很大程度降低漏检率,在本申请中不做一一列举。
实施例2
与前述一种目标检测任务中最佳检测模型的选取方法的实施例相对应,本申请还提供了一种目标检测任务中最佳检测模型的选取装置的实施例。如图4所示,该选取装置包括:
训练模块和验证选取模块;
其中,所述训练模块用于:
获取若干含有标签的图像(图4中未示出),若干含有标签的图像组成图4中的训练集;
对所述若干含有标签的图像进行训练学习,得到若干目标检测模型,即图4中的训练集每训练一次,得到一个目标检测模型,反复迭代N次,得到N个目标检测模型,如图4中的目标检测模型1、目标检测模型2、...、目标检测模型N;
图4中的验证选取模块,即验证集用于通过下述步骤评价并选取通过训练模块得到的目标检测模型1、目标检测模型2、...、目标检测模型N中表现最好的最佳检测模型:
获取预设的缺陷类别权重,其中,所述缺陷类别权重用于表示每个缺陷类别所对应的重要程度;
获取所述缺陷类别下的过漏检率权重系数,其中,所述过漏检率权重系数根据预设的过漏检率关注偏好得到;
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标;
动态调整并选取最佳概率阈值,其中,所述最佳概率阈值与所述过检率和所述漏检率的取值呈正相关;
在所述缺陷类别检出率评价指标达到标准的基础上,计算所述缺陷类别检出率评价指标的IOU指标;
从训练好的目标检测模型中选取所述IOU指标最优时的最佳检测模型。
需要说明的是,在本实施例2中,目标检测模型的训练过程一般分为训练集和验证集,其中,如图4所示,训练集用于目标检测模型的训练,验证集(验证选取模块)用于对训练集每一次迭代后训练好的目标检测模型采用本实施例2中的缺陷类别检出率评价指标进行评价,并选取表现最好的最佳检测模型。
需要说明的是,本实施例1和本实施例2中均仅以表面缺陷检测领域作为示例说明本申请的技术方案,并且在表面缺陷检测领域中,目标特征的位置信息(定位的准确程度)相对于过漏检率处于次要地位。另外,对于工业检测领域中,所有包含需要准确检测目标特征的场景,均可使用本申请的技术方案进行最佳检测模型的选取。但是上述技术方案中的类别不再是缺陷类别,而需要根据不同领域中检测需求或该领域技术人员的常规技术手段进行重新划分,并重新设置该领域中划分出的不同类别所对应的权重。
一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本实施例1的一种目标检测任务中最佳检测模型的选取方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本实施例1的一种目标检测任务中最佳检测模型的选取方法的步骤。
Claims (10)
1.一种目标检测任务中最佳检测模型的选取方法,其特征在于,包括以下步骤:
获取预设的缺陷类别权重,其中,所述缺陷类别权重用于表示每个缺陷类别所对应的重要程度;
获取所述缺陷类别下的过漏检率权重系数,其中,所述过漏检率权重系数根据预设的过漏检率关注偏好得到,所述过漏检率关注偏好包括过检率、漏检率及过检率与漏检率的均衡;
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标;
动态调整并选取最佳概率阈值,其中,所述最佳概率阈值与所述过检率和所述漏检率的取值呈正相关;
根据所述最佳概率阈值得到最佳的所述缺陷类别检出率评价指标,最佳的所述缺陷类别检出率评价指标表征所述缺陷类别检出率评价指标达到标准;
在所述缺陷类别检出率评价指标达到标准的基础上,计算所述缺陷类别检出率评价指标的IOU指标;
从训练好的目标检测模型中选取IOU指标最优时的最佳检测模型。
2.根据权利要求1所述的一种目标检测任务中最佳检测模型的选取方法,其特征在于,
获取预设的缺陷类别权重,包括:
判断是否已设置外部缺陷类别权重;
若已设置,则直接获取外部缺陷类别权重,其中,所述外部缺陷类别权重根据不同缺陷类别的重要程度设置为相对应的比例;
若未设置,则通过计算获取自动缺陷类别权重,其中,所述自动缺陷类别权重根据不同缺陷类别之间的分布情况计算得到相对应的比例。
3.根据权利要求1所述的一种目标检测任务中最佳检测模型的选取方法,其特征在于,
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标,包括以下步骤:
根据各个缺陷类别权重和各个缺陷类别检出率,计算缺陷类别平均检出率;
根据各个缺陷类别权重和各个缺陷类别漏检率,计算缺陷类别平均漏检率;
根据各个缺陷类别权重和各个缺陷类别过检率,计算缺陷类别平均过检率;
根据所述缺陷类别平均检出率和缺陷类别平均漏检率以及缺陷类别平均过检率,计算缺陷类别检出率评价指标。
4.根据权利要求3所述的一种目标检测任务中最佳检测模型的选取方法,其特征在于,
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标,采用的计算公式如下:
Eva=D_rate/(M_rate+α*O_rate);
D_rate表示缺陷类别平均检出率,wi表示缺陷类别权重,di表示缺陷类别检出率,M_rate表示缺陷类别平均漏检率,mi表示缺陷类别漏检率,O_rate表示缺陷类别平均过检率,oi表示缺陷类别过检率,Eva表示缺陷类别检出率评价指标,α表示过漏检率权重系数,i表示缺陷类别个数,n为正整数。
5.根据权利要求1-4任意一项所述的一种目标检测任务中最佳检测模型的选取方法,其特征在于,
从训练好的目标检测模型中选取IOU指标最优时的最佳检测模型,包括:
获取缺陷类别检出率评价指标最佳时的至少两个矩形检测框,所述矩形检测框中包含目标特征,至少两个所述矩形检测框分别通过训练好的对应目标检测模型得到;
计算至少两个所述矩形检测框对应的IOU指标;
比较计算得到的至少两个IOU指标,输出所述IOU指标最优时的矩形检测框;
选取与所述IOU指标最优时的矩形检测框所对应的目标检测模型,并将其作为最佳检测模型输出。
6.一种目标检测任务中最佳检测模型的选取装置,其特征在于,采用了如权利要求1-5任意一项所述的一种目标检测任务中最佳检测模型的选取方法,所述选取装置包括:
训练模块和验证选取模块;
其中,所述训练模块用于:
获取若干含有标签的图像;
对所述若干含有标签的图像进行训练学习,得到若干目标检测模型;
所述验证选取模块用于:
获取预设的缺陷类别权重,其中,所述缺陷类别权重用于表示每个缺陷类别所对应的重要程度;
获取所述缺陷类别下的过漏检率权重系数,其中,所述过漏检率权重系数根据预设的过漏检率关注偏好得到,所述过漏检率关注偏好包括过检率、漏检率及过检率与漏检率的均衡;
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标;
动态调整并选取最佳概率阈值,其中,所述最佳概率阈值与所述过检率和所述漏检率的取值呈正相关;
根据所述最佳概率阈值得到最佳的所述缺陷类别检出率评价指标,最佳的所述缺陷类别检出率评价指标表征所述缺陷类别检出率评价指标达到标准;
在所述缺陷类别检出率评价指标达到标准的基础上,计算所述缺陷类别检出率评价指标的IOU指标;
从训练好的目标检测模型中选取所述IOU指标最优时的最佳检测模型。
7.根据权利要求6所述的一种目标检测任务中最佳检测模型的选取装置,其特征在于,
获取预设的缺陷类别权重,包括:
判断是否已设置外部缺陷类别权重;
若已设置,则直接获取外部缺陷类别权重,其中,所述外部缺陷类别权重根据不同缺陷类别的重要程度设置为相对应的比例;
若未设置,则通过计算获取自动缺陷类别权重,其中,所述自动缺陷类别权重根据不同缺陷类别之间的分布情况计算得到相对应的比例。
8.根据权利要求6所述的一种目标检测任务中最佳检测模型的选取装置,其特征在于,
根据所述缺陷类别权重和所述过漏检率权重系数,计算缺陷类别检出率评价指标,包括以下步骤:
根据各个缺陷类别权重和各个缺陷类别检出率,计算缺陷类别平均检出率;
根据各个缺陷类别权重和各个缺陷类别漏检率,计算缺陷类别平均漏检率;
根据各个缺陷类别权重和各个缺陷类别过检率,计算缺陷类别平均过检率;
根据所述缺陷类别平均检出率和缺陷类别平均漏检率以及缺陷类别平均过检率,计算缺陷类别检出率评价指标。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-5任意一项所述一种目标检测任务中最佳检测模型的选取方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述一种目标检测任务中最佳检测模型的选取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973126.7A CN113657382B (zh) | 2021-08-24 | 2021-08-24 | 一种目标检测任务中最佳检测模型的选取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110973126.7A CN113657382B (zh) | 2021-08-24 | 2021-08-24 | 一种目标检测任务中最佳检测模型的选取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657382A CN113657382A (zh) | 2021-11-16 |
CN113657382B true CN113657382B (zh) | 2024-03-01 |
Family
ID=78492615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110973126.7A Active CN113657382B (zh) | 2021-08-24 | 2021-08-24 | 一种目标检测任务中最佳检测模型的选取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113657382B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2843401A1 (en) * | 2013-08-30 | 2015-03-04 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | System and method for defect monitoring |
CN105654121A (zh) * | 2016-04-11 | 2016-06-08 | 李云栋 | 一种基于深度学习的复杂提花织物缺陷检测方法 |
CN206935825U (zh) * | 2017-06-22 | 2018-01-30 | 山东明佳科技有限公司 | 一种玻璃容器制造颈部裂纹缺陷视觉检测系统 |
CN110457452A (zh) * | 2019-07-08 | 2019-11-15 | 汉海信息技术(上海)有限公司 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
CN111797711A (zh) * | 2020-06-15 | 2020-10-20 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
CN111815564A (zh) * | 2020-06-09 | 2020-10-23 | 浙江华睿科技有限公司 | 一种检测丝锭的方法、装置及丝锭分拣系统 |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
CN112884712A (zh) * | 2021-01-22 | 2021-06-01 | 深圳精智达技术股份有限公司 | 一种显示面板缺陷分类的方法及相关装置 |
WO2021151336A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于注意力机制的道路图像目标检测方法及相关设备 |
-
2021
- 2021-08-24 CN CN202110973126.7A patent/CN113657382B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2843401A1 (en) * | 2013-08-30 | 2015-03-04 | Nederlandse Organisatie voor toegepast -natuurwetenschappelijk onderzoek TNO | System and method for defect monitoring |
CN105654121A (zh) * | 2016-04-11 | 2016-06-08 | 李云栋 | 一种基于深度学习的复杂提花织物缺陷检测方法 |
CN206935825U (zh) * | 2017-06-22 | 2018-01-30 | 山东明佳科技有限公司 | 一种玻璃容器制造颈部裂纹缺陷视觉检测系统 |
CN110457452A (zh) * | 2019-07-08 | 2019-11-15 | 汉海信息技术(上海)有限公司 | 推荐理由生成方法、装置、电子设备及可读存储介质 |
CN111815564A (zh) * | 2020-06-09 | 2020-10-23 | 浙江华睿科技有限公司 | 一种检测丝锭的方法、装置及丝锭分拣系统 |
CN111797711A (zh) * | 2020-06-15 | 2020-10-20 | 北京三快在线科技有限公司 | 一种模型训练的方法及装置 |
WO2021151336A1 (zh) * | 2020-09-08 | 2021-08-05 | 平安科技(深圳)有限公司 | 基于注意力机制的道路图像目标检测方法及相关设备 |
CN112734734A (zh) * | 2021-01-13 | 2021-04-30 | 北京联合大学 | 一种基于改进残差网络的铁路隧道裂缝检测方法 |
CN112884712A (zh) * | 2021-01-22 | 2021-06-01 | 深圳精智达技术股份有限公司 | 一种显示面板缺陷分类的方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的织物缺陷在线检测算法;王理顺,钟勇,李振东,贺宜龙;《计算机应用》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113657382A (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408707A (zh) | 一种快速数字成像模糊鉴别与复原图像质量评估方法 | |
US11908127B2 (en) | Internet of Things systems for industrial data processing, control methods, and storage medium thereof | |
CN111862040A (zh) | 人像图片质量评价方法、装置、设备及存储介质 | |
CN111414930B (zh) | 深度学习模型训练方法及装置、电子设备及存储介质 | |
AU2021106346A4 (en) | Unsupervised coal flow anomaly detection method based on a generative adversarial learning | |
CN113657382B (zh) | 一种目标检测任务中最佳检测模型的选取方法及装置 | |
CN112613462B (zh) | 一种加权交并比方法 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN116152612B (zh) | 一种长尾图像识别方法及相关装置 | |
US20230385690A1 (en) | Computer-readable recording medium storing determination program, determination apparatus, and method of determining | |
CN111932160A (zh) | 知识掌握信息处理方法、装置、计算机设备及存储介质 | |
CN115690100B (zh) | 半监督信号点检测模型训练方法、信号点检测方法和装置 | |
CN107247996A (zh) | 一种应用于异分布数据环境的主动学习方法 | |
CN116228776A (zh) | 一种机电设备焊接缺陷识别方法及系统 | |
CN116645719A (zh) | 一种瞳孔和虹膜定位方法、装置、电子设备及存储介质 | |
US20240160196A1 (en) | Hybrid model creation method, hybrid model creation device, and recording medium | |
CN112686851B (zh) | 一种图像检测方法、装置及存储介质 | |
CN115222691A (zh) | 图像缺陷检测方法、系统及相关装置 | |
CN111368792B (zh) | 特征点标注模型训练方法、装置、电子设备及存储介质 | |
CN114782765A (zh) | 一种基于IoU改进损失函数的目标检测方法 | |
CN115982455B (zh) | 基于模糊断点回归模型的流量调整方法、装置和电子设备 | |
CN117649528B (zh) | 一种半监督图像分割方法、系统、电子设备及存储介质 | |
CN117576381B (zh) | 目标检测训练方法及电子设备、计算机可读存储介质 | |
JP7040619B2 (ja) | 学習装置、学習方法及び学習プログラム | |
CN112331313B (zh) | 一种基于标签编码的糖网影像病变的自动分级方法 |
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 |