CN113807434B - 布匹的瑕疵识别方法及模型训练方法 - Google Patents
布匹的瑕疵识别方法及模型训练方法 Download PDFInfo
- Publication number
- CN113807434B CN113807434B CN202111085311.9A CN202111085311A CN113807434B CN 113807434 B CN113807434 B CN 113807434B CN 202111085311 A CN202111085311 A CN 202111085311A CN 113807434 B CN113807434 B CN 113807434B
- Authority
- CN
- China
- Prior art keywords
- flaw
- cloth
- flaws
- type
- preset model
- 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
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
-
- 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
Abstract
本申请提供一种布匹的瑕疵识别方法及模型训练方法,模型训练方法包括:通过预设模型对布匹进行检测处理得到检测结果,检测结果包括:预设模型检测到的第一瑕疵在布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型。获取待检测布匹对应的标注结果,标注结果包括标注出来的第二瑕疵在布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型。根据标注结果,确定布匹中出现每种瑕疵类型的瑕疵的概率,以及根据检测结果和标注结果,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本。根据目标训练样本更新预设模型。这提升了预设模型的瑕疵识别准确率。
Description
技术领域
本申请涉及自动控制技术,尤其涉及一种布匹的瑕疵识别方法及模型训练方法。
背景技术
在布匹的生产过程中,由于各方面影响,会产生污渍、破洞、毛粒等各种瑕疵。为保证布匹质量,布匹瑕疵识别成为纺织行业生产和质量管理的重要环节。
在相关技术中,布匹随传送带转动而移动,工业相机对布匹进行拍照并将拍摄到布匹的图片传送至后台电脑上,由检验人员在电脑屏幕上对布匹进行瑕疵识别操作。在瑕疵识别操作过程中,检验人员会直接在布匹图片上以矩形框的方式将瑕疵标出。
然而,由于布匹运送速度非常快这容易使人产生视觉疲劳,以及,布匹瑕疵种类繁多、形态变化多样导致瑕疵类型分辨难度加大的原因,使得人工识别容易出现漏检和误检的问题,导致布匹瑕疵识别准确率较低。
发明内容
本申请提供一种布匹的瑕疵识别方法及模型训练方法,以提高模型对布匹瑕疵识别准确率。
第一方面,本申请提供一种模型训练方法,包括:
通过预设模型对布匹进行检测处理得到检测结果,所述检测结果包括:所述预设模型检测到的第一瑕疵在所述布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型;
获取所述布匹对应的标注结果,所述标注结果包括标注出来的第二瑕疵在所述布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型;
根据所述标注结果,确定所述布匹中出现每种瑕疵类型的瑕疵的概率,以及根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率;
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本;
根据所述目标训练样本更新所述预设模型。
在一种可能的设计中,所述根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本,包括:
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值;
根据每种瑕疵类型对应的权重值,确定所述目标训练样本。
在一种可能的设计中,针对任意一种瑕疵类型;所述根据所述布匹中出现所述瑕疵类型的瑕疵的概率、以及所述预设模型对所述瑕疵类型的瑕疵的识别准确率,确定所述瑕疵类型对应的权重值,包括:
通过如下公式一,确定所述瑕疵类型对应的权重值W:
W=α*(P1+P2),α∈(0,1)公式一;
其中,所述P1为所述布匹中出现所述瑕疵类型的瑕疵的概率,所述P2为所述预设模型对所述瑕疵类型的瑕疵的识别准确率,α为权重因子。
在一种可能的设计中,所述根据每种瑕疵类型对应的权重值,确定所述目标训练样本,包括:
根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,所述目标瑕疵类型的权重值小于或等于预设阈值;
根据所述目标瑕疵类型确定所述目标训练样本,所述目标训练样本中存在所述目标瑕疵类型的瑕疵。
在一种可能的设计中,所述根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率,包括:
对所述检测结果和所述标注结果进行比对处理,以确定所述预设模型对每种瑕疵类型的瑕疵的识别信息,所述识别信息包括所述预设模型对所述瑕疵类型的瑕疵正确识别的第一数量、以及所述预设模型对所述瑕疵类型的瑕疵识别错误或者漏识别的第二数量;
根据所述预设模型对每种瑕疵类型的瑕疵的识别信息,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率。
第二方面,本申请提供一种布匹的瑕疵识别方法,包括:
获取待检测布匹的布匹图片;
通过预设模型对所述布匹图片进行识别处理,以确定所述待检测布匹中存在的瑕疵;其中,所述预设模型为通过第一方面以及第一方面各种可能的设计中任一所述的方法训练得到的。
第三方面,本申请提供一种模型训练装置,包括:
处理模块,用于通过预设模型对布匹进行检测处理得到检测结果,所述检测结果包括:所述预设模型检测到的第一瑕疵在所述布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型;
第一获取模块,用于获取所述布匹对应的标注结果,所述标注结果包括标注出来的第二瑕疵在所述布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型;
第一确定模块,用于根据所述标注结果,确定所述布匹中出现每种瑕疵类型的瑕疵的概率,以及根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率;
第二确定模块,用于根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本;
更新模块,用于根据所述目标训练样本更新所述预设模型。
在一种可能的设计中,所述第二确定模块具体用于:
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值;
根据每种瑕疵类型对应的权重值,确定所述目标训练样本。
在一种可能的设计中,针对任意一种瑕疵类型;所述第二确定模块具体用于:
通过如下公式一,确定所述瑕疵类型对应的权重值W:
W=α*(P1+P2),α∈(0,1) 公式一;
其中,所述P1为所述布匹中出现所述瑕疵类型的瑕疵的概率,所述P2为所述预设模型对所述瑕疵类型的瑕疵的识别准确率,α为权重因子。
在一种可能的设计中,所述第二确定模块具体用于:
根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,所述目标瑕疵类型的权重值小于或等于预设阈值;
根据所述目标瑕疵类型确定所述目标训练样本,所述目标训练样本中存在所述目标瑕疵类型的瑕疵。
在一种可能的设计中,所述第一确定模块具体用于:
对所述检测结果和所述标注结果进行比对处理,以确定所述预设模型对每种瑕疵类型的瑕疵的识别信息,所述识别信息包括所述预设模型对所述瑕疵类型的瑕疵正确识别的第一数量、以及所述预设模型对所述瑕疵类型的瑕疵识别错误或者漏识别的第二数量;
根据所述预设模型对每种瑕疵类型的瑕疵的识别信息,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率。
第四方面,本申请提供一种布匹的瑕疵识别装置,包括:
第二获取模块,用于获取待检测布匹的布匹图片;
第三确定模块,用于通过预设模型对所述布匹图片进行识别处理,以确定所述待检测布匹中存在的瑕疵;其中,所述预设模型为通过第一方面以及第一方面各种可能的设计中任一所述的方法训练得到的。
第五方面,本申请提供一种电子设备,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法,或者,执行如上第二方面所述的方法。
第六方面,本申请提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法,或者,执行如上第二方面所述的方法。
本申请提供一种布匹的瑕疵识别方法及模型训练方法,模型训练方法包括:通过预设模型对布匹进行检测处理得到检测结果,检测结果包括:预设模型检测到的第一瑕疵在布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型。获取待检测布匹对应的标注结果,标注结果包括标注出来的第二瑕疵在布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型。根据标注结果,确定布匹中出现每种瑕疵类型的瑕疵的概率,以及根据检测结果和标注结果,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本。根据目标训练样本更新预设模型。其中,根据目标训练样本对预设模型进行增强训练,可以有效提升预设模型对目标训练样本对应的各瑕疵类型的识别准确率。
附图说明
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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,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为本申请实施例提供的布匹瑕疵识别方法的一种应用场景的示意图;
图2为本申请实施例提供的模型训练方法的流程图一;
图3为本申请实施例提供的模型训练方法的流程图二;
图4为本申请实施例提供的布匹的瑕疵识别方法的流程图;
图5为本申请实施例提供的获取待检测布匹的照片的场景示意图;
图6为本申请实施例提供的模型训练装置的结构示意图;
图7为本申请实施例提供的布匹的瑕疵识别装置的结构示意图;
图8为本申请实施例提供的设备的硬件结构示意图。
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。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。
在布匹瑕疵识别的相关技术中,布匹随传送带转动而移动,工业相机对布匹进行拍照并将拍摄到布匹的图片传送至后台电脑上,由检验人员在电脑屏幕上对布匹进行瑕疵识别操作。在瑕疵识别操作过程中,检验人员会直接在布匹图片上以矩形框的方式将瑕疵标出。
然而,由于布匹运送速度非常快这容易使人产生视觉疲劳,以及,布匹瑕疵种类繁多、形态变化多样导致瑕疵类型分辨难度加大的原因,使得人工识别容易出现漏检和误检的问题,导致布匹瑕疵识别准确率较低。
基于上述存在的问题,本申请提出了如下的技术构思:检验人员在电脑屏幕上对布匹进行瑕疵识别操作,并将识别出的布匹瑕疵在电脑屏幕上标记出来。之后根据布匹瑕疵标记,获取大量的布匹瑕疵图片。根据大量的布匹瑕疵图片对机器学习模型进行训练,得到训练好的布匹瑕疵识别模型,以通过布匹瑕疵识别模型可以对布匹瑕疵进行自动识别,以节省人力提高瑕疵识别效率。由于布匹瑕疵种类繁多、形态变化多样可能会导致布匹瑕疵识别模型出现少量漏检与误检的操作。因此,为了进一步提高布匹瑕疵识别模型识别布匹瑕疵的准确率和检出率,根据布匹瑕疵识别模型漏检和误检的布匹瑕疵图片对布匹瑕疵识别模型进行针对性训练。因此,本申请通过布匹瑕疵识别模型对布匹进行布匹瑕疵识别,以及,根据布匹瑕疵识别模型漏检和误检的布匹瑕疵图片对布匹瑕疵识别模型进行针对性训练,可以有效提高布匹瑕疵识别的识别准确率。
下面,结合图1,对本申请的一种应用场景进行介绍,图1为本申请实施例提供的布匹瑕疵识别方法的一种应用场景的示意图:
如图1所示,包括:
数字验布机主要由光学采集系统、可编程控制系统、网络服务器以及布匹瑕疵识别装置四个部分组成。
其中,光学采集系统包括工业相机和灯具。其中,灯具用于提供光源。工业相机用于对布匹进行拍摄以获得布匹图片。
可编程控制系统,用于控制数字验布机传送带转轴的启动和停止。其中,可编程控制系统包括数字化步长编码器(图中简称编码器)。编码器用于输出布匹面料走过的长度,并且通过串口通信发送给服务器,服务器记录下来该面料的长度。
网络服务器,用于接收来自工业相机拍摄的布匹图片以及来自编码器发送的布匹面料走过的长度,并将该布匹图片和布匹面料走过的长度信息通过交换机传送到办公室电脑中。
布匹瑕疵识别装置,用于将布匹图片采集和呈现、输入布匹信息、测量布匹幅宽和长度、人工标记布匹瑕疵以及使用布匹瑕疵识别模型对布匹进行瑕疵识别处理。其中,布匹瑕疵识别装置可以位于电脑中。
在数字验布机工作的过程中,布匹随传送带转动而移动,工业相机对布匹进行拍照并将拍摄到的布匹图片传送至电脑上,一方面通过电脑上的布匹瑕疵识别装置对布匹进行瑕疵识别并记录所识别到的瑕疵所在布匹长度和幅宽;另一方面,检验人员也可同时在电脑屏幕上对布匹进行瑕疵识别,并以矩形框的形式将布匹瑕疵标出并标记各瑕疵的瑕疵类型。
下面,通过具体实施例,对本申请所示的技术方案进行详细说明。需要说明的是,下面几个实施例可以单独存在,也可以相互结合,对于相同或相似的内容,在不同的实施例中不再重复说明。
基于上述介绍的技术构思,下面结合图2和具体的实施例首先对本申请所提供的模型训练方法进行详细介绍,图2为本申请实施例提供的模型训练方法的流程图一。
如图2所示,该方法包括:
S201、通过预设模型对布匹进行检测处理得到检测结果,检测结果包括:预设模型检测到的第一瑕疵在布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型。
本申请实施例的执行主体可以为处理器,也可以为设置在布匹瑕疵识别装置中的数据处理组件。其中,布匹瑕疵识别装置中的数据处理组件可以通过软件和/或硬件的结合来实现。
预设模型是指通过根据大量的布匹瑕疵图片以及各布匹瑕疵图片的瑕疵类型对机器学习模型进行训练处理后得到的模型,该模型用于识别布匹瑕疵。
机器学习模型例如可以为YOLO网络模型。其中,YOLO网络模型用于目标检测即在一副图片中检测目标对象并识别目标对象在图片中所处在的位置。对于YOLO网络模型在此不过多介绍,参考现有技术中YOLO网络模型的内容介绍即可。
在本实施例中,对机器学习模型的选择不做以限制,只要满足根据大量的布匹瑕疵图片对该机器学习模型进行训练后,得到的预设模型可以对布匹进行瑕疵识别即可。
第一瑕疵为通过预设模型检测出来的布匹瑕疵。其中,通过预设模型检测出第一瑕疵的数量例如可以为0或M。其中,M为正整数。
在本实施例中,布匹随传送带转动而移动,工业相机对布匹进行拍照并将拍摄到布匹的图片传送至后台电脑上,通过电脑中的预设模型对布匹进行瑕疵检测处理得到检测结果。其中,检测结果例如可以为预设模型检测到的第一瑕疵在布匹中的瑕疵位置以及每个第一瑕疵的瑕疵类型。
需要说明的是,第一瑕疵的瑕疵位置例如可以为该第一瑕疵在所在的布匹的长度以及幅宽。布匹的瑕疵类型例如可以为如下中的至少一种:破洞疵、磨损疵、擦伤疵、粗经疵、粗纬疵、扭结纱疵等。
S202、获取布匹对应的标注结果,标注结果包括标注出来的第二瑕疵在布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型。
布匹对应的标注结果为对布匹进行布匹瑕疵检测的检测结果。需要说明的是,标注结果不是通过S202中预设模型获取到的检测结果。
标注结果中的瑕疵记为第二瑕疵,以及,标注结果中的第二瑕疵的数量例如可以为0或N。其中,N为正整数。其中,对N和M的大小关系例如可以为大于或小于或等于,根据实际情况确定,对此不作限制。
下面,对获取布匹对应的标注结果的一种可能的实现方式进行示例性的说明。
在一种可能的实现方式中,通过检测人员对布匹进行布匹瑕疵检测,人工检测后得到的检测结果即为标注结果。具体的,检测人员在电脑屏幕上对布匹进行布匹瑕疵检验的过程中,将检测到的布匹瑕疵例如可以以矩形框的形式标出并标记各布匹瑕疵的瑕疵类型。其中,需要说明的是,检测人员只需将检测到的布匹瑕疵以矩形框的形式标出,布匹瑕疵识别装置会根据矩形框在布匹中的位置,计算出该布匹瑕疵在布匹中的位置。其中,在布匹中的位置信息包括但不限于:瑕疵所在布匹的长度、幅宽。
S203、根据标注结果,确定布匹中出现每种瑕疵类型的瑕疵的概率,以及根据检测结果和标注结果,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。
下面,首先对根据标注结果,确定布匹中出现每种瑕疵类型的瑕疵的概率的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中,统计标注结果中第一瑕疵的总数量,以及各个瑕疵类型出现的数量。根据第一瑕疵的总数量以及各个瑕疵类型出现的数量,计算布匹中出现每种瑕疵类型的瑕疵的概率。例如,可以参考公式一进行计算。
其中,P1为标注结果中出现瑕疵类型为瑕疵类型1的第一瑕疵的概率,N1为标注结果中瑕疵类型为瑕疵类型1的第一瑕疵的总数量,Ntotal为标注结果中第一瑕疵的总数量。
下面,通过一个具体示例,对该种可能的实现方式进行说明。
例如,在标注结果中包括L个第一瑕疵、K种瑕疵类型。其中,K种瑕疵类型分别为:瑕疵类型1、瑕疵类型2、…、瑕疵类型K。以及,该K种瑕疵类型各自的数量为:N1,N2,...,NK。因此,瑕疵类型i(1≤i≤K)在标注结果中出现的频率的计算方法,例如可以参考公式二。
其中,Pi为标注结果中出现瑕疵类型为瑕疵类型i的第一瑕疵的概率,Ni为标注结果中瑕疵类型为瑕疵类型i的第一瑕疵的总数量。
下面,对根据检测结果和标注结果,确定预设模型对每种瑕疵类型的瑕疵的识别准确率的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中,考虑到通过预设模型对布匹进行检测处理得到检测结果中可能会出现误检的问题,为避免误计算,因此不能简单的根据检测结果中各瑕疵类型的数量与标注结果中各瑕疵类型的数量的比值来确定布匹中出现每种瑕疵类型的瑕疵的识别准确率。针对各种瑕疵类型,根据检测结果中各瑕疵类型的第一瑕疵和标注结果中各瑕疵类型的第二瑕疵,确定检查结果和标注结果各瑕疵类型中瑕疵相同的数量。根据各瑕疵类型中瑕疵相同的数量以及标注结果各瑕疵类型中的数量,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。
下面,通过一个具体示例,对该种可能的实现方式进行说明。
例如,在标注结果和检测结果中均包括8种瑕疵类型,分别为瑕疵类型1-8。其中,标注结果中各瑕疵类型对应的第二瑕疵数量为N1,N2,...,N8,检测结果中各瑕疵类型对应的第一瑕疵数量为N1',N'2,...,N8'。针对各瑕疵类型,对检测结果的各个第一瑕疵和标注结果的第二瑕疵依次进行一一比对,判断在标注结果中是否存在与第一瑕疵相同的第二瑕疵,并统计相同的数量。下面,以瑕疵类型1为例,计算预设模型对瑕疵类型1的瑕疵的识别准确率。在检测结果和标注结果中瑕疵类型1的数量分别为:N1',N1。假定经一一对比后,在检测结果中瑕疵类型1对应的N1'个第一瑕疵中存在N1 s个第一瑕疵在标注结果的瑕疵类型1对应的N1个第二瑕疵中出现。因此,预设模型对瑕疵类型1的瑕疵的识别准确率的计算,可以参照公式三所示。
其中,为预设模型对瑕疵类型1的瑕疵的识别准确率。
S204、根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本。
基于上述步骤S203获得了布匹中出现每种瑕疵类型的瑕疵的概率,以及预设模型对每种瑕疵类型的瑕疵的识别准确率,接下来确定目标训练样本。
下面,对根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中,针对各瑕疵类型,将布匹中各瑕疵类型出现的概率与预设概率阈值进行比较。若布匹中一瑕疵类型出现的概率小于或等于预设概率阈值,则将该瑕疵类型确定为待选瑕疵类型。针对各待选瑕疵类型,将待选瑕疵类型的识别准确率与预设识别准确率阈值进行比较。若一待选瑕疵类型的识别准确率小于或等于预设识别准确率阈值,则将该瑕疵类型确定为目标瑕疵类型。针对各目标瑕疵类型,将标注结果中各目标瑕疵类型中的第二瑕疵除去与检测结果中各目标瑕疵类型中的第一瑕疵相同的第二瑕疵后,则将标注结果中各目标瑕疵类型中剩余的所有第二瑕疵对应的瑕疵图片确定为目标训练样本。
S205、根据目标训练样本更新预设模型。
基于上述步骤S204得到预设模型对应的目标训练样本后,根据目标训练样本对预设模型进行针对性增强训练即更新预设模型,以提升预设模型对于目标训练样本的识别准确率。
对于根据目标训练样本对预设模型进行训练的具体实现方法可以参照现有的模型训练方法即可,对此不作限制。
本申请实施例提供的模型训练方法,包括:通过预设模型对布匹进行检测处理得到检测结果,检测结果包括:预设模型检测到的第一瑕疵在布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型。获取布匹对应的标注结果,标注结果包括标注出来的第二瑕疵在布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型。根据标注结果,确定布匹中出现每种瑕疵类型的瑕疵的概率,以及根据检测结果和标注结果,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本。根据目标训练样本更新预设模型。其中,根据目标训练样本对预设模型进行增强训练,可以有效提升预设模型对目标训练样本对应的各瑕疵类型的布匹瑕疵的识别准确率。
在上述实施例的基础上,下面结合一个具体的实施例对本申请提供的模型训练方法进行进一步的介绍,结合图3进行介绍,图3为本申请实施例提供的模型训练方法的流程图二。
如图3所示,该方法包括:
S301、通过预设模型对布匹进行检测处理得到检测结果,检测结果包括:预设模型检测到的第一瑕疵在布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型。
其中,步骤S301与步骤S201的实现方式类似,对此不再赘述。
S302、获取布匹对应的标注结果,标注结果包括标注出来的第二瑕疵在布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型。
其中,步骤S302与步骤S202的实现方式类似,对此不再赘述。
S303、对检测结果和标注结果进行比对处理,以确定预设模型对每种瑕疵类型的瑕疵的识别信息,识别信息包括预设模型对瑕疵类型的瑕疵正确识别的第一数量、以及预设模型对瑕疵类型的瑕疵识别错误或者漏识别的第二数量。
需要说明的是,在对检测结果和标注结果进行比对处理之前,各瑕疵类型对应的第一数量和第二数量的初始值均为零。
下面,对检测结果和标注结果进行比对处理的一种可能的实现方法进行示例性介绍。
在一种可能的实现方式中,由于检测结果中包括预设模型检测到的第一瑕疵在所述布匹中的瑕疵位置和每个第一瑕疵的瑕疵类型,以及,标注结果中包括:标注出来的第二瑕疵在布匹中的瑕疵位置和每个第二瑕疵的瑕疵类型。因此,针对各瑕疵类型,均执行以下操作:将检测结果中瑕疵类型对应的第一瑕疵依次与标注结果中相同瑕疵类型的第二瑕疵进行位置比对;若第一瑕疵与第二瑕疵的位置相同,则表示检测结果中的该第一瑕疵为该瑕疵类型对应的正确识别并对第一数量进行累加1操作。由于各瑕疵类型对应的第二数量为漏识别和错误识别的数量之和。根据各瑕疵类型中包括的第一瑕疵的数量和预设模型对各瑕疵类型的瑕疵正确识别的第一数量,可以确定预设模型对各瑕疵类型的瑕疵错误识别的数量。例如,将各瑕疵类型中包括的第一瑕疵的数量和预设模型对各瑕疵类型的瑕疵正确识别之差,确定为预设模型对各瑕疵类型的瑕疵错误识别的数量。根据各瑕疵类型中包括的第二瑕疵的数量和预设模型对各瑕疵类型的瑕疵正确识别的第一数量,可以确定预设模型对各瑕疵类型的瑕疵漏识别的数量。例如,将各瑕疵类型中包括的第二瑕疵的数量和预设模型对各瑕疵类型的瑕疵正确识别的第一数量之差,确定为预设模型对各瑕疵类型的瑕疵漏识别的数量。将预设模型对各瑕疵类型的瑕疵错误识别的数量与瑕疵漏识别的数量之和,确定为预设模型对瑕疵类型的瑕疵识别错误或者漏识别的第二数量。
下面,通过一个具体示例,对该种可能的实现方式进行说明。
例如,在检测结果和标注结果中均包括8种瑕疵类型,分别为瑕疵类型1-8。其中,在检测结果中各瑕疵类型中包括的第一瑕疵的数量分别为:N′1,N′2,...,N′8,以及在标注结果中各瑕疵类型对应的第二瑕疵数量为:N1,N2,...,N8。针对各瑕疵类别,将检测结果中瑕疵类型对应的第一瑕疵依次与标注结果中相同瑕疵类型的第二瑕疵进行位置比对之后,假定预设模型对各瑕疵类型的瑕疵正确识别的第一数量为:由于各瑕疵类型对应的第二数量为漏识别和错误识别的数量之和。根据各瑕疵类型中包括的第一瑕疵的数量和预设模型对各瑕疵类型的瑕疵正确识别的第一数量,可以确定预设模型对各瑕疵类型的瑕疵错误识别的数量分别为:/>根据各瑕疵类型中包括的第二瑕疵的数量和预设模型对各瑕疵类型的瑕疵正确识别的第一数量,可以确定预设模型对各瑕疵类型的瑕疵漏识别的数量分别为:/>因此,将预设模型对各瑕疵类型中漏识别的数量和错误识别的数量之和,确定各瑕疵类型对应的第二数量分别为:/>
S304、根据布匹中出现每种瑕疵类型的瑕疵的概率。
其中,步骤S304与步骤S204中确定每种瑕疵类型的瑕疵的概率的实现方式类似,对此不再赘述。
S305、根据预设模型对每种瑕疵类型的瑕疵的识别信息,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。
基于上述步骤S303中确定了预设模型对每种瑕疵类型的瑕疵的识别信息,接下来,对根据识别信息中预设模型对每种瑕疵类型的瑕疵的正确识别的第一数量和标注结果中每种瑕疵类型对应的总数量,确定预设模型对每种瑕疵类型的瑕疵的识别准确率的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中,针对各种瑕疵类型,将识别信息中预设模型对每种瑕疵类型的瑕疵的正确识别的第一数量与标注结果中每种瑕疵类型对应的总数量的比值,确定为预设模型对每种瑕疵类型的瑕疵的识别准确率。
S306、根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值。
基于上述步骤S304确定的每种瑕疵类型的瑕疵的概率,以及,步骤S305确定的预设模型对每种瑕疵类型的瑕疵的识别准确率,接下来,确定预设模型中每种瑕疵类型对应的权重值。
下面,对确定预设模型中每种瑕疵类型对应的权重值的两种可能的实现方式进行示例性说明。
在一种可能的实现方式中,针对各瑕疵类型,确定瑕疵类型对应的权重值W,可以参照如下公式四:
W=α*(P1+P2),α∈(0,1) 公式四
其中,P1为布匹中出现瑕疵类型的瑕疵的概率,P2为预设模型对瑕疵类型的瑕疵的识别准确率,α为权重因子。
在另一种可能的实现方式中,针对各瑕疵类型的布匹瑕疵的识别,为了减少错误识别和漏识别的问题,在计算瑕疵类型对应的权重时将错误识别和漏识别的数量考虑在内。针对各瑕疵类型,错误识别和漏识别的数量越小,那么各瑕疵类型对应的权重值受错误识别和漏识别的数量的影响增加越大。各瑕疵类型的权重值的计算可以参照如下公式五:
W=β*(P1+P2+P3),β∈(0,1) 公式五
其中,P3为各瑕疵类型对应的误/漏识别因子,β为权重因子。以步骤S303中瑕疵类型1的对应的第二数量为例,确定瑕疵类型1对应的误/漏识别因子。需要强调说明的是,瑕疵类型1的第二数量为预设模型对瑕疵类型1中漏识别的数量和错误识别的数量之和。由步骤S303可知,瑕疵类型1对应的第二数量为瑕疵类型1对应的误/漏识别因子,例如可参考公式六。
同理,瑕疵类型i对应的误/漏识别因子,例如可参考公式七。
其中,λ为大于零的常数,以避免分母为零。λ的具体取值可以根据实际需求选取即可。
可以理解的是,根据公式四为各瑕疵类型确定权重值时,当瑕疵类型的瑕疵的概率越大,以及预设模型对瑕疵类型的瑕疵的识别准确率越大,则在预设模型中该瑕疵类型对应的权重值越大。
S307、根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,目标瑕疵类型的权重值小于或等于预设阈值。
预设阈值为用于表示权重的数值。
在本实施例中,当瑕疵类型对应的权重值大于预设阈值时,则表示预设模型对该瑕疵类型的识别准确率已经合格,该预设模型无需针对该瑕疵类型再进行训练;当瑕疵类型对应的权重值小于或等于预设阈值时,则表示预设模型对该瑕疵类型的识别准确率不合格,该预设模型需要针对该瑕疵类型再进行训练,以提高预设模型对该瑕疵类型的识别准确率。
基于上述步骤S306可以得到每种瑕疵类型对应的权重值,判断各瑕疵类型对应的权重值与预设阈值的大小关系。针对各瑕疵类型,判断瑕疵类型对应的权重值是否小于或等于预设阈值。若是,则将权重值小于或等于预设阈值对应的瑕疵类型确定为目标瑕疵类型。
S308、根据目标瑕疵类型确定目标训练样本,目标训练样本中存在目标瑕疵类型的瑕疵。
基于上述步骤S307确定了目标瑕疵类型后,接下来,要对预设模型进行针对性训练,以提高预设模型对目标瑕疵类型的识别正确率。在对预设模型进行针对性训练之前,需要根据目标瑕疵类型,确定目标训练样本。其中,目标训练样本中存在目标瑕疵类型的瑕疵。
下面,对根据目标瑕疵类型确定目标训练样本的两种可能实现方式进行示例性的说明。
在一种可能的实现方式中,针对各目标瑕疵类型,根据检测结果中各瑕疵类型的第一瑕疵和标注结果中各瑕疵类型的第二瑕疵,确定检测结果中各瑕疵类型对应的错误识别的目标第一瑕疵和漏识别的目标第二瑕疵。针对各目标瑕疵类型,将漏识别的目标第二瑕疵对应的瑕疵图片以及该目标第二瑕疵对应的目标瑕疵类型确定为目标训练样本。接下来,对错误识别的目标第一瑕疵进行重新识别,以确定各目标第一瑕疵对应的正确瑕疵类型。针对各目标第一瑕疵,将目标第一瑕疵对应的瑕疵图片和目标第一瑕疵对应的瑕疵类型确定为目标训练样本。
在另一种可能的实现方式中,针对各目标瑕疵类型,将标注结果中的目标瑕疵类型对应的第二瑕疵确定为目标第二瑕疵。将目标第二瑕疵对应的瑕疵图片以及各目标第二瑕疵对应的瑕疵类型确定为目标训练样本。需要说明是,在目标训练样本中应该包括多张瑕疵图片以及各瑕疵图片对应的瑕疵类型。具体的,布匹瑕疵识别装置可以根据第二瑕疵的位置,从布匹图片中获取在第二瑕疵对应的瑕疵图片。因此,布匹瑕疵识别装置可以根据目标第二瑕疵的位置,从布匹图片中获取在目标第二瑕疵对应的瑕疵图片。
S309、根据目标训练样本更新预设模型。
其中,步骤S309与步骤S205的实现方式类似,对此不再赘述。
本申请实施例提供的模型训练方法,包括:通过预设模型对布匹进行检测处理得到检测结果,检测结果包括:预设模型检测到的第一瑕疵在布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型。获取布匹对应的标注结果,标注结果包括标注出来的第二瑕疵在布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型。对检测结果和标注结果进行比对处理,以确定预设模型对每种瑕疵类型的瑕疵的识别信息,识别信息包括预设模型对瑕疵类型的瑕疵正确识别的第一数量、以及预设模型对瑕疵类型的瑕疵识别错误或者漏识别的第二数量。根据预设模型对每种瑕疵类型的瑕疵的识别信息,确定预设模型对每种瑕疵类型的瑕疵的识别准确率。根据布匹中出现每种瑕疵类型的瑕疵的概率、以及预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值。根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,目标瑕疵类型的权重值小于或等于预设阈值。根据目标瑕疵类型确定目标训练样本,目标训练样本中存在目标瑕疵类型的瑕疵。根据目标训练样本更新预设模型。在本申请方案中,通过将预设模型中权重值小于或等于预设阈值的瑕疵类型确定为目标瑕疵类型,根据目标瑕疵类型确定目标瑕疵样本。根据目标训练样本对预设模型进行增强训练,以提高预设模型对目标瑕疵类型的瑕疵的识别准确率。
在上述实施例的基础上,下面结合一个具体的实施例对本申请提供的布匹的瑕疵识别方法进行介绍,结合图4进行介绍,图4为本申请实施例提供的布匹的瑕疵识别方法的流程图。
如图4所示,该方法包括:
S401、获取待检测布匹的布匹图片。
待检测布匹是指待进行布匹瑕疵识别的布匹。其中,布匹可以为以收卷形式进行收纳放置。
下面,对获取待检测布匹的布匹图片的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中,将待检测布匹收卷展开放置于数字验布机的传送带上,待检测布匹的收卷随传动到的转动而放卷(展开)、移动。根据传送带的移动速度,确定工业相机的拍摄频率。工业相机根据拍摄频率对布匹进行拍摄,以获得待检测布匹的布匹图片。
下面,结合图5,通过一个具体示例,对该种可能的实现方式进行说明,图5为本申请实施例提供的获取待检测布匹的照片的场景示意图。
如图5所示,包括:工业相机、传送带、轴承以及布匹。轴承按照图5中箭头所指轴承的旋转方向带动传送带也沿轴承的旋转方向移动。布匹的一端放置在传送带上,布匹随传送带的移动而移动。工业相机对放置在传送带上的布匹进行拍摄,以获得布匹的照片。需要说明的是,工业相机拍摄到的范围为从X点到Y点范围内的布匹。随传送带的转动,布匹的一端从Y点到X点所需要的时间为C秒。因此,可以确定工业相机对待检测布匹的拍摄频率为每隔C秒拍摄一次,即工业相机每隔C秒对待检测布匹拍摄一次,则可以拍摄到不同的布匹图片。如图5中所示,工业相机拍摄到的布匹图片为:布匹图片1、布匹图片2、布匹图片3、…等。
S402、通过预设模型对布匹图片进行识别处理,以确定待检测布匹中存在的瑕疵。
预设模型为用于对布匹进行布匹瑕疵识别的机器学习模型。例如,可以为上述两个实施例中模型训练结束后得到更新后的预设模型。
下面,对通过预设模型对布匹图片进行识别处理,以确定待检测布匹存在的瑕疵的一种可能的实现方式进行示例性说明。
在一种可能的实现方式中,将步骤S401中获得到的待检测布匹的布匹图片输入到预设模型中,通过预设模型对布匹图片进行瑕疵识别处理,以确定待检测布匹中存在的瑕疵。例如,通过预设模型确定的检测结果包括各个布匹瑕疵所处的位置以及各布匹瑕疵的瑕疵类型。
本申请实施例提供的布匹的瑕疵识别方法,包括:获取待检测布匹的布匹图片。通过预设模型对布匹图片进行识别处理,以确定待检测布匹中存在的瑕疵。其中,通过预设模型对布匹进行瑕疵识别,避免了因布匹瑕疵种类繁多、形态变化多样可能会导致布匹瑕疵识别模型出现少量漏检与误检的操作,这在节省人力的同时提高布匹瑕疵识别准确率和识别效率。
图6为本申请实施例提供的模型训练装置的结构示意图。如图6所示,该装置600包括:处理模块601、第一获取模块602、第一确定模块603、第二确定模块604,以及更新模块605。
处理模块601,用于通过预设模型对布匹进行检测处理得到检测结果,所述检测结果包括:所述预设模型检测到的第一瑕疵在所述布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型;
第一获取模块602,用于获取所述布匹对应的标注结果,所述标注结果包括标注出来的第二瑕疵在所述布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型;
第一确定模块602,用于根据所述标注结果,确定所述布匹中出现每种瑕疵类型的瑕疵的概率,以及根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率;
第二确定模块604,用于根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本;
更新模块605,用于根据所述目标训练样本更新所述预设模型。
在一种可能的设计中,所述第二确定模块604具体用于:
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值;
根据每种瑕疵类型对应的权重值,确定所述目标训练样本。
在一种可能的设计中,针对任意一种瑕疵类型;所述第二确定模块604具体用于:
通过如下公式一,确定所述瑕疵类型对应的权重值W:
W=α*(P1+P2),α∈(0,1) 公式一;
其中,所述P1为所述布匹中出现所述瑕疵类型的瑕疵的概率,所述P2为所述预设模型对所述瑕疵类型的瑕疵的识别准确率,α为权重因子。
在一种可能的设计中,所述第二确定模块604具体用于:
根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,所述目标瑕疵类型的权重值小于或等于预设阈值;
根据所述目标瑕疵类型确定所述目标训练样本,所述目标训练样本中存在所述目标瑕疵类型的瑕疵。
在一种可能的设计中,所述第一确定模块602具体用于:
对所述检测结果和所述标注结果进行比对处理,以确定所述预设模型对每种瑕疵类型的瑕疵的识别信息,所述识别信息包括所述预设模型对所述瑕疵类型的瑕疵正确识别的第一数量、以及所述预设模型对所述瑕疵类型的瑕疵识别错误或者漏识别的第二数量;
根据所述预设模型对每种瑕疵类型的瑕疵的识别信息,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率。
本实施例提供的装置,可用于执行上述模型训练方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图7为本申请实施例提供的布匹的瑕疵识别装置的结构示意图。如图7所示,该装置700包括:第二获取模块701和第三确定模块702。
第二获取模块701,用于获取待检测布匹的布匹图片;
第三确定模块702,用于通过预设模型对所述布匹图片进行识别处理,以确定所述待检测布匹中存在的瑕疵;其中,所述预设模型为通过上述模型训练方法训练得到的。
本实施例提供的装置,可用于执行上述布匹的瑕疵识别方法实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
图8为本申请实施例提供的电子设备的硬件结构示意图,如图8所示,本实施例的电子设备80包括:处理器801以及存储器802;其中
存储器802,用于存储计算机执行指令;
处理器801,用于执行存储器存储的计算机执行指令,以实现上述实施例中模型训练方法,或者如上述实施例中布匹的瑕疵识别方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器802既可以是独立的,也可以跟处理器801集成在一起。
当存储器802独立设置时,该电子设备还包括总线803,用于连接所述存储器802和处理器801。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上电子设备所执行的模型训练方法,或者,布匹的瑕疵识别方法。
本申请实施例还提供一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是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(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (8)
1.一种模型训练方法,其特征在于,包括:
通过预设模型对布匹进行检测处理得到检测结果,所述检测结果包括:所述预设模型检测到的第一瑕疵在所述布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型;
获取所述布匹对应的标注结果,所述标注结果包括标注出来的第二瑕疵在所述布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型;
根据所述标注结果,确定所述布匹中出现每种瑕疵类型的瑕疵的概率,以及根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率;
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本;
根据所述目标训练样本更新所述预设模型;
所述根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本,包括:
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值;
根据每种瑕疵类型对应的权重值,确定所述目标训练样本;
所述根据每种瑕疵类型对应的权重值,确定所述目标训练样本,包括:
根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,所述目标瑕疵类型的权重值小于或等于预设阈值;
根据所述目标瑕疵类型确定所述目标训练样本,所述目标训练样本中存在所述目标瑕疵类型的瑕疵。
2.根据权利要求1所述的方法,其特征在于,针对任意一种瑕疵类型;所述根据所述布匹中出现所述瑕疵类型的瑕疵的概率、以及所述预设模型对所述瑕疵类型的瑕疵的识别准确率,确定所述瑕疵类型对应的权重值,包括:
通过如下公式一,确定所述瑕疵类型对应的权重值W:
W=α*(P1+P2),α∈(0,1)公式一;
其中,所述P1为所述布匹中出现所述瑕疵类型的瑕疵的概率,所述P2为所述预设模型对所述瑕疵类型的瑕疵的识别准确率,α为权重因子。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率,包括:
对所述检测结果和所述标注结果进行比对处理,以确定所述预设模型对每种瑕疵类型的瑕疵的识别信息,所述识别信息包括所述预设模型对所述瑕疵类型的瑕疵正确识别的第一数量、以及所述预设模型对所述瑕疵类型的瑕疵识别错误或者漏识别的第二数量;
根据所述预设模型对每种瑕疵类型的瑕疵的识别信息,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率。
4.一种布匹的瑕疵识别方法,其特征在于,包括:
获取待检测布匹的布匹图片;
通过预设模型对所述布匹图片进行识别处理,以确定所述待检测布匹中存在的瑕疵;其中,所述预设模型为通过权利要求1-3任一项所示的方法训练得到的。
5.一种模型训练装置,其特征在于,包括:
处理模块,用于通过预设模型对布匹进行检测处理得到检测结果,所述检测结果包括:所述预设模型检测到的第一瑕疵在所述布匹中的瑕疵位置、以及每个第一瑕疵的瑕疵类型;
第一获取模块,用于获取所述布匹对应的标注结果,所述标注结果包括标注出来的第二瑕疵在所述布匹中的瑕疵位置、以及每个第二瑕疵的瑕疵类型;
第一确定模块,用于根据所述标注结果,确定所述布匹中出现每种瑕疵类型的瑕疵的概率,以及根据所述检测结果和所述标注结果,确定所述预设模型对每种瑕疵类型的瑕疵的识别准确率;
第二确定模块,用于根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定目标训练样本;
更新模块,用于根据所述目标训练样本更新所述预设模型;
所述第二确定模块具体用于:
根据所述布匹中出现每种瑕疵类型的瑕疵的概率、以及所述预设模型对每种瑕疵类型的瑕疵的识别准确率,确定每种瑕疵类型对应的权重值;
根据每种瑕疵类型对应的权重值,确定所述目标训练样本;
所述第二确定模块具体用于:
根据每种瑕疵类型对应的权重值,确定至少一个目标瑕疵类型,所述目标瑕疵类型的权重值小于或等于预设阈值;
根据所述目标瑕疵类型确定所述目标训练样本,所述目标训练样本中存在所述目标瑕疵类型的瑕疵。
6.一种布匹的瑕疵识别装置,其特征在于,包括:
第二获取模块,用于获取待检测布匹的布匹图片;
第三确定模块,用于通过预设模型对所述布匹图片进行识别处理,以确定所述待检测布匹中存在的瑕疵;其中,所述预设模型为通过权利要求1-3任一项所示的方法训练得到的。
7.一种电子设备,其特征在于,包括:
存储器,用于存储程序;
处理器,用于执行所述存储器存储的所述程序,当所述程序被执行时,所述处理器用于执行如权利要求1至3中任一所述的方法,或者,如权利要求4所述的方法。
8.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1至3中任一所述的方法,或者,如权利要求4所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085311.9A CN113807434B (zh) | 2021-09-16 | 2021-09-16 | 布匹的瑕疵识别方法及模型训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085311.9A CN113807434B (zh) | 2021-09-16 | 2021-09-16 | 布匹的瑕疵识别方法及模型训练方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807434A CN113807434A (zh) | 2021-12-17 |
CN113807434B true CN113807434B (zh) | 2023-07-25 |
Family
ID=78895484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085311.9A Active CN113807434B (zh) | 2021-09-16 | 2021-09-16 | 布匹的瑕疵识别方法及模型训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807434B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740541A (zh) * | 2023-06-25 | 2023-09-12 | 广州机智云物联网科技有限公司 | 在非实时操作系统上的位置控制方法、系统和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228980A (zh) * | 2016-07-21 | 2016-12-14 | 百度在线网络技术(北京)有限公司 | 数据处理方法和装置 |
CN106934364A (zh) * | 2017-03-09 | 2017-07-07 | 腾讯科技(上海)有限公司 | 人脸图片的识别方法及装置 |
WO2019095118A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN109815844A (zh) * | 2018-12-29 | 2019-05-28 | 西安天和防务技术股份有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN111078908A (zh) * | 2019-11-28 | 2020-04-28 | 北京云聚智慧科技有限公司 | 一种数据标注的检测方法和装置 |
CN111368788A (zh) * | 2020-03-17 | 2020-07-03 | 北京迈格威科技有限公司 | 图像识别模型的训练方法、装置及电子设备 |
CN112016575A (zh) * | 2019-05-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种检测方法、计算机设备、存储介质 |
CN112052746A (zh) * | 2020-08-17 | 2020-12-08 | 北京大米科技有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
CN112200218A (zh) * | 2020-09-10 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种模型训练方法、装置及电子设备 |
CN112270687A (zh) * | 2020-10-16 | 2021-01-26 | 鲸斛(上海)智能科技有限公司 | 布料瑕疵识别模型的训练方法和布料瑕疵的检测方法 |
-
2021
- 2021-09-16 CN CN202111085311.9A patent/CN113807434B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228980A (zh) * | 2016-07-21 | 2016-12-14 | 百度在线网络技术(北京)有限公司 | 数据处理方法和装置 |
CN106934364A (zh) * | 2017-03-09 | 2017-07-07 | 腾讯科技(上海)有限公司 | 人脸图片的识别方法及装置 |
WO2019095118A1 (zh) * | 2017-11-14 | 2019-05-23 | 深圳和而泰智能控制股份有限公司 | 一种皮肤瑕疵点分类方法及电子设备 |
CN109815844A (zh) * | 2018-12-29 | 2019-05-28 | 西安天和防务技术股份有限公司 | 目标检测方法及装置、电子设备和存储介质 |
CN112016575A (zh) * | 2019-05-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种检测方法、计算机设备、存储介质 |
CN112149705A (zh) * | 2019-06-28 | 2020-12-29 | 京东数字科技控股有限公司 | 分类模型的训练方法、系统、计算机设备及存储介质 |
CN110349145A (zh) * | 2019-07-09 | 2019-10-18 | 京东方科技集团股份有限公司 | 缺陷检测方法、装置、电子设备以及存储介质 |
CN111078908A (zh) * | 2019-11-28 | 2020-04-28 | 北京云聚智慧科技有限公司 | 一种数据标注的检测方法和装置 |
CN111368788A (zh) * | 2020-03-17 | 2020-07-03 | 北京迈格威科技有限公司 | 图像识别模型的训练方法、装置及电子设备 |
CN112052746A (zh) * | 2020-08-17 | 2020-12-08 | 北京大米科技有限公司 | 目标检测方法、装置、电子设备和可读存储介质 |
CN112200218A (zh) * | 2020-09-10 | 2021-01-08 | 浙江大华技术股份有限公司 | 一种模型训练方法、装置及电子设备 |
CN112270687A (zh) * | 2020-10-16 | 2021-01-26 | 鲸斛(上海)智能科技有限公司 | 布料瑕疵识别模型的训练方法和布料瑕疵的检测方法 |
Non-Patent Citations (3)
Title |
---|
Fabric Defect Segmentation Method Based on Deep Learning;Yanqing Huang等;IEEE Transactions on Instrumentation and Measurement;1-15 * |
YouTube-BoundingBoxes: A Large High-Precision Human-Annotated Data Set for Object Detection in Video;Esteban Real等;Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR);5296-5305 * |
自然场景图像中的文本检测综述;王润民等;自动化学报;第44卷(第12期);2113-2141 * |
Also Published As
Publication number | Publication date |
---|---|
CN113807434A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115351598B (zh) | 一种数控机床轴承检测方法 | |
US11455528B2 (en) | Automated optical inspection and classification apparatus based on a deep learning system and training apparatus thereof | |
WO2023077404A1 (zh) | 缺陷检测方法、装置和系统 | |
TWI667575B (zh) | 利用人工智慧的瑕疵檢測系統及其方法 | |
Mahalingam et al. | Pcb-metal: A pcb image dataset for advanced computer vision machine learning component analysis | |
KR960011414A (ko) | 검사 시스템 및 공정 | |
CN113807434B (zh) | 布匹的瑕疵识别方法及模型训练方法 | |
US10860901B2 (en) | Detection system, information processing apparatus, evaluation method, and program | |
CN111612757A (zh) | 一种屏幕裂纹的检测方法、装置、设备及存储介质 | |
CN111259184B (zh) | 一种面向新零售的图像自动标注系统及方法 | |
CN111310826A (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN114663744A (zh) | 基于机器学习的仪表自动识别方法及系统 | |
CN113111903A (zh) | 智能产线监测系统及监测方法 | |
CN110646376A (zh) | 一种基于条纹偏折的透镜缺陷检测方法 | |
CN111929239A (zh) | 一种pcb板零件缺陷的aoi检测装置及检测方法 | |
KR101726532B1 (ko) | 이미지 기반 서펀틴 벨트 마모 평가를 위한 향상된 분석 | |
CN111860464A (zh) | 变电所辅助监控系统指针读数识别补偿方法及装置 | |
CN116002480A (zh) | 电梯轿厢内乘客意外摔倒的自动检测方法和系统 | |
CN111460198A (zh) | 一种图片时间戳的审核方法及装置 | |
CN113658099A (zh) | 膜片瑕疵检测方法、系统及存储介质 | |
CN115719326A (zh) | Pcb板缺陷检测方法及装置 | |
CN112967224A (zh) | 一种基于人工智能的电子电路板检测系统、方法及介质 | |
TWM600842U (zh) | 片狀材料快速檢測瑕疵整合系統 | |
CN116563291B (zh) | 一种smt智能防错上料检测仪 | |
CN115689994B (zh) | 一种铭牌和条码缺陷检测方法、设备和存储介质 |
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 |