CN114066856A - 模型训练方法及装置、电子设备和存储介质 - Google Patents

模型训练方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114066856A
CN114066856A CN202111370612.6A CN202111370612A CN114066856A CN 114066856 A CN114066856 A CN 114066856A CN 202111370612 A CN202111370612 A CN 202111370612A CN 114066856 A CN114066856 A CN 114066856A
Authority
CN
China
Prior art keywords
image
defect
transformation
training
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.)
Pending
Application number
CN202111370612.6A
Other languages
English (en)
Inventor
王新江
马政
陈恺
张伟
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 Sensetime Technology Co Ltd
Original Assignee
Shenzhen Sensetime 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 Shenzhen Sensetime Technology Co Ltd filed Critical Shenzhen Sensetime Technology Co Ltd
Priority to CN202111370612.6A priority Critical patent/CN114066856A/zh
Publication of CN114066856A publication Critical patent/CN114066856A/zh
Pending legal-status Critical Current

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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/02—Affine transformations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Architecture (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)

Abstract

本公开涉及一种模型训练方法及装置、电子设备和存储介质，通过确定包括至少一个缺陷图像以及对应属性信息的缺陷图像集合，对每个缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。根据每个缺陷图像、以及每个缺陷图像对应的属性信息以及至少一个变换图像确定训练集，根据训练集进行缺陷检测模型训练，缺陷检测模型用于检测目标对象的缺陷。本公开实施例能够通过图像变换的方式进行数据增广，增加样本的数量以及种类，以通过大量不同种类样本进行模型训练的方式提高得到的模型效果。

Description

模型训练方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种模型训练方法及装置、电子设备和存储介质。
背景技术
电池缺陷检测是计算机视觉以及工业视觉检测的重要问题。电池缺陷检测包括多种重要应用，例如顶盖焊缝检测，密封钉缺陷检测，电池极耳形变缺陷检测以及涂布表面检测等。目前的电池缺陷检测通常基于深度学习模型实现，但深度学习模型的精度依赖于大量样本的训练，在样本量较少以及样本类型单一的情况下，往往难以训练出精度高的模型。
发明内容
本公开提出了一种模型训练方法及装置、电子设备和存储介质，旨在样本量单一且少的情况下提高训练模型的精度。
根据本公开的第一方面，提供了一种模型训练方法，包括：
确定缺陷图像集合，所述缺陷图像集合中包括至少一个缺陷图像，以及每一个所述缺陷图像中包括的至少一个缺陷的属性信息；
对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像；
根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集；
根据所述训练集进行缺陷检测模型训练，所述缺陷检测模型用于检测目标对象的缺陷。
在一种可能的实现方式中，所述对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像包括：
确定至少一个预设的图像变换方式，以及每个所述图像变换方式的变换参数区间；
根据至少一个所述图像变换方式以及对应的变换参数区间，对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。
在一种可能的实现方式中，所述根据至少一个所述图像变换方式以及对应的变换参数区间，对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像包括：
对于每一次图像变换过程，确定当前缺陷图像；
随机选中至少一个图像变换方式作为目标变换方式，并在每个所述目标变换方式的变换参数区间中确定目标变换参数；
根据所述目标变换方式，以及对应的目标变换参数对所述当前缺陷图像进行图像变换，得到变换图像。
在一种可能的实现方式中，所述缺陷图像为三维图像，所述图像变换方式包括仿射变换。
在一种可能的实现方式中，所述根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集包括：
根据每个所述缺陷图像中缺陷的属性信息确定所述缺陷图像以及所述缺陷图像对应的至少一个变换图像的标注信息；
根据每个所述缺陷图像、每个所述变换图像以及对应的标注信息构建训练集。
在一种可能的实现方式中，所述根据所述训练集进行缺陷检测模型训练包括：
在所述训练集中选中一个所述缺陷图像，或一个所述缺陷图像对应的一个变换图像作为训练图像；
将所述训练图像输入缺陷检测模型，输出对应的检测信息；
根据所述训练图像对应的所述检测信息和所述标注信息确定模型损失，并根据所述模型损失进行模型参数调节。
在一种可能的实现方式中，所述训练图像为三维图像；
所述将所述训练图像输入缺陷检测模型，输出对应的检测信息包括：
对所述训练图像进行特征提取得到表征所述训练图像纹理特征的纹理图像、表征所述训练图像中异常区域的第一深度图像，以及表征所述训练图像梯度分布的第二深度图像；
拼接所述纹理图像、所述第一深度图像和所述第二深度图像得到输入图像；
将所述输入图像输入缺陷检测模型，输出对应的检测信息。
在一种可能的实现方式中，所述缺陷检测模型中包括依次连接的至少一个特征提取层、注意力机制层以及全连接层；
所述将所述输入图像输入缺陷检测模型，输出对应的检测信息包括：
将所述输入图像依次输入每个所述特征提取层，输出对应的特征图像；
将最后一个所述特征提取层输出的特征图像输入所述注意力机制层，得到注意力图像；
通过每个所述特征图像分别与所述注意力图像加权求和后拼接得到拼接图像；
将每个所述拼接图像输入所述全连接层，输出对应的检测信息。
在一种可能的实现方式中，所述缺陷图像为具有焊缝缺陷的电池顶盖图像，所述目标对象为电池，所述缺陷检测模型用于检测电池的顶盖焊缝缺陷。
在一种可能的实现方式中，所述方法还包括：
获取待识别图像；
将所述待识别图像输入所述缺陷检测模型，得到缺陷识别结果。
根据本公开的第二方面，提供了一种模型训练装置，包括：
图像确定模块，用于确定缺陷图像集合，所述缺陷图像集合中包括至少一个缺陷图像，以及每一个所述缺陷图像中包括的至少一个缺陷的属性信息；
图像变换模块，用于对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像；
训练集确定模块，用于根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集；
模型训练模块，用于根据所述训练集进行缺陷检测模型训练，所述缺陷检测模型用于检测目标对象的缺陷。
在一种可能的实现方式中，所述图像变换模块包括：
参数确定子模块，用于确定至少一个预设的图像变换方式，以及每个所述图像变换方式的变换参数区间；
图像变换子模块，用于根据至少一个所述图像变换方式以及对应的变换参数区间，对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。
在一种可能的实现方式中，所述图像变换子模块包括：
当前图像确定单元，用于对于每一次图像变换过程，确定当前缺陷图像；
参数确定单元，用于随机选中至少一个图像变换方式作为目标变换方式，并在每个所述目标变换方式的变换参数区间中确定目标变换参数；
图像变换单元，用于根据所述目标变换方式，以及对应的目标变换参数对所述当前缺陷图像进行图像变换，得到变换图像。
在一种可能的实现方式中，所述缺陷图像为三维图像，所述图像变换方式包括仿射变换。
在一种可能的实现方式中，所述训练集确定模块包括：
标注确定子模块，用于根据每个所述缺陷图像中缺陷的属性信息确定所述缺陷图像以及所述缺陷图像对应的至少一个变换图像的标注信息；
训练集确定子模块，用于根据每个所述缺陷图像、每个所述变换图像以及对应的标注信息构建训练集。
在一种可能的实现方式中，所述模型训练模块包括：
训练图像确定子模块，用于在所述训练集中选中一个所述缺陷图像，或一个所述缺陷图像对应的一个变换图像作为训练图像；
检测信息确定子模块，用于将所述训练图像输入缺陷检测模型，输出对应的检测信息；
模型调节子模块，用于根据所述训练图像对应的所述检测信息和所述标注信息确定模型损失，并根据所述模型损失进行模型参数调节。
在一种可能的实现方式中，所述训练图像为三维图像；
所述检测信息确定子模块包括：
特征提取单元，用于对所述训练图像进行特征提取得到表征所述训练图像纹理特征的纹理图像、表征所述训练图像中异常区域的第一深度图像，以及表征所述训练图像梯度分布的第二深度图像；
图像拼接单元，用于拼接所述纹理图像、所述第一深度图像和所述第二深度图像得到输入图像；
缺陷检测单元，用于将所述输入图像输入缺陷检测模型，输出对应的检测信息。
在一种可能的实现方式中，所述缺陷检测模型中包括依次连接的至少一个特征提取层、注意力机制层以及全连接层；
所述缺陷检测单元包括：
特征提取子单元，用于将所述输入图像依次输入每个所述特征提取层，输出对应的特征图像；
注意力图像确定子单元，用于将最后一个所述特征提取层输出的特征图像输入所述注意力机制层，得到注意力图像；
图像拼接子单元，用于通过每个所述特征图像分别与所述注意力图像加权求和后拼接得到拼接图像；
缺陷检测子单元，用于将每个所述拼接图像输入所述全连接层，输出对应的检测信息。
在一种可能的实现方式中，所述缺陷图像为具有焊缝缺陷的电池顶盖图像，所述目标对象为电池，所述缺陷检测模型用于检测电池的顶盖焊缝缺陷。
在一种可能的实现方式中，所述装置还包括：
待识别图像获取模块，用于获取待识别图像；
缺陷识别模块，用于将所述待识别图像输入所述缺陷检测模型，得到缺陷识别结果。
根据本公开的第三方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
本公开实施例能够通过图像变换的方式进行数据增广，增加样本的数量以及种类，以通过大量不同种类样本进行模型训练的方式提高得到的模型效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
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，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的一种模型训练方法的流程图；
图2示出根据本公开实施例的一种缺陷图像的示意图；
图3示出根据本公开实施例的一种确定变换图像过程的示意图；
图4示出根据本公开实施例的一种确定检测信息过程的示意图；
图5示出根据本公开实施例的一种缺陷检测模型的结构示意图；
图6示出根据本公开实施例的一种模型训练装置的示意图；
图7示出根据本公开实施例的一种电子设备的示意图；
图8示出根据本公开实施例的一种电子设备的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的一种模型训练方法的流程图。在一种可能的实现方式中，本公开实施例的模型训练方法可以通过能够部署深度学习模型的终端设备或者服务器等电子设备执行。其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等移动或固定电子设备。可以通过处理器调用存储器中存储的计算机刻度指令实现本公开实施例的模型训练方法。进一步地，还可以通过服务器执行本公开实施例的模型训练方法，服务器可以为单独的服务器，或者多个服务器组成的服务器集群。
本公开实施例的模型训练方法可以应用于任意模型训练场景，例如用于进行图像分类的分类模型、用于进行图像分割的分割模型以及用于进行图像识别的识别模型等。在用于在训练的图像样本数量较少时，通过该模型训练方法在样本量和样本类型两个维度进行数据增广，以提高训练得到模型的精度。
如图1所示，本公开实施例的模型训练方法可以包括以下步骤：
步骤S10、确定缺陷图像集合。
在一种可能的实现方式中，本公开实施例需要训练的模型为用于检测目标对象缺陷的缺陷识别模型。例如，当目标对象为电池时，缺陷识别模型可以用于检测电池缺陷。在对缺陷识别模型进行训练前，先确定训练缺陷识别模型所需的缺陷图像集合。其中，缺陷图像集合中包括至少一个缺陷图像，以及每一个缺陷图像中包括的至少一个缺陷的属性信息。可选地，缺陷图像可以通过采集缺陷识别模型需要检测的具有缺陷的目标对象得到。例如，当缺陷识别模型需要对电池的焊缝进行检测时，缺陷图像为采集具有焊缝缺陷的电池焊缝所在的顶盖区域，得到的电池顶盖图像。同时，每个缺陷图像还具有对应的属性信息，用于表征缺陷图像中包括的至少一个缺陷的属性，可以包括缺陷位置、缺陷类型等信息。
图2示出根据本公开实施例的一种缺陷图像的示意图。如图2所示，在本公开实施例需要训练的缺陷识别模型用于识别电池顶盖焊缝缺陷时，缺陷图像20为训练缺陷识别模型的负样本图像，即采集具有焊缝缺陷21的电池顶盖得到的图像。其中，缺陷图像20中包括焊缝缺陷21，可以根据焊缝缺陷21在缺陷图像20中所在的位置坐标，以及焊缝缺陷21的类型确定属性信息。
进一步地，缺陷图像除了直接采集得到以外，还可以为通过预设的多个缺陷与标准的无缺陷图像进行图像合成得到的合成图像。
在一种可能的实现方式中，缺陷图像可以为通过二维图像采集装置采集得到的平面二维图像，或者还可以为通过三维图像采集装置采集得到的立体的三维图像。
步骤S20、对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。
在一种可能的实现方式中，由于缺陷图像集合中包括的缺陷图像往往数量较少，或类型较单一。可以通过图像变换的方式进行数据增广，得到大量且类型丰富的变换图像作为训练缺陷检测模型的样本数据。可选地，可以分别对每个缺陷图像进行至少一次图像变换，在每一次图像变换后得到一个变换图像。为了增加缺陷图像的种类，每一次图像变换所应用的图像变换方式和变换参数不同。因此，可以先确定至少一个预设的图像变换方式，以及每个图像变换方式的变换参数区间。再根据至少一个图像变换方式以及对应的变换参数区间，对每个缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。
可选地，图像变换方式和每个图像变换方式对应的变换参数区间均可以预先设定得到。图像变换方式可以为任意一种图像处理方式，例如亮度调整、颜色增强、随机添加噪声，以及对三维立体图像进行的仿射变换等。变换参数区间用于限定图像变换方式的调整范围，例如在图像变换方式为亮度调整时，变换参数可以为调整的亮度范围。在图像变换方式为三维(3D)仿射变换时，变换参数区间可以为三维仿射变换过程应用的变换矩阵中参数可选的区间，或者变换参数区间还可以为多个变换矩阵组成的变换矩阵集合。
进一步地，在确定预设的多个图像变换方式以及每个图像变换方式对应的变换参数区间后，可以根据各图像变换方式和变换参数区间进行至少一次图像变换。其中，对于每一次图像变换的过程，先确定当前缺陷图像。再随机选中至少一个图像变换方式作为目标变换方式，并在每个目标变换方式的变换参数区间中确定目标变换参数。根据选中的至少一个目标变换方式，以及对应的目标变换参数对当前缺陷图像进行图像变换，得到本次图像变换的变换图像。例如，在一次图像变换过程中，选择三维仿射变换以及亮度调整作为目标图像变换方式。进一步地，在三维放射变换对应的变换参数区间中随机选择三个参数组成变换矩阵作为目标变换参数，或者随机选择一个变换矩阵作为目标变换参数。在亮度调整对应的变换参数区间中随机选择一个调整值作为目标变换参数。根据选中的变换矩阵对三年的缺陷图像进行三维仿射变换，并根据调整值调整变换后图像的亮度得到变换图像。
图3示出根据本公开实施例的一种确定变换图像过程的示意图，如图3所示，对于每一个缺陷图像30，可以通过图像变换31的方式确定变换图像33。其中，每次图像变换31过程基于当前变换规则32，当前变换规则32中可以包括每次图像变换过程中确定的至少一个目标变换方式和目标变换参数。
步骤S30、根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集。
在一种可能的实现方式中，在通过图像变换确定每个缺陷图像的至少一个变换图像后，根据每个缺陷图像、每个缺陷图像对应的属性信息以及至少一个变换图像确定训练集。以进一步根据得到的样本量丰富的训练集训练缺陷检测模型。可选地，训练集的确定过程为根据每个缺陷图像中缺陷的属性信息确定缺陷图像以及缺陷图像对应的至少一个变换图像的标注信息。再根据每个缺陷图像、每个变换图像以及对应的标注信息构建训练集。
可选地，对于每个缺陷图像，可以直接确定对应的属性信息为标注信息。对于每个缺陷图像对应的至少一个变换图像，可以根据变换图像的图像变换方式和缺陷图像对应的属性信息确定标注信息。其中，当图像变换过程中不包括对图像裁剪、图像缩放、图像翻转等尺寸或平移等会改变图像中缺陷位置的处理时，直接确定属性信息为标注信息。当图像变换中包括会改变图像中缺陷位置的处理时，根据图像变换方式以及对应的变换参数修改属性信息中包括的缺陷位置坐标，以确定变换后的缺陷位置坐标和缺陷类型为标注信息。例如，当对图像进行缩放后，根据缩放尺寸缩放缺陷位置坐标得到变换图像中缺陷所在的位置坐标。
本公开实施例根据上述图像变换的方式实现了训练集中样本数量、以及样本种类的扩充，能够提高训练得到的缺陷检测模型的精度。
步骤S40、根据所述训练集进行缺陷检测模型训练。
在一种可能的实现方式中，缺陷检测模型用于检测目标对象的缺陷。例如，当目标对象为电池时，缺陷图像为具有焊缝缺陷的电池顶盖图像，缺陷检测模型用于检测电池的顶盖焊缝缺陷。在确定训练集后，根据训练集训练缺陷检测模型的过程可以为在训练集中选中一个缺陷图像，或一个缺陷图像对应的一个变换图像作为训练图像。将训练图像输入缺陷检测模型，输出对应的检测信息。根据训练图像对应的所述检测信息和标注信息确定模型损失，并根据模型损失进行模型参数调节。其中，训练图像的选择可以为随机选择，并在根据当前训练图像确定的模型损失满足预设要求时重新选择一个缺陷图像或变换图像作为训练图像再次训练。可选地，检测信息中的内容与标注信息中的内容类型相同，例如可以包括缺陷检测模型检测得到的缺陷类型以及缺陷位置等信息。
可选地，为准确的进行图像识别，训练图像可以为包括目标对象纹理特征和形态特征三维图像。将训练图像输入缺陷检测模型进行模型训练的过程可以为：对训练图像进行特征提取得到表征训练图像纹理特征的纹理图像、表征训练图像中异常区域的第一深度图像，以及表征训练图像梯度分布的第二深度图像。拼接纹理图像、第一深度图像和第二深度图像得到输入图像。将输入图像输入缺陷检测模型，输出对应的检测信息。
在一种可能的实现方式中，可以通过提取训练图像的纹理特征得到纹理图像。通过对训练图像进行模板求差得到第一深度图像，并通过输出训练图像的空间梯度图得到第二深度图像。其中，第一深度图像可以通过提取训练图像中待检测区域，并根据无缺陷的标准图像中待检测区域与训练图像中待检测区域进行模板求差得到，第二深度图像可以通过直接确定训练图像中待检测区域的空间梯度得到。
例如，在本公开实施例的缺陷检测模型用于检测电池焊缝缺陷时，确定第一深度图像的过程可以为确定无缺陷的标准图像中的待检测区域，即电池焊缝区域。在该标准图像为三维图像时，对该电池焊缝区域的进行随机取点并拟合得到拟合平面。进一步地，识别并提取训练图像中的焊缝区域，并对训练图像中的焊缝区域和拟合平面做差，即计算训练图像中焊缝区域内的每一个点到拟合平面的距离，得到降维之后的第一深度图像。第一深度图像中每一个像素分别表征训练图像中焊缝区域一个点到拟合平面的距离，在存在焊缝缺陷时，缺陷附近会有明显突起或凹陷。因此，在不存在缺陷的位置，第一深度图像的像素差异较小，存在缺陷的位置第一深度图像的像素差异存在较大波动。可选地，标准图像和训练图像中待检测区域的提取可以通过提取预先标注区域得到，或者通过将训练图像输入预先训练得到的区域提取模型中得到。
在本公开实施例的缺陷检测模型用于检测电池焊缝缺陷时，第二深度图像的确定过程可以为识别并提取训练图像中的焊缝区域，再求焊缝区域的空间梯度得到第二深度图像。在存在焊缝缺陷时，缺陷附近会有明显突起或凹陷。因此，第二深度图像能够通过空间梯度体现训练图像中焊缝区域的突起和凹陷区域，进一步判断训练图像中是否存在缺陷。可选地，本公开实施例还可以以任意可能的图像处理方式处理得到上述三种图像，在此不作限制。
进一步地，拼接纹理图像、第一深度图像和第二深度图像的过程可以为将上述三张图像作为一个图像的三个通道，得到输入图像。
图4示出根据本公开实施例的一种确定检测信息过程的示意图。如图4所示，在确定检测信息时，对训练图像40进行图像处理得到第一深度图像、第二深度图像42和纹理图像43，进一步地将第一深度图像、第二深度图像42和纹理图像43作为三个图像通道拼接得到输入图像44。通过将输入图像44输入缺陷检测模型45的方式确定对应的检测信息46。
本公开实施例的缺陷检测模型基于三维图像的纹理特征、深度特征两个层面进行缺陷检测，提高了缺陷检测的准确程度。
在一种可能的实现方式中，本公开实施例中的缺陷检测模型中还可以包括依次连接的至少一个特征提取层、注意力机制层以及全连接层。为提高缺陷检测模型的准确度，避免特征传递过程中信息遗失，可以分别计算注意力机制层输出结果与每一特征提取层的输出结果，再根据计算得到的多个数据得到最终的检测信息。可选地，可以将输入图像依次输入每个特征提取层，输出对应的特征图像。再将最后一个特征提取层输出的特征图像输入注意力机制层，得到注意力图像。通过每个特征图像分别与注意力图像加权求和后拼接得到拼接图像，将每个拼接图像输入全连接层，输出对应的检测信息。
图5示出根据本公开实施例的一种缺陷检测模型的结构示意图。如图5所示，本公开实施例的缺陷检测模型中包括顺序连接的多个特征提取层51、注意力机制层52和全连接层53。在输入图像50输入该缺陷检测模型后，每一个特征提取层51依次提取输入的图像特征，得到特征图像，并将每一次得到的特征图像作为下一个特征提取层51的输入。最后一个特征提取层N输出的特征图像N输入注意力机制层52后得到注意力图像。通过注意力图像分别与每一个特征图像求加权和得到N-1个拼接图像，再将全部拼接图像输入全连接层53后输出最终的检测信息54。
本公开实施例能够通过图像变换的方式进行数据增广，增加样本的数量以及种类，以通过大量不同种类样本进行模型训练的方式提高得到的模型效果。同时，本公开实施例还利用三维图像进行模型训练，基于三维图像的深度特征和纹理特征一同进行缺陷检测，提高了缺陷检测的准确程度。
进一步地，在通过上述方式训练得到缺陷检测模型后，可以通过缺陷检测模型进行缺陷检测。例如，可以获取待识别图像，并将待识别图像输入缺陷检测模型，得到缺陷识别结果。可选地，待识别图像为需要进行缺陷检测的图像进行特征提取后拼接得到的图像。例如，当本公开实施例的缺陷检测方法用于检测电池顶盖焊缝缺陷时，先采集电池顶盖图像，再提取电池顶盖图像对应的纹理图像、第一深度图像和第二深度图像(具体提取方式如前述实施例，此处不再赘述)，拼接后得到表征电池顶盖焊缝特征的待识别图像。将待识别图像输入缺陷检测模型后，缺陷检测模型识别其中的目标对象是否包括缺陷，输出对应的缺陷识别结果。基于本公开实施例的模型训练方法训练得到的模型，得到的缺陷识别结果准确性较高。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了模型训练装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种模型训练方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图6示出根据本公开实施例的一种模型训练装置的示意图，如图6所示，本公开实施例的模型训练装置可以包括图像确定模块60、图像变换模块61、训练集确定模块62和模型训练模块63。图像确定模块60，用于确定缺陷图像集合，所述缺陷图像集合中包括至少一个缺陷图像，以及每一个所述缺陷图像中包括的至少一个缺陷的属性信息；
图像变换模块61，用于对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像；
训练集确定模块62，用于根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集；
模型训练模块63，用于根据所述训练集进行缺陷检测模型训练，所述缺陷检测模型用于检测目标对象的缺陷。
在一种可能的实现方式中，所述图像变换模块61包括：
参数确定子模块，用于确定至少一个预设的图像变换方式，以及每个所述图像变换方式的变换参数区间；
图像变换子模块，用于根据至少一个所述图像变换方式以及对应的变换参数区间，对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。
在一种可能的实现方式中，所述图像变换子模块包括：
当前图像确定单元，用于对于每一次图像变换过程，确定当前缺陷图像；
参数确定单元，用于随机选中至少一个图像变换方式作为目标变换方式，并在每个所述目标变换方式的变换参数区间中确定目标变换参数；
图像变换单元，用于根据所述目标变换方式，以及对应的目标变换参数对所述当前缺陷图像进行图像变换，得到变换图像。
在一种可能的实现方式中，所述缺陷图像为三维图像，所述图像变换方式包括仿射变换。
在一种可能的实现方式中，所述训练集确定模块62包括：
标注确定子模块，用于根据每个所述缺陷图像中缺陷的属性信息确定所述缺陷图像以及所述缺陷图像对应的至少一个变换图像的标注信息；
训练集确定子模块，用于根据每个所述缺陷图像、每个所述变换图像以及对应的标注信息构建训练集。
在一种可能的实现方式中，所述模型训练模块63包括：
训练图像确定子模块，用于在所述训练集中选中一个所述缺陷图像，或一个所述缺陷图像对应的一个变换图像作为训练图像；
检测信息确定子模块，用于将所述训练图像输入缺陷检测模型，输出对应的检测信息；
模型调节子模块，用于根据所述训练图像对应的所述检测信息和所述标注信息确定模型损失，并根据所述模型损失进行模型参数调节。
在一种可能的实现方式中，所述训练图像为三维图像；
所述检测信息确定子模块包括：
特征提取单元，用于对所述训练图像进行特征提取得到表征所述训练图像纹理特征的纹理图像、表征所述训练图像中异常区域的第一深度图像，以及表征所述训练图像梯度分布的第二深度图像；
图像拼接单元，用于拼接所述纹理图像、所述第一深度图像和所述第二深度图像得到输入图像；
缺陷检测单元，用于将所述输入图像输入缺陷检测模型，输出对应的检测信息。
在一种可能的实现方式中，所述缺陷检测模型中包括依次连接的至少一个特征提取层、注意力机制层以及全连接层；
所述缺陷检测单元包括：
特征提取子单元，用于将所述输入图像依次输入每个所述特征提取层，输出对应的特征图像；
注意力图像确定子单元，用于将最后一个所述特征提取层输出的特征图像输入所述注意力机制层，得到注意力图像；
图像拼接子单元，用于通过每个所述特征图像分别与所述注意力图像加权求和后拼接得到拼接图像；
缺陷检测子单元，用于将每个所述拼接图像输入所述全连接层，输出对应的检测信息。
在一种可能的实现方式中，所述缺陷图像为具有焊缝缺陷的电池顶盖图像，所述目标对象为电池，所述缺陷检测模型用于检测电池的顶盖焊缝缺陷。
在一种可能的实现方式中，所述装置还包括：
待识别图像获取模块，用于获取待识别图像；
缺陷识别模块，用于将所述待识别图像输入所述缺陷检测模型，得到缺陷识别结果。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，或者承载有计算机可读代码的非易失性计算机可读存储介质，当所述计算机可读代码在电子设备的处理器中运行时，所述电子设备中的处理器执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出根据本公开实施例的一种电子设备800的示意图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图7，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以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。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出根据本公开实施例的一种电子设备1900的示意图。例如，电子设备1900可以被提供为一服务器。参照图8，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (13)

1.一种模型训练方法，其特征在于，所述方法包括：
确定缺陷图像集合，所述缺陷图像集合中包括至少一个缺陷图像，以及每一个所述缺陷图像中包括的至少一个缺陷的属性信息；
对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像；
根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集；
根据所述训练集进行缺陷检测模型训练，所述缺陷检测模型用于检测目标对象的缺陷。
2.根据权利要求1所述的方法，其特征在于，所述对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像包括：
确定至少一个预设的图像变换方式，以及每个所述图像变换方式的变换参数区间；
根据至少一个所述图像变换方式以及对应的变换参数区间，对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像。
3.根据权利要求2所述的方法，其特征在于，所述根据至少一个所述图像变换方式以及对应的变换参数区间，对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像包括：
对于每一次图像变换过程，确定当前缺陷图像；
随机选中至少一个图像变换方式作为目标变换方式，并在每个所述目标变换方式的变换参数区间中确定目标变换参数；
根据所述目标变换方式，以及对应的目标变换参数对所述当前缺陷图像进行图像变换，得到变换图像。
4.根据权利要求3所述的方法，其特征在于，所述缺陷图像为三维图像，所述图像变换方式包括仿射变换。
5.根据权利要求1-4中任意一项所述的方法，其特征在于，所述根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集包括：
根据每个所述缺陷图像中缺陷的属性信息确定所述缺陷图像以及所述缺陷图像对应的至少一个变换图像的标注信息；
根据每个所述缺陷图像、每个所述变换图像以及对应的标注信息构建训练集。
6.根据权利要求5所述的方法，其特征在于，所述根据所述训练集进行缺陷检测模型训练包括：
在所述训练集中选中一个所述缺陷图像，或一个所述缺陷图像对应的一个变换图像作为训练图像；
将所述训练图像输入缺陷检测模型，输出对应的检测信息；
根据所述训练图像对应的所述检测信息和所述标注信息确定模型损失，并根据所述模型损失进行模型参数调节。
7.根据权利要求6所述的方法，其特征在于，所述训练图像为三维图像；
所述将所述训练图像输入缺陷检测模型，输出对应的检测信息包括：
对所述训练图像进行特征提取得到表征所述训练图像纹理特征的纹理图像、表征所述训练图像中异常区域的第一深度图像，以及表征所述训练图像梯度分布的第二深度图像；
拼接所述纹理图像、所述第一深度图像和所述第二深度图像得到输入图像；
将所述输入图像输入缺陷检测模型，输出对应的检测信息。
8.根据权利要求7所述的方法，其特征在于，所述缺陷检测模型中包括依次连接的至少一个特征提取层、注意力机制层以及全连接层；
所述将所述输入图像输入缺陷检测模型，输出对应的检测信息包括：
将所述输入图像依次输入每个所述特征提取层，输出对应的特征图像；
将最后一个所述特征提取层输出的特征图像输入所述注意力机制层，得到注意力图像；
通过每个所述特征图像分别与所述注意力图像加权求和后拼接得到拼接图像；
将每个所述拼接图像输入所述全连接层，输出对应的检测信息。
9.根据权利要求1-8中任意一项所述的方法，其特征在于，所述缺陷图像为具有焊缝缺陷的电池顶盖图像，所述目标对象为电池，所述缺陷检测模型用于检测电池的顶盖焊缝缺陷。
10.根据权利要求1-9中任意一项所述的方法，其特征在于，所述方法还包括：
获取待识别图像；
将所述待识别图像输入所述缺陷检测模型，得到缺陷识别结果。
11.一种模型训练装置，其特征在于，所述装置包括：
图像确定模块，用于确定缺陷图像集合，所述缺陷图像集合中包括至少一个缺陷图像，以及每一个所述缺陷图像中包括的至少一个缺陷的属性信息；
图像变换模块，用于对每个所述缺陷图像进行至少一次图像变换，在每次图像变换后得到一个变换图像；
训练集确定模块，用于根据每个所述缺陷图像、每个所述缺陷图像对应的属性信息以及至少一个变换图像确定训练集；
模型训练模块，用于根据所述训练集进行缺陷检测模型训练，所述缺陷检测模型用于检测目标对象的缺陷。
12.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至10中任意一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至10中任意一项所述的方法。
CN202111370612.6A 2021-11-18 2021-11-18 模型训练方法及装置、电子设备和存储介质 Pending CN114066856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111370612.6A CN114066856A (zh) 2021-11-18 2021-11-18 模型训练方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111370612.6A CN114066856A (zh) 2021-11-18 2021-11-18 模型训练方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN114066856A true CN114066856A (zh) 2022-02-18

Family

ID=80277968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111370612.6A Pending CN114066856A (zh) 2021-11-18 2021-11-18 模型训练方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114066856A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661104A (zh) * 2022-11-04 2023-01-31 广东杰成新能源材料科技有限公司 动力电池的整体完整度评估方法、装置、设备及介质
CN116109587A (zh) * 2023-01-12 2023-05-12 超音速人工智能科技股份有限公司 一种复杂环境下密封钉焊缝质量检测方法
CN116228746A (zh) * 2022-12-29 2023-06-06 摩尔线程智能科技(北京)有限责任公司 缺陷检测方法、装置、电子设备、存储介质和程序产品

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661104A (zh) * 2022-11-04 2023-01-31 广东杰成新能源材料科技有限公司 动力电池的整体完整度评估方法、装置、设备及介质
CN115661104B (zh) * 2022-11-04 2023-08-11 广东杰成新能源材料科技有限公司 动力电池的整体完整度评估方法、装置、设备及介质
CN116228746A (zh) * 2022-12-29 2023-06-06 摩尔线程智能科技(北京)有限责任公司 缺陷检测方法、装置、电子设备、存储介质和程序产品
CN116109587A (zh) * 2023-01-12 2023-05-12 超音速人工智能科技股份有限公司 一种复杂环境下密封钉焊缝质量检测方法

Similar Documents

Publication Publication Date Title
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN110688951B (zh) 图像处理方法及装置、电子设备和存储介质
CN111783986B (zh) 网络训练方法及装置、姿态预测方法及装置
CN110674719B (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN114078118A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN111445493B (zh) 图像处理方法及装置、电子设备和存储介质
CN110503689B (zh) 位姿预测方法、模型训练方法及装置
CN112465843A (zh) 图像分割方法及装置、电子设备和存储介质
CN114019473A (zh) 对象检测方法及装置、电子设备和存储介质
CN112991553B (zh) 信息展示方法及装置、电子设备和存储介质
CN114240882A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN112967264A (zh) 缺陷检测方法及装置、电子设备和存储介质
CN114066858A (zh) 模型训练方法及装置、电子设备和存储介质
CN114066856A (zh) 模型训练方法及装置、电子设备和存储介质
CN113052874B (zh) 目标跟踪方法及装置、电子设备和存储介质
CN112950712B (zh) 定位方法及装置、电子设备和存储介质
CN113139471A (zh) 目标检测方法及装置、电子设备和存储介质
CN112184787A (zh) 图像配准方法及装置、电子设备和存储介质
CN112529846A (zh) 图像处理方法及装置、电子设备和存储介质
CN113345000A (zh) 深度检测方法及装置、电子设备和存储介质
CN115100492B (zh) Yolov3网络训练、pcb表面缺陷检测方法及装置
CN111488964A (zh) 图像处理方法及装置、神经网络训练方法及装置
CN114519794A (zh) 特征点匹配方法及装置、电子设备和存储介质
CN114638949A (zh) 虚拟对象显示方法及装置、电子设备和存储介质
CN114445778A (zh) 一种计数方法及装置、电子设备和存储介质

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