CN114066858A - 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 PDFInfo
- Publication number
- CN114066858A CN114066858A CN202111371569.5A CN202111371569A CN114066858A CN 114066858 A CN114066858 A CN 114066858A CN 202111371569 A CN202111371569 A CN 202111371569A CN 114066858 A CN114066858 A CN 114066858A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- region
- area
- determining
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000003860 storage Methods 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims abstract description 429
- 239000002131 composite material Substances 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims description 42
- 230000015572 biosynthetic process Effects 0.000 claims description 41
- 238000003786 synthesis reaction Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 39
- 230000002950 deficient Effects 0.000 claims description 38
- 238000003708 edge detection Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003466 welding Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000013434 data augmentation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000003709 image segmentation Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (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,通过确定标准图像和包括至少一个具有缺陷的缺陷图像的缺陷图像集合,确定每个缺陷图像中缺陷所在的区域为缺陷区域图像。根据至少一个缺陷区域图像和标准图像确定合成图像集合,其中包括至少一个具有缺陷的合成图像,以及每个合成图像中缺陷所在的位置信息,再通过合成图像集合训练用于识别缺陷的缺陷识别模型。本公开实施例通过提取缺陷图像的缺陷区域与标准图像融合得到具有缺陷的合成图像,以实现数据增广。通过生成合成图像扩大模型训练需要的负样本集,实现了基于大量负样本进行模型训练,提高了训练得到的模型精度。
Description
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。目前可以通过机器学习的方式进行上述任意电池缺陷检测,但机器学习的检测结果准确程度依赖于缺陷本量,在样本量较少的情况下难以保证机器学习的精度。
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,旨在样本量较少的情况下保证缺陷识别模型的精度。
根据本公开的第一方面,提供了一种模型训练方法,所述方法包括:
确定标准图像和缺陷图像集合,所述缺陷图像集合中包括具有至少一个缺陷的缺陷图像;
确定每个所述缺陷图像对应的至少一个缺陷区域图像,所述缺陷区域图像为对应的缺陷图像中一个所述缺陷所在的区域;
根据至少一个缺陷区域图像和所述标准图像确定合成图像集合,所述合成图像集合中包括至少一个具有缺陷的合成图像,以及每个所述合成图像中缺陷所在的位置信息;
通过所述合成图像集合训练缺陷识别模型,所述缺陷识别模型用于识别目标对象的缺陷。
在一种可能的实现方式中,所述确定每个所述缺陷图像对应的至少一个缺陷区域图像包括:
通过图像处理确定每个所述缺陷图像中每个缺陷对应的缺陷区域图像。
在一种可能的实现方式中,所述通过图像处理确定每个所述缺陷图像中每个缺陷对应的缺陷区域图像包括:
对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像;
将所述焊缝区域图像划分为至少两个候选区域图像;
根据每个所述缺陷与每个所述候选区域图像的对应关系,确定每个所述缺陷对应的缺陷区域图像。
在一种可能的实现方式中,所述将所述焊缝区域图像划分为至少两个候选区域图像包括:
通过预设的滑动窗在所述焊缝区域图像上滑动确定至少两个候选区域图像,所述滑动窗的宽度与所述焊缝区域图像的宽度相同。
在一种可能的实现方式中,所述根据每个所述缺陷与每个所述候选区域图像的对应关系,确定每个所述缺陷对应的缺陷区域图像包括:
对于每个所述缺陷,确定对应的标注图像区域;
响应于一个所述候选区域图像与所述标注图像区域具有重合区域,确定所述候选区域图像与所述标注图像区域内的缺陷对应;
根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像。
在一种可能的实现方式中,所述根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像包括:
响应于所述缺陷对应一个所述候选区域图像,确定所述候选区域图像为缺陷区域图像。
在一种可能的实现方式中,所述根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像还包括:
响应于所述缺陷对应至少两个所述候选区域图像,拼接所述缺陷对应的至少两个候选区域图像,得到缺陷区域图像。
在一种可能的实现方式中,所述对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像包括:
对于每个缺陷图像,通过二值化处理以及最大轮廓提取得到焊缝区域图像。
在一种可能的实现方式中,所述根据至少一个缺陷区域图像和所述标准图像确定合成图像集合包括:
至少一次根据所述缺陷区域图像与所述标准图像进行图像融合,得到合成图像,其中,每次图像融合时随机抽取至少一个缺陷区域图像与所述标准图像进行图像融合;
根据每个所述合成图像中所述缺陷区域图像所在的位置确定位置信息;
根据每个所述合成图像,以及每个合成图像的位置信息确定合成图像集合。
在一种可能的实现方式中,所述至少一次根据所述缺陷区域图像与所述标准图像进行图像融合,得到合成图像包括:
对于每次图像融合过程,确定所述标准图像中的至少一个合成区域;
随机抽取至少一个所述缺陷区域图像,所述缺陷区域图像的数量小于或等于所述合成区域的数量;
分别将抽取到的每个所述缺陷区域图像随机粘贴至所述标准图像中的一个合成区域内进行图像融合,得到合成图像。
在一种可能的实现方式中,所述确定所述标准图像中的至少一个合成区域包括:
通过图像边缘检测得到所述标准图像的边缘区域;
通过预设的滑动窗在所述边缘区域上滑动确定至少两个合成区域,所述滑动窗的宽度与所述边缘区域的宽度相同。
在一种可能的实现方式中,所述分别将抽取到的每个所述缺陷区域图像随机粘贴至所述标准图像中的一个合成区域内进行图像融合,得到合成图像包括:
确定高斯卷积核和对应的逆高斯卷积核;
通过所述高斯卷积核对随机抽取的每个所述缺陷区域图像进行卷积,并通过所述逆高斯卷积核随机对所述标准图像中的至少一个所述合成区域进行卷积,所述标准图像中被卷积的所述合成区域数量与随机抽取的所述缺陷区域图像数量相同;
将每个卷积后的所述缺陷区域图像分别与卷积后的一个所述合成区域融合得到合成图像。
在一种可能的实现方式中,所述标准图像和所述缺陷图像为电池图像,所述缺陷包括电池顶盖焊缝缺陷,所述目标对象为电池,所述缺陷识别模型用于识别电池顶盖的焊缝缺陷。
根据本公开的第二方面,提供了一种模型训练装置,所述装置包括:
集合确定模块,用于确定标准图像和缺陷图像集合,所述缺陷图像集合中包括具有至少一个缺陷的缺陷图像;
缺陷区域确定模块,用于确定每个所述缺陷图像对应的至少一个缺陷区域图像,所述缺陷区域图像为对应的缺陷图像中一个所述缺陷所在的区域;
图像合成模块,用于根据至少一个缺陷区域图像和所述标准图像确定合成图像集合,所述合成图像集合中包括至少一个具有缺陷的合成图像,以及每个所述合成图像中缺陷所在的位置信息;
模型训练模块,用于通过所述合成图像集合训练缺陷识别模型,所述缺陷识别模型用于识别目标对象的缺陷。
在一种可能的实现方式中,所述缺陷区域确定模块包括:
图像处理子模块,用于通过图像处理确定每个所述缺陷图像中每个缺陷对应的缺陷区域图像。
在一种可能的实现方式中,所述图像处理子模块包括:
边缘检测单元,用于对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像;
图像分割单元,用于将所述焊缝区域图像划分为至少两个候选区域图像;
图像确定单元,用于根据每个所述缺陷与每个所述候选区域图像的对应关系,确定每个所述缺陷对应的缺陷区域图像。
在一种可能的实现方式中,所述图像分割单元包括:
滑动分割子单元,用于通过预设的滑动窗在所述焊缝区域图像上滑动确定至少两个候选区域图像,所述滑动窗的宽度与所述焊缝区域图像的宽度相同。
在一种可能的实现方式中,所述图像确定单元包括:
区域标注子单元,用于对于每个所述缺陷,确定对应的标注图像区域;
缺陷确定子单元,用于响应于一个所述候选区域图像与所述标注图像区域具有重合区域,确定所述候选区域图像与所述标注图像区域内的缺陷对应;
图像确定子单元,用于根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像。
在一种可能的实现方式中,所述图像确定子单元包括:
第一确定子单元,用于响应于所述缺陷对应一个所述候选区域图像,确定所述候选区域图像为缺陷区域图像。
在一种可能的实现方式中,所述图像确定子单元还包括:
第二确定子单元,用于响应于所述缺陷对应至少两个所述候选区域图像,拼接所述缺陷对应的至少两个候选区域图像,得到缺陷区域图像。
在一种可能的实现方式中,所述边缘检测单元包括:
边缘检测子单元,用于对于每个缺陷图像,通过二值化处理以及最大轮廓提取得到焊缝区域图像。
在一种可能的实现方式中,所述图像合成模块包括:
图像融合子模块,用于至少一次根据所述缺陷区域图像与所述标准图像进行图像融合,得到合成图像,其中,每次图像融合时随机抽取至少一个缺陷区域图像与所述标准图像进行图像融合;
位置确定子模块,用于根据每个所述合成图像中所述缺陷区域图像所在的位置确定位置信息;
集合确定子模块,用于根据每个所述合成图像,以及每个合成图像的位置信息确定合成图像集合。
在一种可能的实现方式中,所述图像融合子模块包括:
区域确定单元,用于对于每次图像融合过程,确定所述标准图像中的至少一个合成区域;
图像抽取单元,用于随机抽取至少一个所述缺陷区域图像,所述缺陷区域图像的数量小于或等于所述合成区域的数量;
图像融合单元,用于分别将抽取到的每个所述缺陷区域图像随机粘贴至所述标准图像中的一个合成区域内进行图像融合,得到合成图像。
在一种可能的实现方式中,所述区域确定单元包括:
边缘确定子单元,用于通过图像边缘检测得到所述标准图像的边缘区域;
滑动获取子单元,用于通过预设的滑动窗在所述边缘区域上滑动确定至少两个合成区域,所述滑动窗的宽度与所述边缘区域的宽度相同。
在一种可能的实现方式中,所述图像融合单元包括:
卷积核确定子单元,用于确定高斯卷积核和对应的逆高斯卷积核;
图像卷积子单元,用于通过所述高斯卷积核对随机抽取的每个所述缺陷区域图像进行卷积,并通过所述逆高斯卷积核随机对所述标准图像中的至少一个所述合成区域进行卷积,所述标准图像中被卷积的所述合成区域数量与随机抽取的所述缺陷区域图像数量相同;
图像融合子单元,用于将每个卷积后的所述缺陷区域图像分别与卷积后的一个所述合成区域融合得到合成图像。
在一种可能的实现方式中,所述标准图像和所述缺陷图像为电池图像,所述缺陷包括电池顶盖焊缝缺陷,所述目标对象为电池,所述缺陷识别模型用于识别电池顶盖的焊缝缺陷。
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。
本公开实施例通过提取缺陷图像的缺陷区域与标准图像融合得到具有缺陷的合成图像,以实现数据增广。通过生成合成图像扩大模型训练需要的负样本集,能够在原始样本量较少的情况下实现基于大量负样本进行模型训练,提高了训练得到的模型精度。
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缺陷区域图像的示意图;
图4示出根据本公开实施例的一种确定焊缝区域图像的示意图;
图5示出根据本公开实施例的一种焊缝区域图像的示意图;
图6示出根据本公开实施例的一种缺陷区域图像的示意图;
图7示出根据本公开实施例的另一种缺陷区域图像的示意图;
图8示出根据本公开实施例的一种模型训练装置的示意图;
图9示出根据本公开实施例的一种电子设备的示意图;
图10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、确定标准图像和缺陷图像集合。
在一种可能的实现方式中,标准图像为采集目标对象得到的,用于进行缺陷识别模型训练的图像,目标对象为需要通过本公开实施例训练得到的缺陷识别模型识别的对象。例如,当缺陷识别模型用于识别的目标对象为电池,且用于识别电池顶盖焊缝缺陷时,标准图像可以为采集电池顶盖得到的图像。或者,当缺陷识别模型用于识别的目标对象为产品外壳,且用于识别产品外壳缺陷时,标准图像可以为采集产品外壳得到的图像。进一步地,标准图像还可以为训练缺陷识别模型的正样本图像,例如当缺陷识别模型用于识别电池顶盖焊缝缺陷时,标准图像可以为采集不具有缺陷的电池顶盖得到的图像。
可选地,缺陷图像集合中包括至少一个缺陷图像,每个缺陷图像中还具有至少一个缺陷。在一种可能的实现方式中,缺陷图像与标准图像一样,为采集目标对象得到的图像,用于进行缺陷模型识别的图像。进一步地,缺陷图像可以为训练缺陷识别模型的负样本图像,例如当缺陷识别模型用于识别电池顶盖焊缝缺陷时,缺陷图像为采集具有至少一个缺陷的电池顶盖得到的图像。每个缺陷图像可以预先确定其中至少一个缺陷所在的位置,并在缺陷图像中确定表征缺陷所在位置的标注图像区域。也就是说,本公开实施例的标准图像和缺陷图像可以为电池图像,缺陷图像中包括电池顶盖焊缝缺陷。
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,即采集具有缺陷21的电池顶盖得到的图像。其中,缺陷图像20中部分区域用于显示缺陷21,可以预先标注该包括缺陷21的区域为标注图像区域。
步骤S20、确定每个所述缺陷图像对应的至少一个缺陷区域图像。
在一种可能的实现方式中,每个缺陷图像中均具有至少一个缺陷,可以根据每个缺陷在对应的缺陷图像中所在的位置确定对应的缺陷区域图像。也就是说,缺陷区域图像为对应的缺陷图像中一个缺陷所在的区域。可选地,可以通过图像处理的方式确定每个缺陷图像中每个缺陷对应的缺陷区域图像。如图2所示,可以确定缺陷图像20中缺陷21所在的区域为缺陷区域图像。
可选地,本公开实施例确定缺陷区域图像的过程可以包括:对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像,再将焊缝区域图像划分为至少两个候选区域图像,根据每个缺陷与每个候选区域图像的对应关系,确定每个缺陷对应的缺陷区域图像。
图3示出根据本公开实施例的一种确定缺陷区域图像的示意图。如图3所示,对于每一张缺陷图像30,先通过边缘检测31提取其中的焊缝区域图像32,去除缺陷图像30中的非焊缝区域。再进一步地通过对焊缝区域图像32进行图像划分33,得到至少两个候选区域图像34。根据缺陷图像中每个缺陷所在的位置和候选区域图像34的对应关系确定缺陷区域图像35。
在一种可能的实现方式中,对缺陷图像进行图像边缘检测确定焊缝区域图像的过程可以为,通过二值化处理和最大轮廓提取得到焊缝区域图像。例如,可以先根据预设的阈值参数对缺陷图像进行二值化处理,再通过findContours等轮廓提取函数进行最大轮廓提取,并获取提取到的最大轮廓区域作为焊缝区域图像。进一步地,还可以在其中加入尺寸变换等其他处理过程。例如,可以在对缺陷图像进行二值化处理之前先通过预设的缩放尺寸对缺陷图像进行尺寸变换。
图4示出根据本公开实施例的一种确定焊缝区域图像的示意图。如图4所示,通过图像处理确定焊缝区域图像的过程可以为先对缺陷图像40进行尺寸变换41,再进行二值化处理42,最终通过最大轮廓提取43的方式得到焊缝区域图像44。
图5示出根据本公开实施例的一种焊缝区域图像的示意图。如图5所示,在一种可能的实现方式中,本公开实施例的缺陷图像50为采集电池顶盖得到的电池图像。其中,电池的焊缝位置位于电池顶盖的边缘51,缺陷图像50中包括的缺陷52为焊缝缺陷,位于电池的焊缝位置。因此,在确定焊缝区域图像53时,可以去除缺陷图像50中间距离焊缝较远的区域图像,仅保留焊缝位置所在的区域得到焊缝区域图像53。
进一步地,在确定焊缝区域图像后,划分焊缝区域图像得到至少两个候选区域图像的过程可以为,通过预设的滑动窗在焊缝区域图像上滑动确定至少两个候选区域图像,滑动窗的宽度与焊缝区域图像的宽度相同。也就是说,通过预设的与焊缝区域图像宽度相同的滑动窗在焊缝区域图像上的左上角、右下角等指定位置开始向预设方向滑动,每一次滑动过程确定一个候选区域图像。可选地,在最后一次滑动结束后还有未被确定区域,即剩余区域的长度小于滑动窗长度时,可以直接确定该区域也为一个候选区域图像。
在一种可能的实现方式中,对于每个缺陷图像,可以根据其中包括的每个缺陷与候选区域图像的对应关系,确定每个缺陷对应的缺陷区域图像。可选地,该确定缺陷区域图像的过程可以包括:对于每个缺陷,确定对应的标注图像区域。响应于一个候选区域图像与标注图像区域具有重合区域,确定候选区域图像与标注图像区域内的缺陷对应。根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像。其中,每个缺陷对应的标注图像区域,为缺陷图像中包括该缺陷的图像区域。标注图像区域的确定方式可以为预先通过人工或机器标注得到,或者还可以为根据缺陷尺寸以及位置,自动生成一个包括该缺陷的最小方形区域。
进一步地,根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像的过程还可以包括:可以响应于缺陷对应一个候选区域图像,确定候选区域图像为缺陷区域图像。另外,还可以响应于缺陷对应至少两个候选区域图像,拼接缺陷对应的至少两个候选区域图像,得到缺陷区域图像。也就是说,在当前缺陷只有一个对应的候选区域图像时,可以直接确定该候选区域图像为缺陷区域图像。在当前缺陷有至少两个对应的候选区域图像时,将当前确定对应的全部候选区域图像拼接后得到缺陷区域图像。
图6示出根据本公开实施例的一种缺陷区域图像的示意图。如图6所示,对于划分焊缝区域图像得到的多个候选区域图像60,在当前缺陷61仅对应一个候选区域图像60,即缺陷61仅仅位于一个候选区域图像60中时,直接确定该候选区域图像60为该缺陷61对应的缺陷区域图像62。
图7示出根据本公开实施例的另一种缺陷区域图像的示意图,如图7所示,对于划分焊缝区域图像得到的多个候选区域图像60,在当前缺陷61仅对应两个候选区域图像60,即缺陷61同时位于两个候选区域图像60中时,拼接两个候选区域图像60得到该缺陷61对应的缺陷区域图像63。
本公开实施例上述确定缺陷区域图像的方式能够避免遗漏缺陷特征,获取完整的缺陷。同时,尽量保证得到的缺陷区域图像尺寸较小,避免因获取的缺陷图像过大影响图像合成效果。
步骤S30、根据至少一个缺陷区域图像和所述标准图像确定合成图像集合。
在一种可能的实现方式中,在提取每个缺陷图像中缺陷所在的区域后得到至少一个缺陷区域图像,再进一步根据确定的缺陷区域图像和标注图像确定多个具有缺陷的合成图像,得到合成图像集合。可选地,合成图像集合中包括至少一个具有缺陷的合成图像,以及每个合成图像中缺陷所在的位置信息。其中,位置信息用于表征缺陷在合成图像中的位置。
可选地,本公开实施例确定合成图像集合的过程可以包括:至少一次根据缺陷区域图像与标准图像进行图像融合,得到合成图像,其中,每次图像融合时随机抽取至少一个缺陷区域图像与标准图像进行图像融合。根据每个合成图像中缺陷区域图像所在的位置确定位置信息。根据每个合成图像,以及每个合成图像的位置信息确定合成图像集合。
在一种可能的实现方式中,本公开实施例确定合成图像的过程可以为:对于每次图像融合过程,确定标准图像中的至少一个合成区域,随机抽取至少一个缺陷区域图像,分别将抽取到的每个缺陷区域图像随机粘贴至标准图像中的一个合成区域内进行图像融合,得到合成图像。可选地,随机抽取的缺陷区域图像的数量小于或等于合成区域的数量,标准图像的合成区域确定的方式可以与缺陷图像确定候选区域图像的方式相同。也就是说,合成区域的确定过程可以为通过图像边缘检测得到标准图像的边缘区域,通过预设的滑动窗在边缘区域上滑动确定至少两个合成区域,滑动窗的宽度与边缘区域的宽度相同。可选地,在随机抽取至少一个缺陷区域图像后,将每个缺陷区域图像随机粘贴在标准图像的一个合成区域中。其中,缺陷区域图像在随机粘贴时,可以通过将缺陷区域图像的左上角与随机选中的合成区域左上角对齐的方式对齐图像。
进一步地,本公开实施例通过图像融合的方式确定合成图像的过程可以包括:确定高斯卷积核和对应的逆高斯卷积核,通过高斯卷积核对随机抽取的每个缺陷区域图像进行卷积,并通过逆高斯卷积核随机对标准图像中的至少一个合成区域进行卷积,标准图像中被卷积的合成区域数量与随机抽取的缺陷区域图像数量相同。将每个卷积后的缺陷区域图像分别与卷积后的一个合成区域融合得到合成图像。即与每个缺陷区域图像融合的合成区域不同,不存在两个缺陷图像融合至一个合成区域的情况。可选地,高斯卷积核x可以根据预定的均值和标准差生成,逆高斯卷积核为1-x。在图像融合过程中,将缺陷区域图像作为前景图像,将合成区域作为背景图像。
以通过一个缺陷图像与标注图像融合得到合成图像为例进行说明。可以随机抽取一个缺陷区域图像,并根据预设的均值和标准差生成一维高斯卷积核x。进一步地,根据预设的边缘宽度,将生成的高斯卷积核x与缺陷图像的边缘相乘作为前景front*x。根据高斯卷积核x计算得到逆高斯卷积核(1-x),在标准图像中随机选择一个合成区域,并计算该区域中的边缘与逆高斯卷积核(1-x)的乘积,作为背景back*(1-x)。将该前景像和背景融合得到新的合成区域front*x+back*(1-x),并用该新的合成区域替换标准图像中原有的合成区域得到合成图像。
在确定合成图像后,可以根据其中每个缺陷区域图像在合成过程中粘贴的合成区域位置确定对应的位置信息。根据多个合成图像和每个图像对应的位置信息确定合成图像集合。可选地,一个位置信息中可以包括一个缺陷所在的位置,或同时包括多个缺陷所在的位置。
本公开实施例确定合成图像的方式能够保证缺陷区域图像与标准图像的准确融合,得到与缺陷图像效果相同的合成图像,避免因图像合成过程中发生位置偏移,影响合成图像效果。
步骤S40、通过所述合成图像集合训练缺陷识别模型。
在一种可能的实现方式中,通过合成图像集合训练缺陷识别模型,缺陷识别模型用于识别目标对象的缺陷。可选地,在模型训练过程中,可以将合成图像集合中的合成图像作为输入数据,将每个合成图像对应的位置信息作为标注信息。当本公开实施例用于训练识别电池顶盖焊缝缺陷的缺陷识别模型时,标准图像和缺陷图像为电池图像。缺陷图像中的缺陷包括电池顶盖焊缝缺陷,目标对象为电池,缺陷识别模型用于识别电池顶盖的焊缝缺陷。
进一步地,在模型训练过程中,还可以将缺陷图像集合中各缺陷图像和各缺陷图像中缺陷所在的位置分别作为输入数据,以及对应的标注信息与合成图像集合一同进行模型训练。
以本公开实施例的模型训练方法应用于电池检测场景为例进行说明。其中,标准图像为采集无焊缝缺陷电池顶盖得到的图像。缺陷图像为采集具有焊缝缺陷的电池顶盖得到的图像。电子设备通过图像处理提取每个缺陷图像中缺陷所在的区域得到缺陷区域图像,并随机选择一个或多个缺陷区域图像粘贴至标准图像的焊缝区域,通过图像融合的方式生成具有缺陷的合成图像。进一步地,将具有缺陷的合成图像和缺陷图像作为负样本训练缺陷识别模型。
本公开实施例通过提取缺陷图像的缺陷区域,将至少一个缺陷区域与标准图像随机进行图像融合,得到多张具有缺陷的合成图像。即实现了数据增广、扩大了模型训练需要的负样本集,使得在负样本较少的训练情况下,通过数据增广得到的大量负样本进行模型训练,提高了训练得到的模型精度。
进一步地,在训练得到缺陷识别模型后,可以通过缺陷识别模型进行缺陷识别。例如,当缺陷识别模型用于识别的目标对象为电池,且用于识别电池顶盖焊缝缺陷时,可以先可以获取待识别图像,该待识别图像为拍摄电池顶盖得到的图像;然后可将待识别图像输入缺陷识别模型,通过缺陷识别模型对待识别图像进行特征提取和识别等处理,确定该待识别图像(或该识别图像所对应的电池顶盖)是否存在缺陷,并输出对应的缺陷识别结果;其中,如存在缺陷,缺陷识别结果中还包括缺陷的位置信息和/或类别信息,例如可以是在待识别图像中标记出缺陷的位置和/或类别。
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8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8所示,本公开实施例的模型训练装置包括集合确定模块80、缺陷区域确定模块81、图像合成模块82和模型训练模块83。
集合确定模块80,用于确定标准图像和缺陷图像集合,所述缺陷图像集合中包括具有至少一个缺陷的缺陷图像;
缺陷区域确定模块81,用于确定每个所述缺陷图像对应的至少一个缺陷区域图像,所述缺陷区域图像为对应的缺陷图像中一个所述缺陷所在的区域;
图像合成模块82,用于根据至少一个缺陷区域图像和所述标准图像确定合成图像集合,所述合成图像集合中包括至少一个具有缺陷的合成图像,以及每个所述合成图像中缺陷所在的位置信息;
模型训练模块83,用于通过所述合成图像集合训练缺陷识别模型,所述缺陷识别模型用于识别目标对象的缺陷。
在一种可能的实现方式中,所述缺陷区域确定模块81包括:
图像处理子模块,用于通过图像处理确定每个所述缺陷图像中每个缺陷对应的缺陷区域图像。
在一种可能的实现方式中,所述图像处理子模块包括:
边缘检测单元,用于对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像;
图像分割单元,用于将所述焊缝区域图像划分为至少两个候选区域图像;
图像确定单元,用于根据每个所述缺陷与每个所述候选区域图像的对应关系,确定每个所述缺陷对应的缺陷区域图像。
在一种可能的实现方式中,所述图像分割单元包括:
滑动分割子单元,用于通过预设的滑动窗在所述焊缝区域图像上滑动确定至少两个候选区域图像,所述滑动窗的宽度与所述焊缝区域图像的宽度相同。
在一种可能的实现方式中,所述图像确定单元包括:
区域标注子单元,用于对于每个所述缺陷,确定对应的标注图像区域;
缺陷确定子单元,用于响应于一个所述候选区域图像与所述标注图像区域具有重合区域,确定所述候选区域图像与所述标注图像区域内的缺陷对应;
图像确定子单元,用于根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像。
在一种可能的实现方式中,所述图像确定子单元包括:
第一确定子单元,用于响应于所述缺陷对应一个所述候选区域图像,确定所述候选区域图像为缺陷区域图像。
在一种可能的实现方式中,所述图像确定子单元还包括:
第二确定子单元,用于响应于所述缺陷对应至少两个所述候选区域图像,拼接所述缺陷对应的至少两个候选区域图像,得到缺陷区域图像。
在一种可能的实现方式中,所述边缘检测单元包括:
边缘检测子单元,用于对于每个缺陷图像,通过二值化处理以及最大轮廓提取得到焊缝区域图像。
在一种可能的实现方式中,所述图像合成模块82包括:
图像融合子模块,用于至少一次根据所述缺陷区域图像与所述标准图像进行图像融合,得到合成图像,其中,每次图像融合时随机抽取至少一个缺陷区域图像与所述标准图像进行图像融合;
位置确定子模块,用于根据每个所述合成图像中所述缺陷区域图像所在的位置确定位置信息;
集合确定子模块,用于根据每个所述合成图像,以及每个合成图像的位置信息确定合成图像集合。
在一种可能的实现方式中,所述图像融合子模块包括:
区域确定单元,用于对于每次图像融合过程,确定所述标准图像中的至少一个合成区域;
图像抽取单元,用于随机抽取至少一个所述缺陷区域图像,所述缺陷区域图像的数量小于或等于所述合成区域的数量;
图像融合单元,用于分别将抽取到的每个所述缺陷区域图像随机粘贴至所述标准图像中的一个合成区域内进行图像融合,得到合成图像。
在一种可能的实现方式中,所述区域确定单元包括:
边缘确定子单元,用于通过图像边缘检测得到所述标准图像的边缘区域;
滑动获取子单元,用于通过预设的滑动窗在所述边缘区域上滑动确定至少两个合成区域,所述滑动窗的宽度与所述边缘区域的宽度相同。
在一种可能的实现方式中,所述图像融合单元包括:
卷积核确定子单元,用于确定高斯卷积核和对应的逆高斯卷积核;
图像卷积子单元,用于通过所述高斯卷积核对随机抽取的每个所述缺陷区域图像进行卷积,并通过所述逆高斯卷积核随机对所述标准图像中的至少一个所述合成区域进行卷积,所述标准图像中被卷积的所述合成区域数量与随机抽取的所述缺陷区域图像数量相同;
图像融合子单元,用于将每个卷积后的所述缺陷区域图像分别与卷积后的一个所述合成区域融合得到合成图像。
在一种可能的实现方式中,所述标准图像和所述缺陷图像为电池图像,所述缺陷包括电池顶盖焊缝缺陷,所述目标对象为电池,所述缺陷识别模型用于识别电池顶盖的焊缝缺陷。
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9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9,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)的接口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10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10,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 (16)
1.一种模型训练方法,其特征在于,所述方法包括:
确定标准图像和缺陷图像集合,所述缺陷图像集合中包括具有至少一个缺陷的缺陷图像;
确定每个所述缺陷图像对应的至少一个缺陷区域图像,所述缺陷区域图像为对应的缺陷图像中一个所述缺陷所在的区域;
根据至少一个缺陷区域图像和所述标准图像确定合成图像集合,所述合成图像集合中包括至少一个具有缺陷的合成图像,以及每个所述合成图像中缺陷所在的位置信息;
通过所述合成图像集合训练缺陷识别模型,所述缺陷识别模型用于识别目标对象的缺陷。
2.根据权利要求1所述的方法,其特征在于,所述确定每个所述缺陷图像对应的至少一个缺陷区域图像包括:
通过图像处理确定每个所述缺陷图像中每个缺陷对应的缺陷区域图像。
3.根据权利要求2所述的方法,其特征在于,所述通过图像处理确定每个所述缺陷图像中每个缺陷对应的缺陷区域图像包括:
对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像;
将所述焊缝区域图像划分为至少两个候选区域图像;
根据每个所述缺陷与每个所述候选区域图像的对应关系,确定每个所述缺陷对应的缺陷区域图像。
4.根据权利要求3所述的方法,其特征在于,所述将所述焊缝区域图像划分为至少两个候选区域图像包括:
通过预设的滑动窗在所述焊缝区域图像上滑动确定至少两个候选区域图像,所述滑动窗的宽度与所述焊缝区域图像的宽度相同。
5.根据权利要求3或4所述的方法,其特征在于,所述根据每个所述缺陷与每个所述候选区域图像的对应关系,确定每个所述缺陷对应的缺陷区域图像包括:
对于每个所述缺陷,确定对应的标注图像区域;
响应于一个所述候选区域图像与所述标注图像区域具有重合区域,确定所述候选区域图像与所述标注图像区域内的缺陷对应;
根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像。
6.根据权利要求5所述的方法,其特征在于,所述根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像包括:
响应于所述缺陷对应一个所述候选区域图像,确定所述候选区域图像为缺陷区域图像。
7.根据权利要求5或6所述的方法,其特征在于,所述根据每个缺陷对应的至少一个候选区域图像确定缺陷区域图像还包括:
响应于所述缺陷对应至少两个所述候选区域图像,拼接所述缺陷对应的至少两个候选区域图像,得到缺陷区域图像。
8.根据权利要求3-7中任意一项所述的方法,其特征在于,所述对于每个缺陷图像,通过图像边缘检测得到焊缝区域图像包括:
对于每个缺陷图像,通过二值化处理以及最大轮廓提取得到焊缝区域图像。
9.根据权利要求1-8中任意一项所述的方法,其特征在于,所述根据至少一个缺陷区域图像和所述标准图像确定合成图像集合包括:
至少一次根据所述缺陷区域图像与所述标准图像进行图像融合,得到合成图像,其中,每次图像融合时随机抽取至少一个缺陷区域图像与所述标准图像进行图像融合;
根据每个所述合成图像中所述缺陷区域图像所在的位置确定位置信息;
根据每个所述合成图像,以及每个合成图像的位置信息确定合成图像集合。
10.根据权利要求9所述的方法,其特征在于,所述至少一次根据所述缺陷区域图像与所述标准图像进行图像融合,得到合成图像包括:
对于每次图像融合过程,确定所述标准图像中的至少一个合成区域;
随机抽取至少一个所述缺陷区域图像,所述缺陷区域图像的数量小于或等于所述合成区域的数量;
分别将抽取到的每个所述缺陷区域图像随机粘贴至所述标准图像中的一个合成区域内进行图像融合,得到合成图像。
11.根据权利要求10所述的方法,其特征在于,所述确定所述标准图像中的至少一个合成区域包括:
通过图像边缘检测得到所述标准图像的边缘区域;
通过预设的滑动窗在所述边缘区域上滑动确定至少两个合成区域,所述滑动窗的宽度与所述边缘区域的宽度相同。
12.根据权利要求10或11所述的方法,其特征在于,所述分别将抽取到的每个所述缺陷区域图像随机粘贴至所述标准图像中的一个合成区域内进行图像融合,得到合成图像包括:
确定高斯卷积核和对应的逆高斯卷积核;
通过所述高斯卷积核对随机抽取的每个所述缺陷区域图像进行卷积,并通过所述逆高斯卷积核随机对所述标准图像中的至少一个所述合成区域进行卷积,所述标准图像中被卷积的所述合成区域数量与随机抽取的所述缺陷区域图像数量相同;
将每个卷积后的所述缺陷区域图像分别与卷积后的一个所述合成区域融合得到合成图像。
13.根据权利要求1-12中任意一项所述的方法,其特征在于,所述标准图像和所述缺陷图像为电池图像,所述缺陷包括电池顶盖焊缝缺陷,所述目标对象为电池,所述缺陷识别模型用于识别电池顶盖的焊缝缺陷。
14.一种模型训练装置,其特征在于,所述装置包括:
集合确定模块,用于确定标准图像和缺陷图像集合,所述缺陷图像集合中包括具有至少一个缺陷的缺陷图像;
缺陷区域确定模块,用于确定每个所述缺陷图像对应的至少一个缺陷区域图像,所述缺陷区域图像为对应的缺陷图像中一个所述缺陷所在的区域;
图像合成模块,用于根据至少一个缺陷区域图像和所述标准图像确定合成图像集合,所述合成图像集合中包括至少一个具有缺陷的合成图像,以及每个所述合成图像中缺陷所在的位置信息;
模型训练模块,用于通过所述合成图像集合训练缺陷识别模型,所述缺陷识别模型用于识别目标对象的缺陷。
15.一种电子设备,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13中任意一项所述的方法。
16.一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13中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111371569.5A CN114066858A (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 |
---|---|---|---|
CN202111371569.5A CN114066858A (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 |
---|---|
CN114066858A true CN114066858A (zh) | 2022-02-18 |
Family
ID=80278117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111371569.5A Withdrawn CN114066858A (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) | CN114066858A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596314A (zh) * | 2022-05-09 | 2022-06-07 | 合肥联亚制衣有限公司 | 一种布匹瑕疵的检测模型的训练方法、装置、设备及介质 |
CN115345321A (zh) * | 2022-10-19 | 2022-11-15 | 小米汽车科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
CN116228703A (zh) * | 2023-02-21 | 2023-06-06 | 北京远舢智能科技有限公司 | 一种缺陷样本图像的生成方法、装置、电子设备及介质 |
-
2021
- 2021-11-18 CN CN202111371569.5A patent/CN114066858A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114596314A (zh) * | 2022-05-09 | 2022-06-07 | 合肥联亚制衣有限公司 | 一种布匹瑕疵的检测模型的训练方法、装置、设备及介质 |
CN115345321A (zh) * | 2022-10-19 | 2022-11-15 | 小米汽车科技有限公司 | 数据增广方法、装置、电子设备及存储介质 |
CN116228703A (zh) * | 2023-02-21 | 2023-06-06 | 北京远舢智能科技有限公司 | 一种缺陷样本图像的生成方法、装置、电子设备及介质 |
CN116228703B (zh) * | 2023-02-21 | 2024-01-12 | 北京远舢智能科技有限公司 | 一种缺陷样本图像的生成方法、装置、电子设备及介质 |
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 | |
CN111339846B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
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 | |
CN110889469B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113344901B (zh) | 涂胶缺陷检测方法、装置、存储介质及电子设备 | |
CN111445493B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US10452890B2 (en) | Fingerprint template input method, device and medium | |
CN114066858A (zh) | 模型训练方法及装置、电子设备和存储介质 | |
CN112465843A (zh) | 图像分割方法及装置、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 | |
CN114019473A (zh) | 对象检测方法及装置、电子设备和存储介质 | |
CN108596093B (zh) | 人脸特征点的定位方法及装置 | |
CN105488511A (zh) | 图像的识别方法及装置 | |
CN111931844A (zh) | 图像处理方法及装置、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 | |
CN112967264A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
CN112085097A (zh) | 图像处理方法及装置、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 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN112950712B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN112598676B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN113822868A (zh) | 发光二极管支架的缺陷检测方法及装置、设备和介质 | |
CN110333903B (zh) | 页面加载时长的确定方法及装置 | |
CN114519794A (zh) | 特征点匹配方法及装置、电子设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220218 |