CN114419035B - 产品识别方法、模型训练方法、装置和电子设备 - Google Patents

产品识别方法、模型训练方法、装置和电子设备 Download PDF

Info

Publication number
CN114419035B
CN114419035B CN202210298190.4A CN202210298190A CN114419035B CN 114419035 B CN114419035 B CN 114419035B CN 202210298190 A CN202210298190 A CN 202210298190A CN 114419035 B CN114419035 B CN 114419035B
Authority
CN
China
Prior art keywords
image data
model
product
recognition
identification
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
Application number
CN202210298190.4A
Other languages
English (en)
Other versions
CN114419035A (zh
Inventor
李硕
黄锋
聂磊
赵雪鹏
陈路燕
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210298190.4A priority Critical patent/CN114419035B/zh
Publication of CN114419035A publication Critical patent/CN114419035A/zh
Application granted granted Critical
Publication of CN114419035B publication Critical patent/CN114419035B/zh
Priority to EP23160686.4A priority patent/EP4216079A1/en
Priority to US18/181,967 priority patent/US20230214985A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

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

Abstract

本公开提供了一种产品识别方法、模型训练方法、装置和电子设备，涉及数据处理领域，尤其涉及工业质检、图像识别、深度学习领域。具体实现方案为：产品识别方法，包括：获取产品的图像数据；基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品；基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果。本公开可以提高产品识别过程中的识别结果的准确性。

Description

产品识别方法、模型训练方法、装置和电子设备
技术领域
本公开涉及数据处理领域，尤其涉及工业质检、图像识别、深度学习领域。具体涉及一种产品识别方法、模型训练方法、装置和电子设备。
背景技术
相关技术中，在产品生产加工完成之后，通常需要对产品进行质检。目前，主要采用人工质检的方式，或者，通过图像识别技术对产品的图像进行识别的方式完成产品的质检过程。
发明内容
本公开提供了一种产品识别方法、模型训练方法、装置和电子设备。
根据本公开的第一方面，提供了一种产品识别方法，包括：
获取产品的图像数据；
基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；
基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品；
基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果。
根据本公开的第二方面，提供了一种模型训练方法，包括：
获取产品的图像数据；
将所述图像数据分别输入初始识别模型和第二识别模型进行识别，得到初始识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，所述初始识别模型为用于识别缺陷产品的模型，所述第二识别模型为用于识别合格产品的模型；
在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型。
根据本公开的第三方面，提供了一种产品识别装置，包括：
第一获取模块，用于获取产品的图像数据；
第一识别模块，用于基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；
第二识别模块，用于基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品；
确定模块，用于基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果。
根据本公开的第四方面，提供了一种模型训练装置，包括：
第二获取模块，用于获取产品的图像数据；
第三识别模块，用于将所述图像数据分别输入初始识别模型和第二识别模型进行识别，得到初始识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，所述初始识别模型为用于识别缺陷产品的模型，所述第二识别模型为用于识别合格产品的模型；
训练模块，用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型。
根据本公开的第五方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面或第二方面中所述的方法。
根据本公开的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行第一方面或第二方面中所述的方法。
根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现第一方面或第二方面中所述的方法。
本公开技术方案，在对产品进行质检的过程中，通过基于第一识别模型对产品进行缺陷识别，同时，基于第二识别模型对产品进行合格识别，并基于两次识别的识别结果确定目标识别结果，这样，可以提高识别结果的准确性。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开实施例提供的一种产品识别方法的流程图；
图2是本公开实施例提供的一种模型训练方法的流程图；
图3是本公开实施例提供的一种模型训练框架的模块图；
图4是本公开实施例提供的一种产品识别装置的结构示意图之一；
图5是本公开实施例提供的一种产品识别装置的结构示意图之二；
图6是本公开实施例提供的一种模型训练装置的结构示意图之一；
图7是本公开实施例中模型训练装置中的训练模块的结构示意图；
图8是本公开实施例中模型训练装置中的生成子模块的结构示意图；
图9是本公开实施例提供的一种模型训练装置的结构示意图之二；
图10是本公开实施例提供的用于实现产品识别方法或实现模型训练方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
请参见图1，为本公开实施例提供的一种产品识别方法的流程图，所述产品识别方法包括以下步骤：
S101、获取产品的图像数据；
S102、基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；
S103、基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品；
S104、基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果。
其中，上述产品可以是工业领域中的各种产品，例如，可以是笔记本电脑、瓷器以及各种设备的零部件等。
相应地，上述产品的图像数据可以是在生产得到所述产品之后，对所述产品进行拍摄所得到的图像数据。所述图像数据可以包括对同一产品进行多角度拍摄得到的多张图像。
上述第一识别模型可以是：基于存在缺陷的产品的图像数据生成样本，并基于所生成的样本对预先构建模型进行训练所得到的模型。例如，可以根据产品的已知缺陷类型生成训练样本集，并基于所生成的训练样本集对预先构建的模型进行训练，以得到所述第一识别模型。这样，由于第一识别模型在训练过程中可以学习各种存在已知缺陷的产品的相关特征，因此，在训练之后，通过第一识别模型对存在上述已知缺陷的产品进行识别时，可以相对准确的识别出存在已知缺陷的产品，并输出存在缺陷的产品的缺陷类型。
其中，所述已知的缺陷类型可以包括：产品存在裂纹、产品颜色偏差过大、产品形状或者尺寸误差过大等缺陷类型。
上述第二识别模型可以是：将合格产品的图像数据作为训练样本，对预先构建的模型进行训练所得到的模型。这样，训练之后得到的第二识别模型可以是学习到合格产品的特征分布，并能够区分合格产品和缺陷产品。
然而，由于在实际的缺陷检测场景中，一方面，由于缺陷产品在所生产的产品中占比相当小，故缺陷样本难以收集。另一方面，新形态的缺陷产品层出不穷，因此，在训练得到上述第一识别模型的过程中，所生成的训练样本集很难完整的包括产品的所有缺陷类型。故上述第一识别模型通常仅能识别出训练阶段所学习到的已知缺陷类型，对于训练阶段未学习的新缺陷类型可能无法准确的识别。因此，在基于所述第一识别模型对所述产品的图像数据进行识别的过程中，当所述产品的图像数据中包含新的缺陷类型时，所述第一识别模型可能输出所述产品为合格产品的识别结果，从而导致识别结果不准确的问题。
基于此，本公开实施例中，通过基于所述第一识别模型对所述图像数据进行识别的同时，还进一步基于所述第二识别模型对所述图像数据进行识别，由于合格产品的特征相对稳定，因此，基于合格产品训练得到的第二识别模型可以相对准确的识别合格产品。这样，通过基于第一识别模型输出的第一识别结果和第二识别模型输出的第二识别结果确定目标识别结果，可以提高所确定的目标识别结果的准确性。例如，在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，由于所述第一识别结果可能不准确，因此，可以以所述第二识别结果为准进行输出，以提高识别结果的准确性。此外，在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，也可以输出识别结果待定的识别结果，以便于提醒相关人员对所述产品的类型进行人工复核。
该实施方式中，在对产品进行质检的过程中，通过基于第一识别模型对产品进行缺陷识别，同时，基于第二识别模型对产品进行合格识别，并基于两次识别的识别结果确定目标识别结果，这样，可以提高识别结果的准确性。
可选地，所述基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果，包括：
在所述第一识别结果与所述第二识别结果相同的情况下，确定所述目标识别结果为所述第一识别结果或所述第二识别结果；
在所述第一识别结果指示所述产品为缺陷产品，且所述第二识别结果指示所述产品为合格产品的情况下，确定所述目标识别结果为所述第一识别结果；
在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，确定所述目标识别结果为第三识别结果，所述第三识别结果为产品类型待定的识别结果。
具体地，在所述第一识别结果与所述第二识别结果相同的情况下，即所述第一识别结果可能为准确识别结果的情况下，可以直接将所述第一识别结果或所述第二识别结果确定为所述目标识别结果。其中，所述第一识别结果与所述第二识别结果相同可以是指：所述第一识别结果与所述第二识别结果均指示所述产品为合格产品的情况，或者，所述第一识别结果与所述第二识别结果均指示所述产品为缺陷产品的情况。
相应地，在所述第一识别结果指示所述产品为缺陷产品，且所述第二识别结果指示所述产品为合格产品的情况下，由于所述第一识别模型可以相对准确的识别出已知缺陷的缺陷类型，而第二识别模型为基于合格产品进行训练得到的模型，故所述第二识别模型可能无法准确的识别缺陷产品，因此，可以以所述第一识别结果作为所述目标识别结果进行输出。
此外，在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，所述产品的图像数据中可能包括新增的缺陷类型，也可能是所述第二识别模型识别错误，因此，可以输出产品类型待定的识别结果。
该实施方式中，在对图像数据进行识别得到第一识别结果和第二识别结果之后，通过对比第一识别结果与第二识别结果，并根据第一识别结果与第二识别结果可能出现的不同情形，设置对应的目标识别结果，如此，可以提高所输出的目标识别结果的准确性。
可选地，所述基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果之后，所述方法还包括：
在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，将所述图像数据添加至缺陷产品数据库，所述缺陷产品数据库中的数据用于对所述第一识别模型进行优化。
具体地，由于在所述产品的图像数据中包括新的缺陷类型时，所述第一识别模型可能因未学习该新的缺陷类型的相关特征，因此，可能将该产品判定为合格产品。而所述第二识别模型可以识别出该产品与合格产品存在区别，因此，可以将该产品判定为缺陷产品。
基于此，在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，所述产品的图像数据中可能包括新的缺陷类型，因此，可以将所述图像数据添加至缺陷产品数据库。由于所述缺陷产品数据库中的图像数据可能包括大量新的缺陷类型，因此，可以基于所述缺陷产品数据库中的图像数据构建新增样本集，并基于所述新增样本集对所述第一识别模型进行进一步的迭代训练，以便于所述第一识别模型能够学习到更多的缺陷类型的相关特征，从而进一步提高所述第一识别模型的识别结果的准确性。
该实施方式中，在基于初始识别模型和第二识别模型对产品的图像数据进行识别的过程中，通过将可能包括新的缺陷类型的图像数据添加至缺陷产品数据库，并基于所述缺陷产品数据库中的图像数据构建新增样本集，然后，基于所述新增样本集对所述初始识别模型进行进一步的迭代训练，以便于训练得到的第一识别模型能够学习到更多的缺陷类型的相关特征，从而进一步提高所述第一识别模型的识别结果的准确性。
可选地，所述第一识别模型为基于目标产品的图像数据对初始识别模型进行训练得到的模型；所述第二识别模型对所述目标产品的图像数据进行识别的识别结果为缺陷产品；所述初始识别模型对所述目标产品的图像数据进行识别的识别结果为合格产品，所述初始识别模型为用于识别缺陷产品的模型。
其中，所述初始识别模型可以是：基于存在缺陷的产品的图像数据生成样本，并基于所生成的样本对预先构建模型进行训练所得到的模型。
由于在所述初始识别模型对所述目标产品的图像数据进行识别的识别结果为合格产品，且所述第二识别模型对所述目标产品的图像数据进行识别的识别结果为缺陷产品的情况下，所述目标产品的图像数据中可能包括新的缺陷类型。因此，可以进一步对所述目标产品的图像数据进行复核，以确定其是否包括新的缺陷类型，若所述目标产品的图像数据中包括新的缺陷类型的情况下，可以基于所述目标产品的图像数据对所述初始识别模型进行进一步迭代训练，以使训练得到的第一识别模型能够识别出更多类型的产品缺陷。
该实施方式中，通过在判定所述目标产品的图像数据中包括新的缺陷类型的情况下，基于所述目标产品的图像数据对所述初始识别模型进行进一步迭代训练，以使训练得到的第一识别模型能够识别出更多类型的产品缺陷。
可选地，所述第二识别模型为基于合格产品的图像数据进行无监督训练得到的模型。
其中，所述第二识别模型可以是基于合格产品的图像数据，对第二初始模型进行无监督训练得到的模型。所述第二初始模型的模型参数与预训练模型的模型参数相匹配，其中，所述预训练模型为从开源数据集中获取的模型，或者，所述预训练模型为基于人造缺陷类型进行自监督训练所得到的模型。
在训练得到所述第二识别模型之后，所述第二识别模型可以学习到合格产品的特征分布，在所述第二识别模型对图像数据进行识别过程中，可以通过计算马氏距离，欧式距离等方式进行特征对比，以确定所述图像数据中的产品所属类别。且所述第二识别模型能够提供像素级别的缺陷判定结果。
具体地，可以基于大量合格产品的图像数据对预先构建的第二初始模型进行无监督训练，以得到所述第二识别模型。
该实施方式中，通过基于大量合格产品的图像数据对预先构建的第二初始模型进行无监督训练，这样，训练得到的第二识别模型可以学习到合格产品的特征分布，从而具备识别合格产品的能力。
可选地，所述第一识别模型包括第一特征提取层、第一识别层和第二识别层，所述第一识别层的输入端和所述第二识别层的输入端分别与所述第一特征提取层的输出端连接；
其中，所述第一特征提取层用于提取所述图像数据中的目标特征，并用于将所述目标特征分别传输至所述第一识别层和所述第二识别层；
所述第一识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷位置和所述产品为缺陷产品的概率；
所述第二识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷的轮廓信息。
其中，所述第一识别模型可以采用现有的各种类型的网络结构，例如，可以采用检测模型Faster RCNN或实例分割模型Mask RCNN等。具体地，请参见图3，所述第一识别模型包括主干网络（Backbone）、特征金字塔网络（Feature Pyramid Networks，FPN）、第一识别层（Bbox Head）和第二识别层（Mask head），其中，所述Backbone和所述FPN共同形成所述第一特征提取层。
可以理解的是，上述第一识别结果可以包括所述第一识别层的输出结果和所述第二识别层输出的结果。
其中，在所述第一识别层的输出结果为空，且所述第二识别层的输出结果分别为空的情况下，确定所述产品为合格产品；
在所述第一识别层的输出结果和所述第二识别层的输出结果中，至少一者不为空的情况下，确定所述产品为缺陷产品。
该实施方式中，通过基于第一识别层对图像数据进行识别输出第一识别结果以便于确定产品是否为缺陷产品，以及，确定缺陷在产品中的具体位置。此外，通过基于第二识别层对图像数据进行识别输出第二识别结果以便于输出缺陷的轮廓信息，从而方便后续根据缺陷的轮廓信息对第一识别模型进行进一步的迭代训练。
可选地，所述第二识别模型包括第二特征提取层、第三特征提取层、第四特征提取层和比较层（compare），所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别与所述比较层连接；
其中，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别用于对所述图像数据进行特征提取，且所述第二特征提取层所提取的特征的尺度、所述第三特征提取层所提取的特征的尺度和所述第四特征提取层所提取的特征的尺度不同，所述比较层用于基于所述第二特征提取层所提取的特征、所述第三特征提取层所提取的特征和所述第四特征提取层所提取的特征，输出识别结果。
上述第二识别模型为CNN模型，请参见图3，所述CNN模型包括3个不同尺度的特征提取层，即第二特征提取层、第三特征提取层、第四特征提取层，以用于提取不同尺度的特征。
该实施方式中，通过基于第二识别模型的3个不同尺度的特征提取层提取不同尺度的特征，由于不同尺度的特征包含了不同的细节和语义信息，因此，相对于提取单一尺度的特征而言，可以提高特征提取的效果，进而提高识别结果的准确性。
请参见图2，为本公开实施例提供的一种模型训练方法，所述模型训练方法包括以下步骤：
步骤S201、获取产品的图像数据；
步骤S202、将所述图像数据分别输入初始识别模型和第二识别模型进行识别，得到初始识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，所述初始识别模型为用于识别缺陷产品的模型，所述第二识别模型为用于识别合格产品的模型；
步骤S203、在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型。
其中，上述获取产品的图像数据可以是在对产品进行检测的过程中获取的图像数据，即上述模型训练方法可以应用于对产品的质检过程中。也即一方面可以基于所述初始识别模型和第二识别模型对产品进行质检，另一方面当所述初始识别模型和第二识别模型的输出结果指示可能存在新的缺陷类型时，可以基于所挖掘出的新的缺陷类型对所述初始识别模型进行进一步迭代训练得到所述第一识别模型。在得到所述第一识别模型之后，可以基于所述第一识别模型和第二识别模型对产品进行质检，如此，在产品质检过程中，不断挖掘新的缺陷类型，并基于新的缺陷类型对第一识别模型进行训练，从而可以不断提升第一识别模型的模型性能，提高质检效果。
上述初始识别模型可以是：基于存在缺陷的产品的图像数据生成样本，并基于所生成的样本对预先构建模型进行训练所得到的模型。上述第二识别模型可以是：将合格产品的图像数据作为训练样本，对预先构建的模型进行训练所得到的模型。
由于在所述初始识别模型对所述产品的图像数据进行识别的识别结果为合格产品，且所述第二识别模型对所述产品的图像数据进行识别的识别结果为缺陷产品的情况下，所述产品的图像数据中可能包括新的缺陷类型。因此，可以进一步对所述产品的图像数据进行复核，以确定其是否包括新的缺陷类型，若所述产品的图像数据中包括新的缺陷类型的情况下，可以基于所述产品的图像数据对所述初始识别模型进行进一步迭代训练，以使训练得到的第一识别模型能够识别出更多类型的产品缺陷。
该实施方式中，通过在判定所述产品的图像数据中包括新的缺陷类型的情况下，基于所述产品的图像数据对所述初始识别模型进行进一步迭代训练，以使训练得到的第一识别模型能够识别出更多类型的产品缺陷。
可选地，所述在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型，包括：
将所述图像数据添加至缺陷产品数据库；
基于所述缺陷产品数据库中的数据生成所述第一训练数据；
基于所述第一训练数据对所述初始识别模型进行有监督训练，得到第一识别模型。
具体地，由于在所述产品的图像数据中包括新的缺陷类型时，所述初始识别模型可能因未学习该新的缺陷类型的相关特征，因此，可能将该产品判定为合格产品。而所述第二识别模型可以识别出该产品与合格产品存在区别，因此，可以将该产品判定为缺陷产品。
基于此，在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，所述产品的图像数据中可能包括新的缺陷类型，因此，可以将所述图像数据添加至缺陷产品数据库。由于所述缺陷产品数据库中的图像数据可能包括大量新的缺陷类型，因此，可以基于所述缺陷产品数据库中的图像数据生成第一训练数据，并基于所述第一训练数据对所述初始识别模型进行进一步的迭代训练，以便于所述初始识别模型能够学习到更多的缺陷类型的相关特征，从而进一步提高所述初始识别模型的识别结果的准确性。
该实施方式中，在基于初始识别模型和第二识别模型对产品的图像数据进行识别的过程中，通过将可能包括新的缺陷类型的图像数据添加至缺陷产品数据库，并基于所述缺陷产品数据库中的图像数据构建新增样本集，然后，基于所述新增样本集对所述初始识别模型进行进一步的迭代训练，以便于训练得到的第一识别模型能够学习到更多的缺陷类型的相关特征，从而进一步提高所述第一识别模型的识别结果的准确性。
可选地，所述基于所述缺陷产品数据库中的数据生成所述第一训练数据，包括：
从所述缺陷产品数据库中获取第一图像数据，所述第一图像数据为所述缺陷产品数据库中的任意图像数据；
对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为缺陷产品的图像数据的情况下，对所述第一图像数据设置缺陷类型标签，得到所述第一训练数据。
其中，上述对所述第一图像数据进行复核，具体可以是进一步复核所述第一图像数据是合格产品的图像数据还是缺陷产品的图像数据。例如，可以采用人工复核的方式对所述第一图像数据进行复核，当然，也可以基于预先训练好的识别模型对所述第一图像数据进行识别，并将其输出的识别结果确定为复核结果。其中，所述识别模型能够识别所述第一图像数据所对应的产品是否为合格产品。
上述缺陷类型标签可以具体标注所述第一图像数据中产品的缺陷类型，可以理解的是，由于不同的第一图像数据中产品的缺陷类型可能不同，因此，可以为不同的第一图像数据设置不同的缺陷类型标签，以得到多个所述第一训练数据。并可以将所得到的第一训练数据与基于已知缺陷类型生成的原始训练数据一并输入所述初始识别模型进行进一步迭代训练，以得到所述第一识别模型。
该实施方式中，由于第二识别模型进行识别的准确性通常难以达到100％，即所述第二识别模型可能将原本为合格产品的图像数据识别为缺陷产品的图像数据，因此，所述缺陷产品数据库中可能存在合格产品的图像数据，基于此，本公开实施例中，在基于所述缺陷产品数据库中的第一图像数据生成第一训练数据之前，进一步对所述第一图像数据进行复核，以确保所述第一训练数据为针对缺陷产品的图像数据进行标注所得到的样本，从而进一步提高模型训练的效果。
可选地，所述从所述缺陷产品数据库中获取第一图像数据之后，所述方法还包括：
对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为合格产品的图像数据的情况下，确定所述第一图像数据为过检的图像数据。
该实施方式中，由于复核结果指示所述第一图像数据为合格产品，而所述第二识别模型对所述第一图像数据进行识别的识别结果为缺陷产品，因此，可以确定所述第一图像数据为所述第二识别模型过检的图像数据，在此情况下，可以舍弃所述第一图像数据，即不基于所述第一图像数据生成所述第一训练样本，并可以将所述第一图像数据从所述缺陷产品数据库中删除。从而可以以确保所述第一训练数据为针对缺陷产品的图像数据进行标注所得到的样本，以进一步提高模型训练的效果。
可选地，所述获取产品的图像数据之前，所述方法还包括：
获取第二图像数据，所述第二图像数据为合格产品的图像数据；
将所述第二图像数据作为训练样本输入预先构建的第一初始模型进行无监督训练，得到所述第二识别模型。
具体地，可以基于大量合格产品的图像数据对预先构建第一初始模型进行无监督训练，以得到所述第二识别模型。其中，所述第一初始模型可以为现有的各种网络模型，例如，可以为卷积神经网络（Convolutional Neural Networks，CNN）模型。
该实施方式中，通过基于大量合格产品的图像数据对预先构建的第一初始模型进行无监督训练，这样，训练得到的第二识别模型可以学习到合格产品的特征分布，从而具备识别合格产品的能力。
可选地，所述获取产品的图像数据之前，所述方法还包括：
获取第三图像数据，所述第三图像数据为缺陷产品的图像数据；
对所述第三图像数据设置缺陷类型标签，得到所述第二训练数据；
将所述第二训练数据输入预先构建的第二初始模型进行有监督训练，得到所述初始识别模型。
其中，所述第二初始模型可以是现有的各种网络模型，例如，可以是检测模型Faster RCNN或实例分割模型Mask RCNN等。
可以理解的是，上述第一图像数据可以是存储第一缺陷类型的产品的图像数据，所述第三图像数据可以是存储第二缺陷类型的产品的图像数据，其中，所述第一缺陷类型与所述第二缺陷类型为不同的缺陷类型。具体地，所述第二缺陷类型可以是各种已知缺陷类型，即在对所述第二初始模型进行训练得到所述初始识别模型的过程中，可以先获取所有已知缺陷类型的图像数据，并为所获取的图像数据设置缺陷类型标签，以得到所述第二训练数据，然后，基于所述第二训练数据对所述第二初始模型进行有监督训练，以得到所述初始识别模型。相应地，所述第一缺陷类型为基于所述初始识别模型进行识别的过程中，新发现的缺陷类型。
该实施方式中，通过基于已知缺陷类型对第二初始模型进行训练，从而使得训练得到的初始识别模型，能够对存在缺陷的产品的图像数据进行识别。
可选地，所述第一初始模型的模型参数与预训练模型的模型参数相匹配，其中，所述预训练模型为从开源数据集中获取的模型，或者，所述预训练模型为基于人造缺陷类型进行自监督训练所得到的模型。
其中，所述开源数据集可以是指计算机视觉领域中一些公开的预训练模型，其中，所述开源数据集中的预训练模型通常是在很大的公开数据集上训练好的模型，因此，可以将所述预训练模型的模型参数作为所述第一初始模型的初始训练参数，如此，可以提高所构建的第一初始模型的效果。
上述人造缺陷类型即在产品图像中人为添加缺陷，从而得到人造缺陷产品的图像数据，并基于所述人造缺陷产品的图像数据进行对预先构建的初始模型进行自监督训练，以得到所述预训练模型。并将所述预训练模型的模型参数确定为所述第一初始模型的初始训练参数，如此，可以提高所构建的第一初始模型的效果。
该实施方式中，通过使所述第一初始模型的模型参数与预训练模型的模型参数相匹配，如此，可以提高所构建的第一初始模型的效果。
可选地，在将所述第二图像数据输入所述第一初始模型进行无监督训练的过程中，所述第一初始模型用于对所述第二图像数据进行提取，得到特征集合，所述将所述第二图像数据输入预先构建的第一初始模型进行无监督训练，得到所述第二识别模型之后，所述方法还包括：
在所述第二识别模型接收到测试图像数据的情况下，基于所述第二识别模型提取所述测试图像数据中的待识别特征；
在所述待识别特征与所述特征集合中的特征之间的距离小于预设值的情况下，确定所述测试图像数据为合格产品的图像数据；
在所述待识别特征与所述特征集合中的特征之间的距离大于或等于所述预设值的情况下，确定所述测试图像数据为缺陷产品的图像数据。
该实施方式中，训练得到的第二识别模型可以在训练阶段提取训练数据中合格产品的特征集合，在识别阶段或者测试阶段可以提取待识别图像数据的待识别特征，然后，可以计算所述待识别特征与所述特征集合中的特征之间的距离，以确定待识别图像数据是否为合格产品的图像。从而实现对图像数据的识别。
可选地，所述距离为马氏距离或欧式距离。
该实施方式中，所述第二识别模型可以通过计算所述待识别特征与所述特征集合中的特征之间的马氏距离或欧式距离，以确定待识别图像数据是否为合格产品的图像。从而实现对图像数据的识别。
请参见图3，为本公开实施例提供的一种模型训练框架的模块图，所述模型训练框架包括第一识别模型和第二识别模型，所述第一识别模型包括主干网络（Backbone）、特征金字塔网络（Feature Pyramid Networks，FPN）、第一识别层（Bbox Head）和第二识别层（Mask head），其中，所述Backbone和所述FPN共同形成所述第一特征提取层。所述第二识别模型为CNN模型，且所述CNN模型包括3个不同尺度的特征提取层，以用于提取不同尺度的特征，不同尺度的特征包含了不同的细节和语义信息，相对于提取单一尺度的特征而言，可以提高特征提取的效果，进而提高识别结果的准确性。
在模型训练的初期，可以基于产品的已知的缺陷类别（类别1、类别2和类别3）生成训练样本对第一识别模型进行有监督训练，使得训练得到的第一识别模型具备识别缺陷产品的能力。同时，可以基于合格产品的图像数据对第二识别模型进行训练，使得训练得到的第二识别模型具备识别合格产品的能力。
然后，可以利用训练得到的第一识别模型和第二识别模型作为质检过程中的质检模型，可以将大量待识别产品的图像数据（图像数据1、图像数据2和图像数据3）输入第一识别模型和第二识别模型进行预测，得到第一识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，将所述图像数据确定为新的缺陷类型的图像数据，并将新的缺陷类型的图像数据加入至缺陷产品数据库。
然后，可以通过人工对所述缺陷产品数据库中的图像数据进行复核，并对复核后确认为新的缺陷产品的图像数据进行标注，得到训练样本。并基于所述训练样本对所述第一识别模型进行进一步迭代训练。从而实现在基于第一识别模型和第二识别模型进行质检过程中，同步发现新的缺陷类型，并基于新的缺陷类型不断对第一识别模型进行迭代训练的过程。
本公开技术方案，相对于人工质检能够节省大量的人工成本，且质检数据可归纳，能得到有效的反馈信息，并可基于所得到的反馈信息对模型进一步进行优化。本公开技术方案相对于传统的图像处理方法，具有对规则依赖弱，鲁棒性较强等优点。具体地，由于传统的图像处理方法一般强依赖规则，只对某种特定形态的缺陷有效，而本公开技术方案的无监督方法不依赖规则，只检测异常，对于各种不同形态的缺陷特征都能抓取到。因此，此外，传统有监督的深度学习模型应用在工业缺陷检测中时，通常需要收集大量的缺陷样本并进行标注后再训练模型，对于没有参与训练的缺陷形态往往会漏检。而实际项目实施的时候很多类型的缺陷出现频率低，很难从海量数据中收集到大量的训练数据，而公开技术方案通过无监督模型在实际场景应用时可以有效召回严重且数量少难收集的严重缺陷，并通过少量人工复核用于迭代有监督模型，形成了一个闭环，通过尽可能低的人工成本让有监督模型的检测能力越来越鲁棒。
请参见图4，为本公开实施例提供的一种产品识别装置400的结构示意图，所述产品识别装置400，包括：
第一获取模块401，用于获取产品的图像数据；
第一识别模块402，用于基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；
第二识别模块403，用于基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品；
第一确定模块404，用于基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果。
可选地，所述第一确定模块404，用于在所述第一识别结果与所述第二识别结果相同的情况下，确定所述目标识别结果为所述第一识别结果或所述第二识别结果；
所述第一确定模块404，还用于在所述第一识别结果指示所述产品为缺陷产品，且所述第二识别结果指示所述产品为合格产品的情况下，确定所述目标识别结果为所述第一识别结果；
所述第一确定模块404，还用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，确定所述目标识别结果为第三识别结果，所述第三识别结果为产品类型待定的识别结果。
可选地，请参见图5，所述装置还包括：
添加模块405，用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，将所述图像数据添加至缺陷产品数据库，所述缺陷产品数据库中的数据用于对所述第一识别模型进行优化。
可选地，所述第一识别模型为基于目标产品的图像数据对初始识别模型进行训练，得到的模型；所述第二识别模型对所述目标产品的图像数据进行识别的识别结果为缺陷产品；所述初始识别模型对所述目标产品的图像数据进行识别的识别结果为合格产品，所述初始识别模型为用于识别缺陷产品的模型。
可选地，所述第二识别模型为基于合格产品的图像数据进行无监督训练得到的模型。
可选地，所述第一识别模型包括第一特征提取层、第一识别层和第二识别层，所述第一识别层的输入端和所述第二识别层的输入端分别与所述第一特征提取层的输出端连接；
其中，所述第一特征提取层用于提取所述图像数据中的目标特征，并用于将所述目标特征分别传输至所述第一识别层和所述第二识别层；
所述第一识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷位置和所述产品为缺陷产品的概率；
所述第二识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷的轮廓信息。
可选地，所述第二识别模型包括第二特征提取层、第三特征提取层、第四特征提取层和比较层，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别与所述比较层连接；
其中，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别用于对所述图像数据进行特征提取，且所述第二特征提取层所提取的特征的尺度、所述第三特征提取层所提取的特征的尺度和所述第四特征提取层所提取的特征的尺度不同，所述比较层用于基于所述第二特征提取层所提取的特征、所述第三特征提取层所提取的特征和所述第四特征提取层所提取的特征，输出识别结果。
需要说明地，本实施例提供的产品识别装置400能够实现上述产品识别方法实施例的全部技术方案，因此至少能够实现上述全部技术效果，此处不再赘述。
请参见图6，为本公开实施例提供的一种模型训练装置500的结构示意图，所述模型训练装置500，包括：
第二获取模块501，用于获取产品的图像数据；
第三识别模块502，用于将所述图像数据分别输入初始识别模型和第二识别模型进行识别，得到初始识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，所述初始识别模型为用于识别缺陷产品的模型，所述第二识别模型为用于识别合格产品的模型；
训练模块503，用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型。
可选地，请参见图7，所述训练模块503，包括：
添加子模块5031，用于将所述图像数据添加至缺陷产品数据库；
生成子模块5032，用于基于所述缺陷产品数据库中的数据生成第一训练数据；
训练子模块5033，用于基于所述第一训练数据对所述初始识别模型进行有监督训练，得到第一识别模型。
可选地，所述生成子模块5032，包括：
获取单元50321，用于从所述缺陷产品数据库中获取第一图像数据，所述第一图像数据为所述缺陷产品数据库中的任意图像数据；
设置单元50322，用于对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为缺陷产品的图像数据的情况下，对所述第一图像数据设置缺陷类型标签，得到所述第一训练数据。
可选地，所述生成子模块5032，还包括：
确定单元50323，用于对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为合格产品的图像数据的情况下，确定所述第一图像数据为过检的图像数据。
可选地，请参见图8，所述生成子模块5032，包括：
获取单元50321，用于从所述缺陷产品数据库中获取第一图像数据，所述第一图像数据为存在缺陷产品的图像数据；
设置单元50322，用于对所述第一图像数据设置缺陷类型标签，得到所述第一训练数据。
可选地，请参见图9，所述装置还包括：
第三获取模块504，用于获取第二图像数据，所述第二图像数据为合格产品的图像数据；
所述训练模块503，还用于将所述第二图像数据作为训练样本输入预先构建的第一初始模型进行无监督训练，得到所述第二识别模型。
可选地，请参见图9，所述装置还包括：
第四获取模块505，用于获取第三图像数据，所述第三图像数据为缺陷产品的图像数据；
设置模块506，用于对所述第三图像数据设置缺陷类型标签，得到第二训练数据；
所述训练模块503，还用于将所述第二训练数据输入预先构建的第二初始模型进行有监督训练，得到所述初始识别模型。
可选地，所述第一初始模型的模型参数与预训练模型的模型参数相匹配，其中，所述预训练模型为从开源数据集中获取的模型，或者，所述预训练模型为基于人造缺陷类型进行自监督训练所得到的模型。
可选地，所述装置还包括：
提取模块507，用于在将所述第二图像数据输入所述第一初始模型进行无监督训练的过程中，所述第一初始模型用于对所述第二图像数据进行提取，得到特征集合；
所述提取模块507，还用于在所述第二识别模型接收到测试图像数据的情况下，基于所述第二识别模型提取所述测试图像数据中的待识别特征；
第二确定模块508，用于在所述待识别特征与所述特征集合中的特征之间的距离小于预设值的情况下，确定所述测试图像数据为合格产品的图像数据；
所述第二确定模块508，还用于在所述待识别特征与所述特征集合中的特征之间的距离大于或等于所述预设值的情况下，确定所述测试图像数据为缺陷产品的图像数据。
可选地，所述距离为马氏距离或欧式距离。
需要说明地，本实施例提供的模型训练装置500能够实现上述模型训练方法实施例的全部技术方案，因此至少能够实现上述全部技术效果，此处不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器（ROM）1002中的计算机程序或者从存储单元1008加载到随机访问存储器（RAM）1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如产品识别方法或者模型训练方法。例如，在一些实施例中，产品识别方法或者模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，执行上文描述的产品识别方法或者模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行产品识别方法或者模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (32)

1.一种产品识别方法，包括：
获取产品的图像数据；
基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；
基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品，且所述第二识别模型为进行无监督训练得到的模型；
基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果；
在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，将所述图像数据添加至缺陷产品数据库，所述缺陷产品数据库中的数据用于对所述第一识别模型进行优化。
2.根据权利要求1所述的方法，其中，所述基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果，包括：
在所述第一识别结果与所述第二识别结果相同的情况下，确定所述目标识别结果为所述第一识别结果或所述第二识别结果；
在所述第一识别结果指示所述产品为缺陷产品，且所述第二识别结果指示所述产品为合格产品的情况下，确定所述目标识别结果为所述第一识别结果；
在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，确定所述目标识别结果为第三识别结果，所述第三识别结果为产品类型待定的识别结果。
3.根据权利要求1所述的方法，其中，所述第二识别模型还用于识别缺陷产品，所述第一识别模型为基于目标产品的图像数据对初始识别模型进行训练得到的模型；所述第二识别模型对所述目标产品的图像数据进行识别的识别结果为缺陷产品；所述初始识别模型对所述目标产品的图像数据进行识别的识别结果为合格产品，所述初始识别模型为基于缺陷产品的图像数据训练得到的模型。
4.根据权利要求1所述的方法，其中，所述第二识别模型为基于合格产品的图像数据进行无监督训练得到的模型。
5.根据权利要求1所述的方法，其中，所述第一识别模型包括第一特征提取层、第一识别层和第二识别层，所述第一识别层的输入端和所述第二识别层的输入端分别与所述第一特征提取层的输出端连接；
其中，所述第一特征提取层用于提取所述图像数据中的目标特征，并用于将所述目标特征分别传输至所述第一识别层和所述第二识别层；
所述第一识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷位置和所述产品为缺陷产品的概率；
所述第二识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷的轮廓信息。
6.根据权利要求1所述的方法，其中，所述第二识别模型包括第二特征提取层、第三特征提取层、第四特征提取层和比较层，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别与所述比较层连接；
其中，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别用于对所述图像数据进行特征提取，且所述第二特征提取层所提取的特征的尺度、所述第三特征提取层所提取的特征的尺度和所述第四特征提取层所提取的特征的尺度不同，所述比较层用于基于所述第二特征提取层所提取的特征、所述第三特征提取层所提取的特征和所述第四特征提取层所提取的特征，输出识别结果。
7.一种模型训练方法，包括：
获取产品的图像数据；
将所述图像数据分别输入初始识别模型和第二识别模型进行识别，得到初始识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，所述初始识别模型为用于识别缺陷产品的模型，所述第二识别模型为用于识别合格产品的模型，且所述第二识别模型为进行无监督训练得到的模型；
在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型。
8.根据权利要求7所述的方法，其中，所述在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型，包括：
将所述图像数据添加至缺陷产品数据库；
基于所述缺陷产品数据库中的数据生成第一训练数据；
基于所述第一训练数据对所述初始识别模型进行有监督训练，得到第一识别模型。
9.根据权利要求8所述的方法，其中，所述基于所述缺陷产品数据库中的数据生成所述第一训练数据，包括：
从所述缺陷产品数据库中获取第一图像数据，所述第一图像数据为所述缺陷产品数据库中的任意图像数据；
对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为缺陷产品的图像数据的情况下，对所述第一图像数据设置缺陷类型标签，得到所述第一训练数据。
10.根据权利要求9所述的方法，其中，所述从所述缺陷产品数据库中获取第一图像数据之后，所述方法还包括：
对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为合格产品的图像数据的情况下，确定所述第一图像数据为过检的图像数据。
11.根据权利要求7至10中任一项所述的方法，其中，所述获取产品的图像数据之前，所述方法还包括：
获取第二图像数据，所述第二图像数据为合格产品的图像数据；
将所述第二图像数据作为训练样本输入预先构建的第一初始模型进行无监督训练，得到所述第二识别模型。
12.根据权利要求7至10中任一项所述的方法，其中，所述获取产品的图像数据之前，所述方法还包括：
获取第三图像数据，所述第三图像数据为缺陷产品的图像数据；
对所述第三图像数据设置缺陷类型标签，得到第二训练数据；
将所述第二训练数据输入预先构建的第二初始模型进行有监督训练，得到所述初始识别模型。
13.根据权利要求11所述的方法，其中，所述第一初始模型的模型参数与预训练模型的模型参数相匹配，其中，所述预训练模型为从开源数据集中获取的模型，或者，所述预训练模型为基于人造缺陷类型进行自监督训练所得到的模型。
14.根据权利要求11所述的方法，其中，在将所述第二图像数据输入所述第一初始模型进行无监督训练的过程中，所述第一初始模型用于对所述第二图像数据进行提取，得到特征集合，所述将所述第二图像数据输入预先构建的第一初始模型进行无监督训练，得到所述第二识别模型之后，所述方法还包括：
在所述第二识别模型接收到测试图像数据的情况下，基于所述第二识别模型提取所述测试图像数据中的待识别特征；
在所述待识别特征与所述特征集合中的特征之间的距离小于预设值的情况下，确定所述测试图像数据为合格产品的图像数据；
在所述待识别特征与所述特征集合中的特征之间的距离大于或等于所述预设值的情况下，确定所述测试图像数据为缺陷产品的图像数据。
15.根据权利要求14所述的方法，其中，所述距离为马氏距离或欧式距离。
16.一种产品识别装置，包括：
第一获取模块，用于获取产品的图像数据；
第一识别模块，用于基于第一识别模型对所述图像数据进行缺陷识别，得到第一识别结果，所述第一识别模型用于识别缺陷产品；
第二识别模块，用于基于第二识别模型对所述图像数据进行合格识别，得到第二识别结果，所述第二识别模型用于识别合格产品，且所述第二识别模型为进行无监督训练得到的模型；
第一确定模块，用于基于所述第一识别结果和所述第二识别结果确定所述产品的目标识别结果；
所述装置还包括：
添加模块，用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，将所述图像数据添加至缺陷产品数据库，所述缺陷产品数据库中的数据用于对所述第一识别模型进行优化。
17.根据权利要求16所述的装置，其中，所述第一确定模块，用于在所述第一识别结果与所述第二识别结果相同的情况下，确定所述目标识别结果为所述第一识别结果或所述第二识别结果；
所述第一确定模块，还用于在所述第一识别结果指示所述产品为缺陷产品，且所述第二识别结果指示所述产品为合格产品的情况下，确定所述目标识别结果为所述第一识别结果；
所述第一确定模块，还用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，确定所述目标识别结果为第三识别结果，所述第三识别结果为产品类型待定的识别结果。
18.根据权利要求16所述的装置，其中，所述第二识别模型还用于识别缺陷产品，所述第一识别模型为基于目标产品的图像数据对初始识别模型进行训练得到的模型；所述第二识别模型对所述目标产品的图像数据进行识别的识别结果为缺陷产品；所述初始识别模型对所述目标产品的图像数据进行识别的识别结果为合格产品，所述初始识别模型为基于缺陷产品的图像数据训练得到的模型。
19.根据权利要求16所述的装置，其中，所述第二识别模型为基于合格产品的图像数据进行无监督训练得到的模型。
20.根据权利要求16所述的装置，其中，所述第一识别模型包括第一特征提取层、第一识别层和第二识别层，所述第一识别层的输入端和所述第二识别层的输入端分别与所述第一特征提取层的输出端连接；
其中，所述第一特征提取层用于提取所述图像数据中的目标特征，并用于将所述目标特征分别传输至所述第一识别层和所述第二识别层；
所述第一识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷位置和所述产品为缺陷产品的概率；
所述第二识别层用于基于所接收到的所述目标特征进行识别，并输出所述图像数据中的缺陷的轮廓信息。
21.根据权利要求16所述的装置，其中，所述第二识别模型包括第二特征提取层、第三特征提取层、第四特征提取层和比较层，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别与所述比较层连接；
其中，所述第二特征提取层、所述第三特征提取层和所述第四特征提取层分别用于对所述图像数据进行特征提取，且所述第二特征提取层所提取的特征的尺度、所述第三特征提取层所提取的特征的尺度和所述第四特征提取层所提取的特征的尺度不同，所述比较层用于基于所述第二特征提取层所提取的特征、所述第三特征提取层所提取的特征和所述第四特征提取层所提取的特征，输出识别结果。
22.一种模型训练装置，包括：
第二获取模块，用于获取产品的图像数据；
第三识别模块，用于将所述图像数据分别输入初始识别模型和第二识别模型进行识别，得到初始识别模型输出的第一识别结果和第二识别模型输出的第二识别结果，所述初始识别模型为用于识别缺陷产品的模型，所述第二识别模型为用于识别合格产品的模型，且所述第二识别模型为进行无监督训练得到的模型；
训练模块，用于在所述第一识别结果指示所述产品为合格产品，且所述第二识别结果指示所述产品为缺陷产品的情况下，基于所述图像数据对所述初始识别模型进行训练，得到第一识别模型。
23.根据权利要求22所述的装置，其中，所述训练模块，包括：
添加子模块，用于将所述图像数据添加至缺陷产品数据库；
生成子模块，用于基于所述缺陷产品数据库中的数据生成第一训练数据；
训练子模块，用于基于所述第一训练数据对所述初始识别模型进行有监督训练，得到第一识别模型。
24.根据权利要求23所述的装置，其中，所述生成子模块，包括：
获取单元，用于从所述缺陷产品数据库中获取第一图像数据，所述第一图像数据为所述缺陷产品数据库中的任意图像数据；
设置单元，用于对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为缺陷产品的图像数据的情况下，对所述第一图像数据设置缺陷类型标签，得到所述第一训练数据。
25.根据权利要求24所述的装置，其中，所述生成子模块，还包括：
确定单元，用于对所述第一图像数据进行复核，且复核结果指示所述第一图像数据为合格产品的图像数据的情况下，确定所述第一图像数据为过检的图像数据。
26.根据权利要求22至25中任一项所述的装置，其中，所述装置还包括：
第三获取模块，用于获取第二图像数据，所述第二图像数据为合格产品的图像数据；
所述训练模块，还用于将所述第二图像数据作为训练样本输入预先构建的第一初始模型进行无监督训练，得到所述第二识别模型。
27.根据权利要求22至25中任一项所述的装置，其中，所述装置还包括：
第四获取模块，用于获取第三图像数据，所述第三图像数据为缺陷产品的图像数据；
设置模块，用于对所述第三图像数据设置缺陷类型标签，得到第二训练数据；
所述训练模块，还用于将所述第二训练数据输入预先构建的第二初始模型进行有监督训练，得到所述初始识别模型。
28.根据权利要求26所述的装置，其中，所述第一初始模型的模型参数与预训练模型的模型参数相匹配，其中，所述预训练模型为从开源数据集中获取的模型，或者，所述预训练模型为基于人造缺陷类型进行自监督训练所得到的模型。
29.根据权利要求26所述的装置，其中，在将所述第二图像数据输入所述第一初始模型进行无监督训练的过程中，所述第一初始模型用于对所述第二图像数据进行提取，得到特征集合，所述装置还包括：
提取模块，用于在所述第二识别模型接收到测试图像数据的情况下，基于所述第二识别模型提取所述测试图像数据中的待识别特征；
第二确定模块，用于在所述待识别特征与所述特征集合中的特征之间的距离小于预设值的情况下，确定所述测试图像数据为合格产品的图像数据；
所述第二确定模块，还用于在所述待识别特征与所述特征集合中的特征之间的距离大于或等于所述预设值的情况下，确定所述测试图像数据为缺陷产品的图像数据。
30.根据权利要求29所述的装置，其中，所述距离为马氏距离或欧式距离。
31.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的产品识别方法，或者，执行权利要求7-15中任一项所述的模型训练方法。
32.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的产品识别方法，或者，执行权利要求7-15中任一项所述的模型训练方法。
CN202210298190.4A 2022-03-25 2022-03-25 产品识别方法、模型训练方法、装置和电子设备 Active CN114419035B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210298190.4A CN114419035B (zh) 2022-03-25 2022-03-25 产品识别方法、模型训练方法、装置和电子设备
EP23160686.4A EP4216079A1 (en) 2022-03-25 2023-03-08 Product recognition method, model training method, device and electronic device
US18/181,967 US20230214985A1 (en) 2022-03-25 2023-03-10 Product recognition method, model training method, device and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210298190.4A CN114419035B (zh) 2022-03-25 2022-03-25 产品识别方法、模型训练方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN114419035A CN114419035A (zh) 2022-04-29
CN114419035B true CN114419035B (zh) 2022-06-17

Family

ID=81263161

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210298190.4A Active CN114419035B (zh) 2022-03-25 2022-03-25 产品识别方法、模型训练方法、装置和电子设备

Country Status (3)

Country Link
US (1) US20230214985A1 (zh)
EP (1) EP4216079A1 (zh)
CN (1) CN114419035B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IL259285B2 (en) * 2018-05-10 2023-07-01 Inspekto A M V Ltd A system and method for detecting defects on objects in an image
CN112581463B (zh) * 2020-12-25 2024-02-27 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN115661160B (zh) * 2022-12-29 2023-03-10 成都数之联科技股份有限公司 一种面板缺陷检测方法及系统及装置及介质
CN117409010B (zh) * 2023-12-15 2024-04-26 菲特（天津）检测技术有限公司 漆面缺陷检测模型训练、检测、编码方法及检测系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378869A (zh) * 2019-06-05 2019-10-25 北京交通大学 一种样本自动标注的钢轨扣件异常检测方法
CN111382785A (zh) * 2020-03-04 2020-07-07 武汉精立电子技术有限公司 一种gan网络模型及实现样本自动清洗、辅助标记的方法
CN111627015A (zh) * 2020-05-29 2020-09-04 联想(北京)有限公司 小样本缺陷识别方法、装置、设备及存储介质
CN111986178A (zh) * 2020-08-21 2020-11-24 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN112036514A (zh) * 2020-11-04 2020-12-04 腾讯科技（深圳）有限公司 一种图像分类方法、装置、服务器及计算机可读存储介质
CN112288034A (zh) * 2020-11-19 2021-01-29 江南大学 一种无线传感器网络半监督在线异常检测方法
CN112581463A (zh) * 2020-12-25 2021-03-30 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN113361603A (zh) * 2021-06-04 2021-09-07 北京百度网讯科技有限公司 训练方法、类别识别方法、装置、电子设备以及存储介质
WO2021214833A1 (ja) * 2020-04-20 2021-10-28 日本電信電話株式会社 学習装置、異常検知装置、学習方法及び異常検知方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6809250B2 (ja) * 2017-01-23 2021-01-06 株式会社リコー 情報処理装置、情報処理方法およびプログラム
US10809635B2 (en) * 2017-11-20 2020-10-20 Taiwan Semiconductor Manufacturing Company, Ltd. Defect inspection method and defect inspection system
JP7414629B2 (ja) * 2020-04-23 2024-01-16 株式会社Ｓｃｒｅｅｎホールディングス 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム
CN111745658B (zh) * 2020-05-25 2023-05-23 山东电力设备有限公司 一种检测大型油浸式变压器的机器人及智能控制方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378869A (zh) * 2019-06-05 2019-10-25 北京交通大学 一种样本自动标注的钢轨扣件异常检测方法
CN111382785A (zh) * 2020-03-04 2020-07-07 武汉精立电子技术有限公司 一种gan网络模型及实现样本自动清洗、辅助标记的方法
WO2021214833A1 (ja) * 2020-04-20 2021-10-28 日本電信電話株式会社 学習装置、異常検知装置、学習方法及び異常検知方法
CN111627015A (zh) * 2020-05-29 2020-09-04 联想(北京)有限公司 小样本缺陷识别方法、装置、设备及存储介质
CN111986178A (zh) * 2020-08-21 2020-11-24 北京百度网讯科技有限公司 产品缺陷检测方法、装置、电子设备和存储介质
CN112036514A (zh) * 2020-11-04 2020-12-04 腾讯科技（深圳）有限公司 一种图像分类方法、装置、服务器及计算机可读存储介质
CN112288034A (zh) * 2020-11-19 2021-01-29 江南大学 一种无线传感器网络半监督在线异常检测方法
CN112581463A (zh) * 2020-12-25 2021-03-30 北京百度网讯科技有限公司 图像缺陷的检测方法、装置、电子设备、存储介质及产品
CN113361603A (zh) * 2021-06-04 2021-09-07 北京百度网讯科技有限公司 训练方法、类别识别方法、装置、电子设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An automated defect detection approach for catenary rod-insulator textured surfaces using unsupervised learning;Wenqiang Liu等;《IEEE Transactions on Instrumentation and Measurement》;20200413;第69卷(第10期);8411-8423 *
基于深度生成模型融合的工业视觉瑕疵检测系统研究;余思琴;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》;20210515(第05期);I138-1204 *

Also Published As

Publication number Publication date
EP4216079A1 (en) 2023-07-26
US20230214985A1 (en) 2023-07-06
CN114419035A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN114419035B (zh) 产品识别方法、模型训练方法、装置和电子设备
US20220036533A1 (en) Image defect detection method and apparatus, electronic device, storage medium and product
CN111768381A (zh) 零部件缺陷检测方法、装置及电子设备
CN112861885B (zh) 图像识别方法、装置、电子设备及存储介质
CN112633276A (zh) 训练方法、识别方法、装置、设备、介质
CN113205041B (zh) 结构化信息提取方法、装置、设备和存储介质
CN113657395B (zh) 文本识别方法、视觉特征提取模型的训练方法及装置
CN112926621B (zh) 数据标注方法、装置、电子设备及存储介质
CN114549904B (zh) 视觉处理及模型训练方法、设备、存储介质及程序产品
CN115311469A (zh) 图像标注方法、训练方法、图像处理方法以及电子设备
CN113537192A (zh) 图像检测方法、装置、电子设备及存储介质
CN115861255A (zh) 用于图像处理的模型训练方法、装置、设备、介质及产品
CN115471476A (zh) 一种部件缺陷检测方法、装置、设备及介质
CN115359308A (zh) 模型训练、难例识别方法、装置、设备、存储介质及程序
CN114596188A (zh) 水印检测方法、模型训练方法、装置及电子设备
CN113191261B (zh) 图像类别的识别方法、装置和电子设备
CN112580620A (zh) 标志图片处理方法、装置、设备和介质
CN115861809A (zh) 杆状物检测及其模型的训练方法、装置、电子设备、介质
CN116229211A (zh) 样本生成方法、模型训练方法、对象检测方法及装置
CN115565186A (zh) 文字识别模型的训练方法、装置、电子设备和存储介质
CN114677566A (zh) 深度学习模型的训练方法、对象识别方法和装置
CN113947771A (zh) 图像识别方法、装置、设备、存储介质以及程序产品
CN114663886A (zh) 文本识别方法、模型的训练方法及装置
CN113850072A (zh) 文本情感分析方法、情感分析模型训练方法、装置、设备及介质
CN112288696A (zh) 一种辅助质检方法、装置、电子设备及存储介质

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