CN114781605A - 缺陷检测模型训练方法、装置、电子设备及存储介质 - Google Patents
缺陷检测模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114781605A CN114781605A CN202210396947.3A CN202210396947A CN114781605A CN 114781605 A CN114781605 A CN 114781605A CN 202210396947 A CN202210396947 A CN 202210396947A CN 114781605 A CN114781605 A CN 114781605A
- Authority
- CN
- China
- Prior art keywords
- image
- defect detection
- domain
- detection model
- sample image
- 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
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种缺陷检测模型训练方法、装置、电子设备及存储介质,用于改善使用模型进行缺陷检测的准确率逐渐降低的问题。该方法包括:获取样本图像和样本图像对应的类别标签、领域标签和分割标签,类别标签表征样本图像是否存在缺陷,领域标签表征样本图像的所属数据域是源域样本或者目标域样本;使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,缺陷检测模型用于对图像进行缺陷检测。
Description
技术领域
本申请涉及深度学习、神经网络和图像处理的技术领域,具体而言,涉及一种缺陷检测模型训练方法、装置、电子设备及存储介质。
背景技术
目前,检测出目标物品(例如饼干食品和小玩具用品等)上的缺陷(例如包装气泡或者缺口等)主要是采用手工提取特征的算法,该算法的主要流程包括:首先从目标物品的采集图像上选取感兴趣区域,然后对感兴趣区域中的可能包含物体的区域进行特征提取,最后对提取的特征进行特征分类,从而确定该目标物品上是否存在缺陷。然而,在具体实践过程中发现,随着新物品的加入(例如新店需要售卖的新品牌包装的目标物品时,或者不同种类包装的目标物品时),使用模型进行缺陷检测的准确率逐渐降低。
发明内容
本申请实施例的目的在于提供一种缺陷检测模型训练方法、装置、电子设备及存储介质,用于改善使用模型进行缺陷检测的准确率逐渐降低的问题。
本申请实施例提供了一种缺陷检测模型训练方法,包括:获取样本图像和样本图像对应的类别标签、领域标签和分割标签,类别标签表征样本图像是否存在缺陷,领域标签表征样本图像的所属数据域是源域样本或者目标域样本,分割标签表征从样本图像的所有像素点中分割出的目标对象;使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,缺陷检测模型用于对图像进行缺陷检测。在上述方案的实现过程中,由于缺陷检测模型中的领域自适应模块和用于分割的解码器均是训练过的,该领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小样本领域偏移所带来的影响,且解码器能够在训练的过程中逐渐准确地预测出目标域样本中需要分割的目标对象,从而让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
可选地,在本申请实施例中,使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,包括:使用编码器对样本图像进行特征提取,获得图像特征;使用分类器对图像特征进行类别预测,获得样本图像对应的预测类别;计算样本图像对应的预测类别与样本图像对应的类别标签之间的分类损失值,并根据分类损失值对缺陷检测模型中的编码器和分类器进行训练。
在上述方案的实现过程中,通过计算样本图像对应的预测类别与样本图像对应的类别标签之间的分类损失值,并根据分类损失值对缺陷检测模型中的编码器和分类器进行训练,由于编码器是领域自适应模块和解码器两个辅助任务训练后获得的,因此,缺陷检测模型中的编码器能够提高对目标域的新物品进行缺陷检测的准确率。
可选地,在本申请实施例中,编码器包括不同尺寸的多个下采样编码层,领域自适应模块包括多个与下采样编码层对应的领域判别器;使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,包括:依次使用多个下采样编码层从样本图像中提取出不同尺寸的多个图像特征;针对多个图像特征中的每个图像特征,使用下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,获得多个领域判别损失值;根据多个领域判别损失值计算出领域自适应模块的领域自适应损失值,并根据领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练。
在上述方案的实现过程中,通过根据多个领域判别损失值计算出领域自适应模块的领域自适应损失值,并根据领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练,由于该领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小样本领域偏移所带来的影响,从而让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
可选地,在本申请实施例中,图像特征包括:源域样本中提取出的第一图像特征,以及目标域样本中提取出的第二图像特征;使用下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,包括:使用领域判别器对第一图像特征进行领域预测,获得第一领域预测值,并使用领域判别器对第二图像特征进行领域预测,获得第二领域预测值;根据第一领域预测值和第二领域预测值计算图像特征的领域判别损失值。
在上述方案的实现过程中,通过根据第一领域预测值和第二领域预测值计算图像特征的领域判别损失值,并根据领域判别损失值计算出的领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练,由于该领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小样本领域偏移所带来的影响,从而让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
可选地,在本申请实施例中,使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,包括:使用解码器对图像特征进行分割预测,获得样本图像对应的预测分割图像;计算样本图像对应的预测分割图像与样本图像对应的分割标签之间的分割损失值,并根据分割损失值对缺陷检测模型中的编码器和解码器进行训练。
在上述方案的实现过程中,通过计算样本图像对应的预测分割图像与样本图像对应的分割标签之间的分割损失值,并根据分割损失值对缺陷检测模型中的编码器和解码器进行训练,由于解码器能够在训练的过程中逐渐准确地预测出目标域样本中需要分割的目标对象,因此能够让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
可选地,在本申请实施例中,通过联合训练的方式获得缺陷检测模型,包括:根据分类损失值、领域自适应损失值和分割损失值计算总损失值,并根据总损失值更新缺陷检测模型的网络参数,直到缺陷检测模型满足训练终止条件。
在上述方案的实现过程中,由于该领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小样本领域偏移所带来的影响,且解码器能够在训练的过程中逐渐准确地预测出目标域样本中需要分割的目标对象,因此根据总损失值更新缺陷检测模型的网络参数,从而让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
可选地,在本申请实施例中,通过联合训练的方式获得缺陷检测模型之后,还包括:获取待检测图像,待检测图像是对目标产品进行拍摄获得的;使用缺陷检测模型中的编码器对待检测图像进行采样特征提取,获得采样特征图;使用缺陷检测模型中的分类器对采样特征图进行缺陷检测,获得缺陷检测结果。
在上述方案的实现过程中,通过使用训练后的缺陷检测模型中的分类器对采样特征图进行缺陷检测,获得缺陷检测结果,由于该领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小样本领域偏移所带来的影响,且解码器能够在训练的过程中逐渐准确地预测出目标域样本中需要分割的目标对象,能够让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
本申请实施例还提供了一种缺陷检测模型训练装置,包括:图像标签获取模块,用于获取样本图像和样本图像对应的类别标签、领域标签和分割标签,类别标签表征样本图像是否存在缺陷,领域标签表征样本图像的所属数据域是源域样本或者目标域样本,分割标签表征从样本图像的所有像素点中分割出的目标对象;检测模型训练模块,用于使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,缺陷检测模型用于对图像进行缺陷检测。
可选地,在本申请实施例中,检测模型训练模块,包括:图像特征提取子模块,用于使用编码器对样本图像进行特征提取,获得图像特征;图像类别预测子模块,用于使用分类器对图像特征进行类别预测,获得样本图像对应的预测类别;分类损失计算子模块,用于计算样本图像对应的预测类别与样本图像对应的类别标签之间的分类损失值,并根据分类损失值对缺陷检测模型中的编码器和分类器进行训练。
可选地,在本申请实施例中,编码器包括不同尺寸的多个下采样编码层,领域自适应模块包括多个与下采样编码层对应的领域判别器;检测模型训练模块,还包括:图像下采样子模块,用于依次使用多个下采样编码层从样本图像中提取出不同尺寸的多个图像特征;判别损失计算子模块,用于针对多个图像特征中的每个图像特征,使用下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,获得多个领域判别损失值;自适应损失计算子模块,用于根据多个领域判别损失值计算出领域自适应模块的领域自适应损失值,并根据领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练。
可选地,在本申请实施例中,图像特征包括:源域样本中提取出的第一图像特征,以及目标域样本中提取出的第二图像特征;判别损失计算子模块,包括:邻域预测值计算单元,用于使用领域判别器对第一图像特征进行领域预测,获得第一领域预测值,并使用领域判别器对第二图像特征进行领域预测,获得第二领域预测值;判别损失值计算单元,用于根据第一领域预测值和第二领域预测值计算图像特征的领域判别损失值。
可选地,在本申请实施例中,检测模型训练模块,还包括:图像分割预测子模块,用于使用解码器对图像特征进行分割预测,获得样本图像对应的预测分割图像;分割损失计算子模块,用于计算样本图像对应的预测分割图像与样本图像对应的分割标签之间的分割损失值,并根据分割损失值对缺陷检测模型中的编码器和解码器进行训练。
可选地,在本申请实施例中,检测模型训练模块,还包括:总损失值计算子模块,用于根据分类损失值、领域自适应损失值和分割损失值计算总损失值,并根据总损失值更新缺陷检测模型的网络参数,直到缺陷检测模型满足训练终止条件。
可选地,在本申请实施例中,缺陷检测模型训练装置,还包括:检测图像获取模块,用于获取待检测图像,待检测图像是对目标产品进行拍摄获得的;采样特征提取模块,用于使用缺陷检测模型中的编码器对待检测图像进行采样特征提取,获得采样特征图;图像缺陷检测模块,用于使用缺陷检测模型中的分类器对采样特征图进行缺陷检测,获得缺陷检测结果。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请实施例中的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的缺陷检测模型训练方法的流程示意图;
图2示出的本申请实施例提供的样本图像和各个标签的示意图;
图3示出的本申请实施例提供的编码器-解码器的架构示意图;
图4示出的本申请实施例提供的缺陷检测模型的网络结构示意图;
图5示出的本申请实施例提供的领域自适应模块的网络结构示意图;
图6示出的本申请实施例提供的缺陷检测模型训练装置的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请实施例中的一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请实施例的详细描述并非旨在限制要求保护的本申请实施例的范围,而是仅仅表示本申请实施例中的选定实施例。基于本申请实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请实施例保护的范围。
可以理解的是,本申请实施例中的“第一”、“第二”用于区别类似的对象。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在介绍本申请实施例提供的缺陷检测模型训练方法之前,先介绍本申请实施例中所涉及的一些概念:
缺陷检测,是指利用计算机视觉模拟人类视觉的功能,从具体实物进行图像采集、处理和计算,并最终进行实际地对企业工厂产品进行缺陷检测,从而实现高质量的生产与制造业智能自动化的发展。
需要说明的是,本申请实施例提供的缺陷检测模型训练方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者服务器,设备终端例如:智能手机、个人电脑、平板电脑、个人数字助理或者移动上网设备等。服务器是指通过网络提供计算服务的设备,服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。
下面介绍该缺陷检测模型训练方法适用的应用场景,这里的应用场景包括但不限于:使用缺陷检测模型训练方法获得的缺陷检测模型对目标物品的包装进行缺陷检测,此处的目标物品包括但不限于:食品包装(饼干和薯片等)、组合玩具包装(例如小积木玩具和棋类玩具等)、固态化学用品包装(例如小袋化肥和杀虫剂等)和工业用品包装(螺丝钉等其它小零部件)。
可以理解的是,当训练环境中的源域样本与应用环境中的目标域样本之间的数据分布不一致(即领域偏移)时,可以使用该缺陷检测模型训练方法对缺陷检测模型进行领域自适应,从而减小领域偏移给缺陷检测模型带来的影响,具体例如:当新店需要售卖的新品牌包装的目标物品时,或者不同种类包装的目标物品时,可以使用该缺陷检测方法让领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小源域样本(例如原来训练缺陷检测模型的数据样本)与目标域样本(例如新店需要售卖的新品牌包装的数据样本)之间的领域偏移所带来的影响,并且将解码器预测目标域样本中需要分割的目标对象(例如新店需要售卖的新品牌包装)作为辅助任务,从而能够让训练后的缺陷检测模型提高缺陷检测的准确率。
请参见图1示出的本申请实施例提供的缺陷检测模型训练方法的流程示意图;本申请实施例提供了一种缺陷检测模型训练方法,包括:
步骤S110:获取样本图像和样本图像对应的类别标签、领域标签和分割标签,类别标签表征样本图像是否存在缺陷,领域标签表征样本图像的所属数据域是源域样本或者目标域样本,分割标签表征从样本图像的所有像素点中分割出的目标对象。
请参见图2示出的本申请实施例提供的样本图像和各个标签的示意图;其中,上述的源域样本与目标域样本在数据分布上是不同的,但是存在某种(例如目标物品相同,类别或者背景不同等等)内在联系,具体例如:在A工厂生产环境中采集的A类博饼包装图像作为源域样本,在B工厂生产环境中采集的B类饼干包装图像作为目标域样本,那么源域样本与目标域样本是来自不同工厂的不同种类包装图像,但是两者均是饼干包装图像。又例如:源域样本是来自游戏场景中的汽车数据,目标域样本是来自真实世界的汽车数据,那么源域样本与目标域样本是来自不同场景,但是两者均是汽车数据。
步骤S120:使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,缺陷检测模型用于对图像进行缺陷检测。
缺陷检测模型,是指对图像进行缺陷检测的神经网络模型,该缺陷检测模型具体可以采用编码器-解码器架构的任一种神经网络模型,包括但不限于:U-Net模型或者多任务缺陷检测模型,下面以多任务缺陷检测模型为例进行详细地说明。
在上述方案的实现过程中,由于缺陷检测模型中的领域自适应模块和用于分割的解码器均是训练过的,该领域自适应模块能够帮助编码器提取出领域不变的特征,从而减小样本领域偏移所带来的影响,且解码器能够在训练的过程中逐渐准确地预测出目标域样本中需要分割的目标对象,从而让训练后的缺陷检测模型提高对目标域的新物品进行缺陷检测的准确率。
请参见图3示出的本申请实施例提供的编码器-解码器的架构示意图;由于该缺陷检测模型采用编码器-解码器(Encoder-Decoder)架构的多任务网络模型,并在分类器和解码器之间通过拼接(Concate)的方式来实现特征融合,因此,可以减少缺陷检测模型在语义信息方面的损失。上面的缺陷检测模型中的多任务可以包括:分类任务、领域自适应任务和分割任务等等,其网络结构主要是基于分类任务、领域自适应任务和分割任务这三种任务设计的,下面将详细地介绍这三种任务。
其中,分类任务是训练缺陷检测模型的主任务,主要体现在缺陷检测模型中的编码器(Encoder)和分类器(Classifier),该分类任务用于预测出样本图像是否存在缺陷。邻域自适应任务是训练缺陷检测模型的辅助任务,邻域自适应任务主要体现在缺陷检测模型中的编码器(Encoder)和领域自适应模块(下面将详细介绍领域自适应模块的结构),该领域自适应任务主要用于预测出样本图像的所属数据域是源域样本或者目标域样本,通过对输入样本图像的前景进行领域判别,从而进一步提高检测精度。分割任务也是训练缺陷检测模型的辅助任务,分割任务主要体现在编码器(Encoder)和解码器(Decoder),分割任务主要是用于从样本图像的所有像素点中分割出的目标对象,通过对输入的样本图像进行像素级别的分割来给主任务提供积极影响。由于邻域自适应任务和分割任务均是训练缺陷检测模型的辅助任务,因此能够帮助缺陷检测模型的主任务更好地实现准确分类,同时,提高缺陷检测模型的适应性;进一步地,在缺陷检测模型训练完成后,还可以将缺陷检测模型中的两个辅助任务(即领域自适应模块和解码器)模块裁剪掉,使得两个辅助任务不需要参与缺陷检测模型的推理过程,从而有效地提升了缺陷检测模型进行缺陷检测的速度。
可以理解的是,上面的分类任务、领域自适应任务和分割任务这三种任务的训练顺序和时序不应被限制,三种任务可以同时训练也可以任意先后顺序进行训练,具体例如:可以先依次训练分类任务、领域自适应任务和分割任务,也可以依次训练领域自适应任务、分类任务和分割任务,也可以依次训练分割任务、领域自适应任务和分类任务。该缺陷检测模型的网络结构又可以被称为多任务缺陷检测网络或者领域自适应分类网络(DomainAdaptation Classification Network,DACNet)。
请参见图4示出的本申请实施例提供的缺陷检测模型的网络结构示意图;下面介绍缺陷检测模型的分类任务,作为步骤S120的一种可选实施方式,使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,其实施方式可以包括:
步骤S121:使用编码器对样本图像进行特征提取,获得图像特征。
其中,上述的编码器具体可以采用多个具有下采样功能的卷积层来实现特征提取。
步骤S122:使用分类器对图像特征进行类别预测,获得样本图像对应的预测类别。
其中,上述的分类器具体可以采用全连接层(Fully Connected Layer,FC)或者归一化指数函数(Softmax),从而实现预测本图像对应的预测类别,图中是以全连接层(FullyConnected Layer,FC)为例进行说明的。
步骤S123:计算样本图像对应的预测类别与样本图像对应的类别标签之间的分类损失值,并根据分类损失值对缺陷检测模型中的编码器和分类器进行训练。
上述步骤S121至步骤S123的实施方式例如:使用编码器(Encoder)对样本图像进行特征提取,获得图像特征,此处的图像特征又被称为特征图(Feature Map)。使用分类器(Classifier)对图像特征进行类别预测,获得样本图像对应的预测类别。采用交叉熵损失函数(Cross Entropy Loss,CEL)的公式计算样本图像对应的预测类别与样本图像对应的类别标签之间的分类损失值,并根据分类损失值对缺陷检测模型中的编码器和分类器进行训练。其中,lCla表示预测类别与类别标签之间的分类损失值,N表示所有样本图像的数量,yi表示第i个样本图像对应的类别标签,表示第i个样本图像对应的预测类别。
请参见图5示出的本申请实施例提供的领域自适应模块的网络结构示意图;可以理解的是,上面的编码器包括不同尺寸的多个下采样编码层,每个下采样编码层均可以是一个下采样的卷积层(Convolutional Layer),且每个下采样的卷积层的尺寸均不是相同的,下面以三个下采样的卷积层为例进行说明。为进一步减少领域偏移带来的模型性能下降问题,上述的领域自适应模块是基于多个阶段而设计的,也就是说,领域自适应模块可以包括多个与下采样编码层(每个采样编码层)对应的领域判别器,且每个下采样编码层的尺寸均不是相同的。这里尺寸不同的下采样编码层又可以理解为多阶段的下采样编码层,因此,领域自适应模块又被称为多阶段领域自适应模块(Multi-Stage Domain Adaptation,MDA)。
其中,上述的领域自适应模块可以包括多个领域判别器,每个领域判别器包括:梯度反转层(Gradient Reversal Layer,GRL)和3层1*1的全卷积网络(Fully ConvolutionalNetwork,FCN)。图中的领域判别器中的第一个立方体表示下采样编码层从样本图像中提取出图像特征,标识有GRL的矩形表示梯度反转层,三个连续的矩形表示1*1的全卷积(Conv)网络,四边形表示全卷积网络运算后获得的向量,最后,可以使用Sigmoid分类函数对该向量进行运算获得领域预测值。
作为步骤S120的一种可选实施方式,使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,包括:
步骤S124:依次使用多个下采样编码层从样本图像中提取出不同尺寸的多个图像特征。
上述步骤S124的实施方式例如:假设共有三个下采样编码层和三个领域判别器,且三个下采样编码层分别是第一下采样编码层、第二下采样编码层和第三下采样编码层,三个领域判别器分别是第一领域判别器、第二领域判别器和第三领域判别器。首先使用第一下采样编码层从样本图像中提取出第一图像特征,并使用第二下采样编码层从第一图像特征中提取出第二图像特征,并使用第三下采样编码层从第二图像特征中提取出第三图像特征,其中,第一下采样编码层的尺寸大于第二下采样编码层的尺寸,且第二下采样编码层的尺寸大于第三下采样编码层的尺寸;然后,使用第一领域判别器计算出第一图像特征的领域判别损失值,使用第二领域判别器计算出第二图像特征的领域判别损失值,使用第三领域判别器计算出第三图像特征的领域判别损失值,其中,第一图像特征的尺寸大于第二图像特征的尺寸,且第二图像特征的尺寸大于第三图像特征的尺寸。
步骤S125:针对多个图像特征中的每个图像特征,使用下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,获得多个领域判别损失值。
作为上述步骤S125的一种可选实施方式,其中,图像特征包括:源域样本中提取出的第一图像特征,以及目标域样本中提取出的第二图像特征,该实施方式可以包括:
步骤S125a:使用领域判别器对第一图像特征进行领域预测,获得第一领域预测值,并使用领域判别器对第二图像特征进行领域预测,获得第二领域预测值。
步骤S125b:根据第一领域预测值和第二领域预测值计算图像特征的领域判别损失值。
上述的步骤S125b的实施方式例如:该领域判别损失值可以使用公式对第一领域预测值和第二领域预测值进行计算获得;其中,表示第i个领域判别器,表示第i个领域判别器的领域判别损失值,Ns表示源域样本的数量,即源域样本中提取出的第一图像特征的数量,H和W分别表示图像特征的高(High)和宽(Width),表示源域样本对应的样本图像,表示使用第i个下采样编码层对源域样本对应的样本图像进行特征提取操作,α和β均为均方权重参数;同理,Nt表示目标域样本的数量,即目标域样本中提取出的第二图像特征的数量,表示目标域样本对应的样本图像,表示使用第i个下采样编码层对目标域样本对应的样本图像进行特征提取操作。
步骤S126:根据多个领域判别损失值计算出领域自适应模块的领域自适应损失值,并根据领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练。
上述步骤S126的实施方式例如:使用公式对多个领域判别损失值进行计算,获得领域自适应模块的领域自适应损失值,并根据领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练;其中,lMDA表示领域自适应模块的领域自适应损失值,λi表示第i个领域判别器的平衡损失超参数,表示第i个领域判别器,表示第i个领域判别器的领域判别损失值。
作为步骤S120的一种可选实施方式,可以理解的是,上面的解码器可以包括多个上采样的卷积层,其中,最后一个卷积层采用Tanh函数作为其激活函数,从而实现对样本图像进行像素级别的分割并预测出目标对象的轮廓区域。上述的使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,包括:
步骤S127:使用解码器对图像特征进行分割预测,获得样本图像对应的预测分割图像。
步骤S128:计算样本图像对应的预测分割图像与样本图像对应的分割标签之间的分割损失值,并根据分割损失值对缺陷检测模型中的编码器和解码器进行训练。
上述步骤S127至步骤S128的实施方式例如:使用解码器中的多个上采样的卷积层对图像特征进行分割预测,获得样本图像对应的预测分割图像。使用公式lSeg=|Xseg-Xmask|计算样本图像对应的预测分割图像与样本图像对应的分割标签之间的分割损失值,并根据分割损失值对缺陷检测模型中的编码器和解码器进行训练;其中,lSeg表示预测分割图像与分割标签之间的分割损失值,Xseg表示样本图像对应的预测分割图像,Xmask表示样本图像对应的分割标签,|*|是L1范数损失。
可以理解的是,上面的分类任务、领域自适应任务和分割任务这三种任务可以同时训练也可以任意先后顺序进行训练,具体例如:可以先依次训练分类任务、领域自适应任务和分割任务,也可以依次训练领域自适应任务、分类任务和分割任务,也可以依次训练分割任务、领域自适应任务和分类任务。因此,上面的分类任务、领域自适应任务和分割任务这三种任务的训练顺序和时序不应理解为本申请实施例的限制。
作为步骤S120的一种可选实施方式,上述通过联合训练的方式获得缺陷检测模型的实施方式可以包括:
步骤S129:根据分类损失值、领域自适应损失值和分割损失值计算总损失值,并根据总损失值更新缺陷检测模型的网络参数,直到缺陷检测模型满足训练终止条件。
上述步骤S129的实施方式例如:使用公式ltotal=lCla+lSeg+lMAD对分类损失值、领域自适应损失值和分割损失值进行计算,获得总损失值;其中,ltotal表示缺陷检测模型的总损失值,lCla表示预测类别与类别标签之间的分类损失值,lSeg表示预测分割图像与分割标签之间的分割损失值,lMDA表示领域自适应模块的领域自适应损失值。然后,根据总损失值更新缺陷检测模型的网络参数,直到缺陷检测模型满足训练终止条件;其中,终止条件具体例如:缺陷检测模型的正确率不再升高或者迭代次数(epoch)数量大于预设阈值,该预设阈值也可以根据具体情况进行设置,例如设置为100或者1000等等。
作为缺陷检测模型训练方法的一种可选实施方式,在通过联合训练的方式获得缺陷检测模型之后,还可以是由训练后的缺陷检测模型进行缺陷检测,缺陷检测的过程可以包括:
步骤S210:获取待检测图像,待检测图像是对目标产品进行拍摄获得的。
上述步骤S210的实施方式可以包括:第一种获得方式,使用摄像机、录像机或彩色照相机等终端设备对目标产品进行拍摄,获得待检测图像;然后该终端设备向电子设备发送待检测图像,然后电子设备接收终端设备发送的待检测图像,电子设备可以将待检测图像存储至文件系统、数据库或移动存储设备中;第二种获得方式,获取预先存储的待检测图像,具体例如:从文件系统、数据库或移动存储设备中获取待检测图像;第三种获得方式,使用浏览器等软件获取互联网上的待检测图像,或者使用其它应用程序访问互联网获得待检测图像。
步骤S220:使用缺陷检测模型中的编码器对待检测图像进行采样特征提取,获得采样特征图。
步骤S230:使用缺陷检测模型中的分类器对采样特征图进行缺陷检测,获得缺陷检测结果。
上述步骤S220至步骤S230的实施方式例如:假设编码器包括多个具有下采样功能的卷积层,采用多个具有下采样功能的卷积层作为编码器那么可以使用缺陷检测模型中的多个具有下采样功能的卷积层对待检测图像进行采样特征提取,获得采样特征图。同理,也可以将全连接层(FC)作为分类器,那么可以使用缺陷检测模型中的全连接层(FC)对采样特征图进行缺陷检测,获得缺陷检测结果。
请参见图6示出的本申请实施例提供的缺陷检测模型训练装置的结构示意图。本申请实施例提供了一种缺陷检测模型训练装置200,包括:
图像标签获取模块210,用于获取样本图像和样本图像对应的类别标签、领域标签和分割标签,类别标签表征样本图像是否存在缺陷,领域标签表征样本图像的所属数据域是源域样本或者目标域样本,分割标签表征从样本图像的所有像素点中分割出的目标对象。
检测模型训练模块220,用于使用样本图像和样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用样本图像对缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用样本图像和样本图像对应的分割标签对缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,缺陷检测模型用于对图像进行缺陷检测。
可选地,在本申请实施例中,检测模型训练模块,包括:
图像特征提取子模块,用于使用编码器对样本图像进行特征提取,获得图像特征。
图像类别预测子模块,用于使用分类器对图像特征进行类别预测,获得样本图像对应的预测类别。
分类损失计算子模块,用于计算样本图像对应的预测类别与样本图像对应的类别标签之间的分类损失值,并根据分类损失值对缺陷检测模型中的编码器和分类器进行训练。
可选地,在本申请实施例中,编码器包括不同尺寸的多个下采样编码层,领域自适应模块包括多个与下采样编码层对应的领域判别器;检测模型训练模块,还包括:
图像下采样子模块,用于依次使用多个下采样编码层从样本图像中提取出不同尺寸的多个图像特征。
判别损失计算子模块,用于针对多个图像特征中的每个图像特征,使用下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,获得多个领域判别损失值。
自适应损失计算子模块,用于根据多个领域判别损失值计算出领域自适应模块的领域自适应损失值,并根据领域自适应损失值对缺陷检测模型中的编码器和领域自适应模块进行训练。
可选地,在本申请实施例中,图像特征包括:源域样本中提取出的第一图像特征,以及目标域样本中提取出的第二图像特征;判别损失计算子模块,包括:
邻域预测值计算单元,用于使用领域判别器对第一图像特征进行领域预测,获得第一领域预测值,并使用领域判别器对第二图像特征进行领域预测,获得第二领域预测值。
判别损失值计算单元,用于根据第一领域预测值和第二领域预测值计算图像特征的领域判别损失值。
可选地,在本申请实施例中,检测模型训练模块,还包括:
图像分割预测子模块,用于使用解码器对图像特征进行分割预测,获得样本图像对应的预测分割图像。
分割损失计算子模块,用于计算样本图像对应的预测分割图像与样本图像对应的分割标签之间的分割损失值,并根据分割损失值对缺陷检测模型中的编码器和解码器进行训练。
可选地,在本申请实施例中,检测模型训练模块,还包括:
总损失值计算子模块,用于根据分类损失值、领域自适应损失值和分割损失值计算总损失值,并根据总损失值更新缺陷检测模型的网络参数,直到缺陷检测模型满足训练终止条件。
可选地,在本申请实施例中,缺陷检测模型训练装置,还包括:
检测图像获取模块,用于获取待检测图像,待检测图像是对目标产品进行拍摄获得的。
采样特征提取模块,用于使用缺陷检测模型中的编码器对待检测图像进行采样特征提取,获得采样特征图。
图像缺陷检测模块,用于使用缺陷检测模型中的分类器对采样特征图进行缺陷检测,获得缺陷检测结果。
应理解的是,该装置与上述的缺陷检测模型训练方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
本申请实施例提供的一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上的方法。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上的方法。其中,计算机可读存储介质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(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、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、程序段或代码的一部分,模块、程序段或代码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。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以和附图中所标注的发生顺序不同。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,这主要根据所涉及的功能而定。
另外,在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。此外,在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种缺陷检测模型训练方法,其特征在于,包括:
获取样本图像和所述样本图像对应的类别标签、领域标签和分割标签,所述类别标签表征所述样本图像是否存在缺陷,所述领域标签表征所述样本图像的所属数据域是源域样本或者目标域样本,所述分割标签表征从所述样本图像的所有像素点中分割出的目标对象;
使用所述样本图像和所述样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用所述样本图像对所述缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用所述样本图像和所述样本图像对应的分割标签对所述缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,所述缺陷检测模型用于对图像进行缺陷检测。
2.根据权利要求1所述的方法,其特征在于,所述使用所述样本图像和所述样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,包括:
使用所述编码器对所述样本图像进行特征提取,获得图像特征;
使用所述分类器对所述图像特征进行类别预测,获得所述样本图像对应的预测类别;
计算所述样本图像对应的预测类别与所述样本图像对应的类别标签之间的分类损失值,并根据所述分类损失值对缺陷检测模型中的编码器和分类器进行训练。
3.根据权利要求2所述的方法,其特征在于,所述编码器包括不同尺寸的多个下采样编码层,所述领域自适应模块包括多个与所述下采样编码层对应的领域判别器;所述使用所述样本图像对所述缺陷检测模型中的编码器和领域自适应模块进行训练,包括:
依次使用所述多个下采样编码层从所述样本图像中提取出不同尺寸的多个图像特征;
针对所述多个图像特征中的每个图像特征,使用所述下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,获得多个领域判别损失值;
根据所述多个领域判别损失值计算出所述领域自适应模块的领域自适应损失值,并根据所述领域自适应损失值对所述缺陷检测模型中的编码器和领域自适应模块进行训练。
4.根据权利要求3所述的方法,其特征在于,所述图像特征包括:所述源域样本中提取出的第一图像特征,以及所述目标域样本中提取出的第二图像特征;所述使用所述下采样编码层对应的领域判别器计算出该图像特征的领域判别损失值,包括:
使用所述领域判别器对所述第一图像特征进行领域预测,获得第一领域预测值,并使用所述领域判别器对所述第二图像特征进行领域预测,获得第二领域预测值;
根据所述第一领域预测值和所述第二领域预测值计算所述图像特征的领域判别损失值。
5.根据权利要求3所述的方法,其特征在于,所述使用所述样本图像和所述样本图像对应的分割标签对所述缺陷检测模型中的编码器和解码器进行训练,包括:
使用所述解码器对所述图像特征进行分割预测,获得所述样本图像对应的预测分割图像;
计算所述样本图像对应的预测分割图像与所述样本图像对应的分割标签之间的分割损失值,并根据所述分割损失值对所述缺陷检测模型中的编码器和解码器进行训练。
6.根据权利要求5所述的方法,其特征在于,所述通过联合训练的方式获得缺陷检测模型,包括:
根据所述分类损失值、所述领域自适应损失值和所述分割损失值计算总损失值,并根据所述总损失值更新所述缺陷检测模型的网络参数,直到所述缺陷检测模型满足训练终止条件。
7.根据权利要求1-6任一所述的方法,其特征在于,所述通过联合训练的方式获得缺陷检测模型之后,还包括:
获取待检测图像,所述待检测图像是对目标产品进行拍摄获得的;
使用所述缺陷检测模型中的编码器对所述待检测图像进行采样特征提取,获得采样特征图;
使用所述缺陷检测模型中的分类器对所述采样特征图进行缺陷检测,获得缺陷检测结果。
8.一种缺陷检测模型训练装置,其特征在于,包括:
图像标签获取模块,用于获取样本图像和所述样本图像对应的类别标签、领域标签和分割标签,所述类别标签表征所述样本图像是否存在缺陷,所述领域标签表征所述样本图像的所属数据域是源域样本或者目标域样本,所述分割标签表征从所述样本图像的所有像素点中分割出的目标对象;
检测模型训练模块,用于使用所述样本图像和所述样本图像对应的类别标签对缺陷检测模型中的编码器和分类器进行训练,以及使用所述样本图像对所述缺陷检测模型中的编码器和领域自适应模块进行训练,以及使用所述样本图像和所述样本图像对应的分割标签对所述缺陷检测模型中的编码器和解码器进行训练,通过联合训练的方式获得缺陷检测模型,所述缺陷检测模型用于对图像进行缺陷检测。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396947.3A CN114781605A (zh) | 2022-04-15 | 2022-04-15 | 缺陷检测模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210396947.3A CN114781605A (zh) | 2022-04-15 | 2022-04-15 | 缺陷检测模型训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114781605A true CN114781605A (zh) | 2022-07-22 |
Family
ID=82428634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210396947.3A Pending CN114781605A (zh) | 2022-04-15 | 2022-04-15 | 缺陷检测模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781605A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587989A (zh) * | 2022-10-21 | 2023-01-10 | 国家工业信息安全发展研究中心 | 一种工件ct图像缺陷检测分割方法及系统 |
CN116542980A (zh) * | 2023-07-06 | 2023-08-04 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 |
-
2022
- 2022-04-15 CN CN202210396947.3A patent/CN114781605A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587989A (zh) * | 2022-10-21 | 2023-01-10 | 国家工业信息安全发展研究中心 | 一种工件ct图像缺陷检测分割方法及系统 |
CN115587989B (zh) * | 2022-10-21 | 2023-08-18 | 国家工业信息安全发展研究中心 | 一种工件ct图像缺陷检测分割方法及系统 |
CN116542980A (zh) * | 2023-07-06 | 2023-08-04 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 |
CN116542980B (zh) * | 2023-07-06 | 2023-11-03 | 宁德时代新能源科技股份有限公司 | 缺陷检测方法、装置、计算机设备、存储介质和程序产品 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190311202A1 (en) | Video object segmentation by reference-guided mask propagation | |
WO2020098708A1 (zh) | 车道线的检测及驾驶控制方法、装置和电子设备 | |
CN110119148B (zh) | 一种六自由度姿态估计方法、装置及计算机可读存储介质 | |
CN114781605A (zh) | 缺陷检测模型训练方法、装置、电子设备及存储介质 | |
CN112560999A (zh) | 一种目标检测模型训练方法、装置、电子设备及存储介质 | |
CN111582175A (zh) | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 | |
CN113361645B (zh) | 基于元学习及知识记忆的目标检测模型构建方法及系统 | |
CN114708437B (zh) | 目标检测模型的训练方法、目标检测方法、装置和介质 | |
CN112911281A (zh) | 一种视频质量评价方法及装置 | |
CN112801047B (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN112465029A (zh) | 一种实例追踪的方法及装置 | |
CN114612872A (zh) | 目标检测方法、装置、电子设备及计算机可读存储介质 | |
CN109242882B (zh) | 视觉跟踪方法、装置、介质及设备 | |
CN108509876B (zh) | 针对视频的物体检测方法、装置、设备、存储介质及程序 | |
CN117078970A (zh) | 一种图片识别方法、装置、电子设备及存储介质 | |
CN112132867A (zh) | 一种遥感影像变换检测方法及装置 | |
CN115661097A (zh) | 一种物体表面缺陷检测方法及系统 | |
CN115082758A (zh) | 目标检测模型的训练方法、目标检测方法、装置和介质 | |
CN114399657A (zh) | 车辆检测模型训练方法、装置、车辆检测方法及电子设备 | |
Jokela | Person counter using real-time object detection and a small neural network | |
CN112465859A (zh) | 快速运动目标的检测方法、装置、设备和储存介质 | |
CN111612714A (zh) | 图像修复方法、装置和电子设备 | |
CN111104870A (zh) | 基于卫星视频的运动检测方法、装置、设备和存储介质 | |
CN110826564A (zh) | 一种复杂场景图像中的小目标语义分割方法及系统 | |
CN115331077B (zh) | 特征提取模型的训练方法、目标分类方法、装置、设备 |
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 |