CN114782445B - 对象缺陷检测方法、装置、计算机设备和存储介质 - Google Patents
对象缺陷检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114782445B CN114782445B CN202210708014.3A CN202210708014A CN114782445B CN 114782445 B CN114782445 B CN 114782445B CN 202210708014 A CN202210708014 A CN 202210708014A CN 114782445 B CN114782445 B CN 114782445B
- Authority
- CN
- China
- Prior art keywords
- image
- defect detection
- inference
- detected
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本申请涉及一种对象缺陷检测方法、装置、计算机设备和存储介质。方法包括:获取数据源主机针对缺陷检测任务发出的缺陷检测请求根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点;不同的目标推理节点负责不同的检测子任务,各检测子任务构成缺陷检测任务;发送待检测图像至各目标推理节点;目标推理节点用于将待检测图像输入至对象缺陷检测模型,得到针对不同的检测子任务对应缺陷检测结果;接收各目标推理节点返回的缺陷检测结果,并将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。采用本方法能够提高缺陷检测系统的计算能力。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种对象缺陷检测方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的发展,出现了缺陷检测技术,该技术是对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。
传统缺陷检测领域所使用的技术中,如果算力不够,通用的方案是通过增加主机的计算能力来增加推理能力,或者增加显卡来提升算力,然而通过传统的方式来提高计算能力,提高的幅度有限且成本较大。
发明内容
基于此,有必要针对上述技术问题,提供一种能够检测出目标对象的缺陷的对象缺陷检测方法、装置、计算机设备和计算机可读存储介质产品。
第一方面,本申请提供了一种对象缺陷检测方法。所述方法包括:获取数据源主机针对缺陷检测任务发出的缺陷检测请求,所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;发送所述待检测图像至各所述目标推理节点;所述目标推理节点用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果;接收各所述目标推理节点返回的缺陷检测结果,并将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
在其中一个实施例中,所述根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点,包括:根据所述待检测图像的属性信息,确定所述待检测图像对应的图像采集装置;获取与所述图像采集装置的装置标识对应的推理节点标识;各所述推理节点标识与各所述装置标识间的对应关系为预先设置得到的;在所述推理节点集群中,将与所述推理节点标识对应的推理节点作为负责处理所述待检测图像的所述目标推理节点。
在其中一个实施例中,所述根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点,包括:根据所述待检测图像的属性信息,确定针对所述待检测图像中的目标对象的至少一个缺陷识别类型;在所述推理节点集群中,确定与所述至少一个缺陷识别类型相匹配的推理节点,作为负责处理所述待检测图像的所述目标推理节点。
在其中一个实施例中,所述方法还包括:获取所述数据源主机对所述推理节点集群中各推理节点的运行状态询问请求,并将所述运行状态询问请求转发至所述推理节点集群中各推理节点;所述运行状态询问请求用于指示各所述推理节点生成运行状态消息;所述运行状态消息用于表征对应的所述推理节点的运行状态;接收各所述推理节点返回的运行状态消息,并对各所述运行状态消息进行汇总并发送至所述数据源主机,以供所述数据源主机确定所述推理节点集群的运行状态。
在其中一个实施例中,所述接收各所述推理节点返回的运行状态消息,并对各所述运行状态消息进行汇总并发送至所述数据源主机,包括:针对所述推理节点集群中的任一推理节点,若在预设的时间阈值内未接收到所述任一推理节点返回的运行状态消息,则确定所述任一推理节点为超时推理节点;对接收到的各所述运行状态消息和所述超时推理节点对应的节点标识进行汇总,得到集群状态消息,并发送所述集群状态消息至所述数据源主机。
在其中一个实施例中,所述方法还包括:获取所述数据源主机对所述推理节点集群中各推理节点的重置请求,并将所述重置请求转发至所述推理节点集群中各推理节点;所述重置请求用于指示各所述推理节点执行预配置的重置操作;所述重置操作包括清空临时变量操作、清空临时申请内存操作中的至少一种。
第二方面,本申请还提供了一种对象缺陷检测系统。所述系统包括数据源主机、调度中心和推理节点集群,所述调度中心分别与所述数据源主机、所述推理节点集群中的任一推理节点电性连接;所述数据源主机,用于针对缺陷检测任务发送缺陷检测请求至调度中心;所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;所述调度中心,用于根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点,并发送所述待检测图像至各所述目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;所述目标推理节点,用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果,并将所述缺陷检测结果发送至所述调度中心;所述调度中心,还用于将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
第三方面,本申请还提供了一种对象缺陷检测装置。所述装置包括:缺陷检测请求获取模块,用于获取数据源主机针对缺陷检测任务发出的缺陷检测请求,所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;目标推理节点确定模块,用于根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;待检测图像发送模块,用于发送所述待检测图像至各所述目标推理节点;所述目标推理节点用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果;缺陷检测结果调度模块,用于接收各所述目标推理节点返回的缺陷检测结果,并将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
在其中一个实施例中,目标推理节点确定模块,用于根据所述待检测图像的属性信息,确定所述待检测图像对应的图像采集装置;获取与所述图像采集装置的装置标识对应的推理节点标识;各所述推理节点标识与各所述装置标识间的对应关系为预先设置得到的;在所述推理节点集群中,将与所述推理节点标识对应的推理节点作为负责处理所述待检测图像的所述目标推理节点。
在其中一个实施例中,目标推理节点确定模块,用于根据所述待检测图像的属性信息,确定针对所述待检测图像中的目标对象的至少一个缺陷识别类型;在所述推理节点集群中,确定与所述至少一个缺陷识别类型相匹配的推理节点,作为负责处理所述待检测图像的所述目标推理节点。
在其中一个实施例中,运行状态获取模块,用于获取所述数据源主机对所述推理节点集群中各推理节点的运行状态询问请求,并将所述运行状态询问请求转发至所述推理节点集群中各推理节点;所述运行状态询问请求用于指示各所述推理节点生成运行状态消息;所述运行状态消息用于表征对应的所述推理节点的运行状态;接收各所述推理节点返回的运行状态消息,并对各所述运行状态消息进行汇总并发送至所述数据源主机,以供所述数据源主机确定所述推理节点集群的运行状态。
在其中一个实施例中,运行状态获取模块,用于针对所述推理节点集群中的任一推理节点,若在预设的时间阈值内未接收到所述任一推理节点返回的运行状态消息,则确定所述任一推理节点为超时推理节点;对接收到的各所述运行状态消息和所述超时推理节点对应的节点标识进行汇总,得到集群状态消息,并发送所述集群状态消息至所述数据源主机。
在其中一个实施例中,重置请求发送模块,用于获取所述数据源主机对所述推理节点集群中各推理节点的重置请求,并将所述重置请求转发至所述推理节点集群中各推理节点;所述重置请求用于指示各所述推理节点执行预配置的重置操作;所述重置操作包括清空临时变量操作、清空临时申请内存操作中的至少一种。
第四方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取数据源主机针对缺陷检测任务发出的缺陷检测请求,所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;发送所述待检测图像至各所述目标推理节点;所述目标推理节点用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果;接收各所述目标推理节点返回的缺陷检测结果,并将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
第五方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取数据源主机针对缺陷检测任务发出的缺陷检测请求,所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;发送所述待检测图像至各所述目标推理节点;所述目标推理节点用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果;接收各所述目标推理节点返回的缺陷检测结果,并将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
上述对象缺陷检测方法、装置、计算机设备、存储介质和计算机程序产品,通过获取数据源主机针对缺陷检测任务发出的缺陷检测请求,缺陷检测请求携带有缺陷检测任务中的至少一个待检测图像;待检测图像为对目标对象进行拍摄得到的图像;目标对象为需要进行缺陷检测的对象;根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点;不同的目标推理节点负责不同的检测子任务,各检测子任务构成缺陷检测任务;发送待检测图像至各目标推理节点;目标推理节点用于将待检测图像输入至对象缺陷检测模型,得到针对不同的检测子任务对应缺陷检测结果;接收各目标推理节点返回的缺陷检测结果,并将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。
通过使用调度中心与多个目标推理节点之间建立分布式系统,根据待检测图像的属性信息,确定至少一个目标推理节点,利用各个目标推理节点之间的不同功能对待检测图像中的不同检测目标进行推理运算,得到各个目标推理节点对应的缺陷检测结果。基于分布式系统实现分布式推理运算,可以对算力较低的计算单元集成为一个统一调配的系统,各个计算单元相互配合,实现对应的功能,能够有效地增加推理运算的算力,使得对象缺陷检测的效率有明显的提高,同时减少因为增加系统的推理运算的算力而导致成本的增加。
附图说明
图1为一个实施例中对象缺陷检测方法的应用环境图;
图2为一个实施例中对象缺陷检测方法的流程示意图;
图3为另一个实施例中对象缺陷检测方法的流程示意图;
图4为又一个实施例中对象缺陷检测方法的流程示意图;
图5为一个实施例中推理节点运行状态询问方法的流程示意图;
图6为又一个实施例中推理节点运行状态询问方法的流程示意图;
图7为一个实施例中推理节点重置方法的流程示意图;
图8为一个实施例中对象缺陷检测方法的物理连线意图;
图9为一个实施例中对象缺陷检测方法的消息交互情况示意图;
图10为一个实施例中对象缺陷检测装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的一种对象缺陷检测方法,可以应用于如图1所示的应用环境中。数据源主机102获取数据,调度中心104响应数据源主机102的指令接收数据源主机102的数据,并且传输到推理集群106对获取得到的数据进行计算,调度中心104将数据的计算结果传输回数据源主机102,并且由数据源主机102进行显示。其中,数据源主机102通过网络与调度中心104进行通信,调度中心104通过网络与推理集群106进行通信。数据存储系统可以存储数据源主机102需要处理的数据。数据存储系统可以集成在数据源主机102上,也可以放在云上或其他网络服务器上。调度中心104从数据源主机102处获取数据源主机针对缺陷检测任务发出的缺陷检测请求,缺陷检测请求携带有缺陷检测任务中的至少一个待检测图像;待检测图像为对目标对象进行拍摄得到的图像;目标对象为需要进行缺陷检测的对象;根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点;不同的目标推理节点负责不同的检测子任务,各检测子任务构成缺陷检测任务;发送待检测图像至各目标推理节点;目标推理节点用于将待检测图像输入至对象缺陷检测模型,得到针对不同的检测子任务对应缺陷检测结果;接收各目标推理节点返回的缺陷检测结果,并将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。其中,数据源主机102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。调度中心104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种对象缺陷检测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取数据源主机针对缺陷检测任务发出的缺陷检测请求。
其中,数据源主机可以是用来发送缺陷检测请求的主机,该主机发送缺陷检测请求的同时附带发送需要缺陷检测的待检测图像,数据源主机对应的操作系统可以与调度中心的操作系统不一致,例如:数据源主机使用Windows系统,而调度中心使用Mac系统。
其中,缺陷检测可以是对物品表面缺陷的检测,表面缺陷检测是采用先进的机器视觉检测技术,对工件表面的斑点、凹坑、划痕、色差、缺损等缺陷进行检测。
其中,调度中心可以是联系数据源主机以及不同的目标推理节点之间的中间介质,数据源主机传输至目标推理节点的数据或者目标推理节点传输至数据源主机的数据均需要通过调度中心进行统筹以及分配,以实现系统的高效运行。
具体地,调度中心根据缺陷检测任务的需求,从数据源主机中获取关于缺陷检测任务对应的缺陷检测请求,缺陷检测请求携带有缺陷检测任务中的至少一个待检测图像;待检测图像为对目标对象进行拍摄得到的图像,目标对象为需要进行缺陷检测的对象。调度中心获取到对应的缺陷检测请求后,将发送对应的获取回执至数据源主机,同时将获取缺陷检测请求的操作记录到运行日志中。
举例来说,调度中心B根据缺陷检测任务的需求,从数据源主机A中获取针对缺陷检测任务所对应的缺陷检测请求,获取到该请求后调度中心B会向数据源主机A发送获取回执,并且将获取的操作记录在调度中心B对应的存储单元中。
步骤204,根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点;不同的目标推理节点负责不同的检测子任务。
其中,目标推理节点可以是对对象进行缺陷检测的终端,目标推理节点可以只有一个,也可以具有多个,不同的目标推理节点通过串联的方式进行连接,但是处理目标对象的缺陷检测子任务的时候是并行的方式运行。目标推理节点可以根据需求,通过调度中心的统筹实时更换需要计算的缺陷检测子任务,而且目标推理节点对应的操作系统可以与调度中心一致,也可以采取不相同的操作系统。
其中,属性信息可以是表示待检测图像中所固有的图像信息和配置信息,一般来说,对于一张待检测图像中可以得到多个属性信息,例如:时间、位置、分辨率、检测的缺陷、对应元件等。
其中,推理节点集群可以是各个目标推理节点所组成的集合,该集合中包含具有不同功能的目标推理节点,当有计算任务的时候,会从推理节点集群中确定所需要的目标推理节点。
具体地,根据待检测图像中包含多个属性信息(例如:摄像头的拍摄角度、图像的打光方式、图像的分辨率、拍摄的场景等),从推理节点集群中选取目标推理节点,得到所有用于缺陷检测任务所对应的目标推理节点,因此选取后的目标推理节点可以为一个,也可以为多个。对于已经选定的目标推理节点,建立起缺陷检测任务所对应的检测子任务,针对于缺陷检测子任务的计算量超过一个目标推理节点计算量,调度中心可以为同一缺陷检测子任务分配多于一个的目标推理节点。
举例来说,根据待检测图像的属性信息中的摄像头的拍摄角度以及图像的打光方式选出推理节点1-15作为目标推理节点,用于实现缺陷检测任务,对于目标推理节点1-15,所生成的检测子任务总和是构成缺陷检测任务,对于缺陷检测子任务的计算量超过一个目标推理节点1计算量,调度中心可以为同一缺陷检测子任务分配多于一个的目标推理节点,例如:目标推理节点1和16同时计算同一缺陷检测子任务。
步骤206,发送待检测图像至各目标推理节点。
具体地,将从数据源主机中获得的待检测图像输入至根据不同的待检测图像的属性信息而确定的目标推理节点,每个目标推理节点响应地运行自己的推理运算。其中,目标推理节点对输入的待检测图像进行与检测任务对应图像数据解析,得到图像数据解析结果,基于图像数据解析结果使用与检测任务对应神经网络进行推理运算,得到针对不同的检测子任务对应缺陷检测结果。上述的神经网络可以是卷积神经网络(ConvolutionalNeural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)、递归的人工神经网络(Artificial Neural Network,ANN)等,对于不同的检测子任务,对应地选择合适的神经网络进行推理运算。
举例来说,将从数据源主机中获得的待检测图像输入至目标推理节点1-15中,目标推理节点1-15相应地运行检测任务对应的对象缺陷检测模型,得到目标推理节点1-15对应的缺陷检测结果。
步骤208,接收各目标推理节点返回的缺陷检测结果,并将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。
具体地,调度中心接收各个目标推理节点经过推理运算所得到的缺陷检测结果,并且记录接收时间和生成接收日志,通过对接收时间与发送时间的差值与时间阈值之间的比较,对于任意一个目标推理节点对应的时间差值大于时间阈值,立即对该目标推理节点发出状态询问指令,以收集该目标推理节点的异常情况。对于所有接收到的缺陷检测结果进行汇总,然后发送至数据源主机,并生成发送日志,完成缺陷检测任务。
举例来说,调度中心接收目标推理节点1-15所对应的缺陷检测结果,并且记录这些缺陷检测结果所对应的接收时间,对于任意一个目标推理节点所对应的接收时间与发送时间的差值大于预设的时间阈值,立即对该目标推理节点发出状态询问指令,以收集该目标推理节点的异常情况。对于调度中心将目标推理节点1-15对应的缺陷检测结果进行汇总,并发送至数据源主机,以完成缺陷检测任务。
上述对象缺陷检测方法中,通过获取数据源主机针对缺陷检测任务发出的缺陷检测请求,缺陷检测请求携带有缺陷检测任务中的至少一个待检测图像;待检测图像为对目标对象进行拍摄得到的图像;目标对象为需要进行缺陷检测的对象;根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点;不同的目标推理节点负责不同的检测子任务,各检测子任务构成缺陷检测任务;发送待检测图像至各目标推理节点;目标推理节点用于将待检测图像输入至对象缺陷检测模型,得到针对不同的检测子任务对应缺陷检测结果;接收各目标推理节点返回的缺陷检测结果,并将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。
通过使用调度中心与多个目标推理节点之间建立分布式系统,根据待检测图像的属性信息,确定至少一个目标推理节点,利用各个目标推理节点之间的不同功能对待检测图像中的不同检测目标进行推理运算,得到各个目标推理节点对应的缺陷检测结果。基于分布式系统实现分布式推理运算,可以对算力较低的计算单元集成为一个统一调配的系统,各个计算单元相互配合,实现对应的功能,能够有效地增加推理运算的算力,使得对象缺陷检测的效率有明显的提高,同时减少因为增加系统的推理运算的算力而导致成本的增加。
在一个实施例中,如图3所示,根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点,包括:
步骤302,根据待检测图像的属性信息,确定待检测图像对应的图像采集装置。
其中,属性信息可以是待检测图像中所包含关于图像的特性的信息,例如:图像的拍摄角度、打光方式、分辨率、拍摄场景、背景颜色等。
其中,图像采集装置可以是用于将实际情况用图像采集的方式进行记录的装置,例如:摄像头、扫描仪等。
具体地,调度中心根据数据源主机发送过来的待检测图像中的所有信息进行遍历,对于遍历后所得到的总信息进行划分,得到关于待检测图像对应的多个信息段,基于这些信息段进一步确认用于待检测图像对应的图像采集装置。
举例来说,待检测图像对应的属性信息有1-5,根据属性信息1-5进一步确认采集到该待检测图像所对应的图像采集装置,例如:属性信息1对应的是X分辨率的摄像头,属性信息2对应的是Y位置的摄像头,那么该图像采集装置即为位于Y位置的X分辨率的摄像头。
步骤304,获取与图像采集装置的装置标识对应的推理节点标识。
其中,装置标识可以是标识图像采集装置的固有特性的标识,例如:图像采集装置的型号、采集方式、采集标准等。
其中,推理节点标识可以是推理节点集群中各个推理节点用以标识该固有特性的标识,例如:推理节点的型号、配置、操作系统等。
具体地,根据图像采集装置对应的装置标识以及装置标识与推理节点标识之间的对应关系(或者为映射关系),确定每一个图像采集装置对应的装置标识对应的推理节点标识,并对应确认了对应关系的推理节点标识对应的推理节点。
举例来说,图像采集装置对应的装置标识为M,而装置标识与推理节点标识之间的对应关系为f,则通过装置标识M和对应关系f,进一步确定具有装置标识M的图像采集装置对应的推理节点N,并确认该推理节点标识N对应的推理节点。
步骤306,在推理节点集群中,将与推理节点标识对应的推理节点作为负责处理待检测图像的目标推理节点。
具体地,对于已经确定了对应关系的推理节点标识,位于推理节点集群中提取该推理节点标识对应的推理节点,用来作为存有对应关系的图像采集装置相匹配的目标推理节点,负责处理该图像采集装置采集到的待检测图像。
举例来说,对于已经确定的对应关系f,得到推理节点标识为N,则从推理节点集群中选取出推理节点标识为N的推理节点作为目标推理节点,用来处理存有对应关系f的图像采集装置所采集到的待检测图像。
本实施例中,通过对图像采集装置对应的装置标识与对应关系,确定推理节点标识,能够准确地确定每一个图像采集装置与之对应的目标推理节点,使得图像采集装置采集到的待检测图像发送至匹配的目标推理节点,提高目标推理节点的匹配效率。
在一个实施例中,如图4所示,根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点,包括:
步骤402,根据待检测图像的属性信息,确定针对待检测图像中的目标对象的至少一个缺陷识别类型。
其中,缺陷识别类型可以是推理节点需要进行推理运算后,能够识别的缺陷的种类,例如:汽车外表的划痕、脱漆、油污等。
具体地,根据待检测图像中所包含的属性信息,调度中心可以根据这些属性信息位于合理的领域中确定针对待检测图像中的目标图像所对应的至少一个缺陷识别类型,其中合理的领域可以是与属性信息具有强联系的领域,例如:电脑屏幕所需要检测的缺陷识别为是否有划痕,划痕和电脑屏幕的属性信息则有强联系;而电脑屏幕所需要检测的缺陷识别为是否有油污,油污和电脑屏幕的属性信息则没有强联系。因此对于根据属性信息所确定的缺陷识别类型,必然与该被识别产品具有一定的关系。
举例来说,根据检测图像所包含的飞机对应属性信息,调度中心根据这些飞机对应属性信息进一步确定缺陷检测类型,例如:飞机机身的裂纹,发动机叶片的形状等,但不会对飞机内部的座位是否有破损进行缺陷检测。
步骤404,在推理节点集群中,确定与至少一个缺陷识别类型相匹配的推理节点,作为负责处理待检测图像的目标推理节点。
具体地,对于已经确定的缺陷识别类型,调度中心位于推理节点集群中选定一个或者多个用以推理计算该缺陷识别类型的推理节点作为目标推理节点,对待检测图像中对应的缺陷进行处理。
举例来说,对于已经确定需要检测的是飞机的缺陷识别类型为机身是否存有裂纹,则根据该缺陷识别类型从推理节点集群中选取至少一个推理节点作为目标推理节点,用以对飞机外表的待检测图像进行处理。
本实施例中,通过待检测图像的属性信息进一步确定目标对象所需要检测的缺陷识别类型,能够准确地寻找出具有对应的缺陷识别类型的一个或者多个推理节点作为目标推理节点,提高目标推理节点的匹配准确率。
在一个实施例中,如图5所示,方法还包括:
步骤502,获取数据源主机对推理节点集群中各推理节点的运行状态询问请求,并将运行状态询问请求转发至推理节点集群中各推理节点。
其中,运行状态询问请求可以是询问推理节点集群中各个推理节点的运行状态的指令,该指令由数据源主机发出,通过调度中心发送至各个推理节点。
具体地,对于推理节点集群中的各推理节点的运行状况,数据源主机将会发送运行状态询问请求至调度中心,调度中心获取对应的运行状态请求后会根据各个推理节点的情况,下发到每一个推理节点中,其中运行状态询问请求用于指示各推理节点生成运行状态消息,运行状态消息用于表征对应的推理节点的运行状态,运行状态消息一般为正常或者宕机两种状态,也还可以显示其CPU、磁盘、内存的占用率以及温度等信息。
举例来说,数据源主机需要查询所有推理节点1-30的运行状态,则将运行状态询问请求发送至调度中心,调度中心经过整理后,对所有推理节点1-30下发运行状态询问请求,该运行状态询问请求包括CPU、磁盘、内存的占用率。
步骤504,接收各推理节点返回的运行状态消息,并对各运行状态消息进行汇总并发送至数据源主机,以供数据源主机确定推理节点集群的运行状态。
其中,运行状态可以是跟运行状态询问请求对应的询问结果,该结果包含状态询问请求中的需要询问的状态信息。
具体地,每一个推理节点接收到运行状态询问请求后对自身的运行状态消息进行编译后返回至调度中心,调度中心接收到每一个推理节点的运行状态消息后进行汇总,并发送至数据源主机,以反映每一个推理节点目前的运行状态,进一步反映推理节点集群的总体情况。
举例来说,调度中心接收到所有推理节点1-30对应运行状态询问请求的而生成的运行状态消息1-30,通过调度中心对运行状态消息1-30的汇总,并发送至数据源主机,以供数据源主机对所有推理节点1-30的运行状态进行判断,并对由推理节点1-30所形成的推理节点集群的运行状态进一步了解。
本实施例中,通过调度中心联系数据源主机以及各个推理节点,为数据源主机获取各个推理节点的运行状态,能够使得数据源主机及时了解各个推理节点的运行状态,并根据运行状态做出相应的调整,提高系统的稳定性。
在一个实施例中,如图6所示,接收各推理节点返回的运行状态消息,并对各运行状态消息进行汇总并发送至数据源主机,包括:
步骤602,针对推理节点集群中的任一推理节点,若在预设的时间阈值内未接收到任一推理节点返回的运行状态消息,则确定任一推理节点为超时推理节点。
其中,时间阈值可以是用来判断推理节点返回运行状态消息所对应的时间是否合理的一个标准,该时间阈值是根据每一个具体的检测任务而预先设定并输入至调度中心。
其中,超时推理节点可以是调度中心对推理节点发送运行状态询问请求后得到返回的运行状态消息超过时间阈值的推理节点,也包括没有返回任何消息的推理节点。
具体地,调度中心对所有推理节点发送运行状态询问请求后,接收推理节点反馈回调度中心的运行状态消息,对于返回运行状态消息的时长超出预先设定在调度中心的时间阈值的推理节点,则调度中心判定那些推理节点为超时推理节点,如果没有返回任何运行状态消息或者返回离线的推理节点,则调度中心同样判定那些推理节点为超时推理节点,但是分类的时候分类到未返回消息推理节点。
举例来说,调度中心对所有推理节点1-30发送了运行状态询问指令,并预先设置了返回运行状态消息的时间阈值为t,对于推理节点5、8、26的返回运行状态消息的时长T超出了时间阈值t,则判定推理节点5、8、26为超时推理节点,其余的推理节点为正常的推理节点。
步骤604,对接收到的各运行状态消息和超时推理节点对应的节点标识进行汇总,得到集群状态消息,并发送集群状态消息至数据源主机。
其中,集群状态消息可以是正常返回运行状态消息的推理节点对应的消息和超时推理节点对应的节点标识的集合。
具体地,调度中心接收到未超时对应的推理节点的运行状态信息的同时,对超时推理节点对应的节点标识进行提取,然后将所有的运行状态消息以及节点标识进行汇总,形成了集群状态消息,通过通信网络将集群状态消息发送至数据源主机,以反馈每一个推理节点的运行情况,进一步得到推理节点集群的情况。
举例来说,推理节点1-30中的推理节点5、8、26为超时推理节点,因此调度中心调取推理节点5、8、26对应的节点标识,同时对返回运行状态信息未超时的推理节点的运行状态信息进行汇总,得到由推理节点5、8、26的节点标识和未超时推理节点对应的运行状态信息所形成的集群状态消息,并发送至数据源主机。
本实施例中,通过调度中心对推理节点的返回时长的判断,对超时推理节点提取节点标识,能够使得数据源主机获得正常返回状态消息的推理节点的状态的同时,对存在异常的超时推理节点进行监控和消除异常,使得系统安全性和效率提高。
在一个实施例中,如图7所示,方法还包括:
步骤702,获取数据源主机对推理节点集群中各推理节点的重置请求,并将重置请求转发至推理节点集群中各推理节点;重置请求用于指示各推理节点执行预配置的重置操作;重置操作包括清空临时变量操作、清空临时申请内存操作中的至少一种。
其中,重置请求可以是重置推理节点集群中各个推理节点的运行状态的指令,该指令由数据源发出,通过调度中心发送至各个推理节点。
具体地,对于推理节点集群中的推理节点的运行状况需要重置,数据源主机将会发送重置请求至调度中心,调度中心获取对应的重置请求后会根据各个推理节点的情况,下发到每一个推理节点中,其中重置请求用于指示各推理节点执行预配置的重置操作;重置操作包括清空临时变量操作、清空临时申请内存操作中的至少一种。
举例来说,数据源主机需要重置推理节点1-30的运行状态,则将重置请求发送至调度中心,调度中心经过整理后,对推理节点1-30下发重置请求,以清空临时变量操作、清空临时申请内存操作中的至少一种。
本实施例中,通过调度中心联系数据源主机以及各推理节点,并将数据源主机的重置指令下发至各推理节点,能够对各个推理节点的运行情况进行重置,减少推理节点的临时数据,提高系统的运行速度。
在一个实施例中,一种对象缺陷检测系统,系统包括数据源主机、调度中心和推理节点集群,调度中心分别与数据源主机、推理节点集群中的任一推理节点电性连接,推理节点集群中的各推理节点采用可选择的多种电性连接进行连接,例如:串联连接、并联连接、交换机组网连接等,如图8所示,消息交互情况如图9所示,图9中的通讯网络可传输:推理请求消息、推理结果消息、询问集群状态消息、集群状态消息以及重置集群消息等;
数据源主机,用于针对缺陷检测任务发送缺陷检测请求至调度中心;缺陷检测请求携带有缺陷检测任务中的至少一个待检测图像;待检测图像为对目标对象进行拍摄得到的图像;目标对象为需要进行缺陷检测的对象;
调度中心,用于根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点,并发送待检测图像至各目标推理节点;不同的目标推理节点负责不同的检测子任务,各检测子任务构成缺陷检测任务;
目标推理节点,用于将待检测图像输入至对象缺陷检测模型,得到针对不同的检测子任务对应缺陷检测结果,并将缺陷检测结果发送至调度中心;
调度中心,还用于将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。
通过上述方法以及系统的,能够降低成本的同时,还具备通过多节点部署的方式,提高系统的可扩展性、部署的灵活简便性、多节点的容错性。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的对象缺陷检测方法的对象缺陷检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个对象缺陷检测装置实施例中的具体限定可以参见上文中对于对象缺陷检测方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种对象缺陷检测装置,包括:缺陷检测请求获取模块、目标推理节点确定模块、待检测图像发送模块和缺陷检测结果调度模块,其中:
缺陷检测请求获取模块1002,用于获取数据源主机针对缺陷检测任务发出的缺陷检测请求,缺陷检测请求携带有缺陷检测任务中的至少一个待检测图像;待检测图像为对目标对象进行拍摄得到的图像;目标对象为需要进行缺陷检测的对象;
目标推理节点确定模块1004,用于根据待检测图像的属性信息,从推理节点集群中确定负责处理待检测图像的至少一个目标推理节点;不同的目标推理节点负责不同的检测子任务,各检测子任务构成缺陷检测任务;
待检测图像发送模块1006,用于发送待检测图像至各目标推理节点;目标推理节点用于将待检测图像输入至对象缺陷检测模型,得到针对不同的检测子任务对应缺陷检测结果;
缺陷检测结果调度模块1008,用于接收各目标推理节点返回的缺陷检测结果,并将各检测子任务对应的缺陷检测结果发送至数据源主机,以获得缺陷检测任务对应的检测结果。
在其中一个实施例中,目标推理节点确定模块,用于根据待检测图像的属性信息,确定待检测图像对应的图像采集装置;获取与图像采集装置的装置标识对应的推理节点标识;各推理节点标识与各装置标识间的对应关系为预先设置得到的;在推理节点集群中,将与推理节点标识对应的推理节点作为负责处理待检测图像的目标推理节点。
在其中一个实施例中,目标推理节点确定模块,用于根据待检测图像的属性信息,确定针对待检测图像中的目标对象的至少一个缺陷识别类型;在推理节点集群中,确定与至少一个缺陷识别类型相匹配的推理节点,作为负责处理待检测图像的目标推理节点。
在其中一个实施例中,运行状态获取模块,用于获取数据源主机对推理节点集群中各推理节点的运行状态询问请求,并将运行状态询问请求转发至推理节点集群中各推理节点;运行状态询问请求用于指示各推理节点生成运行状态消息;运行状态消息用于表征对应的推理节点的运行状态;接收各推理节点返回的运行状态消息,并对各运行状态消息进行汇总并发送至数据源主机,以供数据源主机确定推理节点集群的运行状态。
在其中一个实施例中,运行状态获取模块,用于针对推理节点集群中的任一推理节点,若在预设的时间阈值内未接收到任一推理节点返回的运行状态消息,则确定任一推理节点为超时推理节点;对接收到的各运行状态消息和超时推理节点对应的节点标识进行汇总,得到集群状态消息,并发送集群状态消息至数据源主机。
在其中一个实施例中,重置请求发送模块,用于获取数据源主机对推理节点集群中各推理节点的重置请求,并将重置请求转发至推理节点集群中各推理节点;重置请求用于指示各推理节点执行预配置的重置操作;重置操作包括清空临时变量操作、清空临时申请内存操作中的至少一种。
上述对象缺陷检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种对象缺陷检测方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种对象缺陷检测方法,其特征在于,所述方法包括:
获取数据源主机针对缺陷检测任务发出的缺陷检测请求,所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;
根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;其中,确定所述目标推理节点包括,根据所述待检测图像的属性信息,确定针对所述待检测图像中的目标对象的至少一个缺陷识别类型;其中,根据与所述属性信息具有关联联系的领域,确定针对所述待检测图像中的目标图像所对应的至少一个所述缺陷识别类型;在所述推理节点集群中,确定与所述至少一个缺陷识别类型相匹配的推理节点,作为负责处理所述待检测图像的所述目标推理节点;
发送所述待检测图像至各所述目标推理节点;所述目标推理节点用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果;
接收各所述目标推理节点返回的缺陷检测结果,并将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点,包括:
根据所述待检测图像的属性信息,确定所述待检测图像对应的图像采集装置;
获取与所述图像采集装置的装置标识对应的推理节点标识;各所述推理节点标识与各所述装置标识间的对应关系为预先设置得到的;
在所述推理节点集群中,将与所述推理节点标识对应的推理节点作为负责处理所述待检测图像的所述目标推理节点。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述数据源主机对所述推理节点集群中各推理节点的运行状态询问请求,并将所述运行状态询问请求转发至所述推理节点集群中各推理节点;所述运行状态询问请求用于指示各所述推理节点生成运行状态消息;所述运行状态消息用于表征对应的所述推理节点的运行状态;
接收各所述推理节点返回的运行状态消息,并对各所述运行状态消息进行汇总并发送至所述数据源主机,以供所述数据源主机确定所述推理节点集群的运行状态。
4.根据权利要求3所述的方法,其特征在于,所述接收各所述推理节点返回的运行状态消息,并对各所述运行状态消息进行汇总并发送至所述数据源主机,包括:
针对所述推理节点集群中的任一推理节点,若在预设的时间阈值内未接收到所述任一推理节点返回的运行状态消息,则确定所述任一推理节点为超时推理节点;
对接收到的各所述运行状态消息和所述超时推理节点对应的节点标识进行汇总,得到集群状态消息,并发送所述集群状态消息至所述数据源主机。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述数据源主机对所述推理节点集群中各推理节点的重置请求,并将所述重置请求转发至所述推理节点集群中各推理节点;所述重置请求用于指示各所述推理节点执行预配置的重置操作;所述重置操作包括清空临时变量操作、清空临时申请内存操作中的至少一种。
6.一种对象缺陷检测系统,其特征在于,所述系统包括数据源主机、调度中心和推理节点集群,所述调度中心分别与所述数据源主机、所述推理节点集群中的任一推理节点电性连接;
所述数据源主机,用于针对缺陷检测任务发送缺陷检测请求至调度中心;所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;
所述调度中心,用于根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点,并发送所述待检测图像至各所述目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;其中,确定所述目标推理节点包括,根据所述待检测图像的属性信息,确定针对所述待检测图像中的目标对象的至少一个缺陷识别类型;其中,根据与所述属性信息具有关联联系的领域,确定针对所述待检测图像中的目标图像所对应的至少一个所述缺陷识别类型;在所述推理节点集群中,确定与所述至少一个缺陷识别类型相匹配的推理节点,作为负责处理所述待检测图像的所述目标推理节点;
所述目标推理节点,用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果,并将所述缺陷检测结果发送至所述调度中心;
所述调度中心,还用于将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
7.一种对象缺陷检测装置,其特征在于,所述装置包括:
缺陷检测请求获取模块,用于获取数据源主机针对缺陷检测任务发出的缺陷检测请求,所述缺陷检测请求携带有所述缺陷检测任务中的至少一个待检测图像;所述待检测图像为对目标对象进行拍摄得到的图像;所述目标对象为需要进行缺陷检测的对象;
目标推理节点确定模块,用于根据所述待检测图像的属性信息,从推理节点集群中确定负责处理所述待检测图像的至少一个目标推理节点;不同的所述目标推理节点负责不同的检测子任务,各所述检测子任务构成所述缺陷检测任务;其中,确定所述目标推理节点包括,根据所述待检测图像的属性信息,确定针对所述待检测图像中的目标对象的至少一个缺陷识别类型;其中,根据与所述属性信息具有关联联系的领域,确定针对所述待检测图像中的目标图像所对应的至少一个所述缺陷识别类型;在所述推理节点集群中,确定与所述至少一个缺陷识别类型相匹配的推理节点,作为负责处理所述待检测图像的所述目标推理节点;
待检测图像发送模块,用于发送所述待检测图像至各所述目标推理节点;所述目标推理节点用于将所述待检测图像输入至对象缺陷检测模型,得到针对不同的所述检测子任务对应的缺陷检测结果;
缺陷检测结果调度模块,用于接收各所述目标推理节点返回的缺陷检测结果,并将各所述检测子任务对应的缺陷检测结果发送至所述数据源主机,以获得所述缺陷检测任务对应的检测结果。
8.根据权利要求7所述的装置,其特征在于,所述装置还用于:针对推理节点集群中的任一推理节点,若在预设的时间阈值内未接收到任一推理节点返回的运行状态消息,则确定任一推理节点为超时推理节点;对接收到的各运行状态消息和超时推理节点对应的节点标识进行汇总,得到集群状态消息,并发送集群状态消息至数据源主机。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708014.3A CN114782445B (zh) | 2022-06-22 | 2022-06-22 | 对象缺陷检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210708014.3A CN114782445B (zh) | 2022-06-22 | 2022-06-22 | 对象缺陷检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114782445A CN114782445A (zh) | 2022-07-22 |
CN114782445B true CN114782445B (zh) | 2022-10-11 |
Family
ID=82420338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210708014.3A Active CN114782445B (zh) | 2022-06-22 | 2022-06-22 | 对象缺陷检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114782445B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101217402A (zh) * | 2008-01-15 | 2008-07-09 | 杭州华三通信技术有限公司 | 一种提高集群可靠性的方法和一种高可靠性通信节点 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 |
CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
CN111583661A (zh) * | 2020-05-27 | 2020-08-25 | 魏保安 | 基于枪球联动与dnn的车辆闯红灯检测方法 |
CN112102263A (zh) * | 2020-08-31 | 2020-12-18 | 深圳思谋信息科技有限公司 | 缺陷检测模型生成系统、方法、装置和计算机设备 |
CN112506637A (zh) * | 2020-12-17 | 2021-03-16 | 广东省科技基础条件平台中心 | 图像数据处理方法、装置、计算机设备和存储介质 |
CN113254189A (zh) * | 2021-07-09 | 2021-08-13 | 武汉精创电子技术有限公司 | 用于缺陷检测的任务管理方法、系统和设备 |
CN113342488A (zh) * | 2021-05-25 | 2021-09-03 | 上海商汤智能科技有限公司 | 任务处理方法及装置、电子设备和存储介质 |
CN113608852A (zh) * | 2021-08-03 | 2021-11-05 | 科大讯飞股份有限公司 | 任务调度方法、调度模块、推理节点和协同作业系统 |
WO2022088082A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 基于缺陷检测的任务处理方法、装置及设备及存储介质 |
CN114494260A (zh) * | 2022-04-18 | 2022-05-13 | 深圳思谋信息科技有限公司 | 对象缺陷检测方法、装置、计算机设备和存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4618185B2 (ja) * | 2006-04-07 | 2011-01-26 | 富士ゼロックス株式会社 | 故障診断システム及び故障診断プログラム |
US9613411B2 (en) * | 2014-03-17 | 2017-04-04 | Kla-Tencor Corp. | Creating defect classifiers and nuisance filters |
WO2018105028A1 (ja) * | 2016-12-06 | 2018-06-14 | 三菱電機株式会社 | 検査装置及び検査方法 |
JP7053417B2 (ja) * | 2018-09-13 | 2022-04-12 | キオクシア株式会社 | 欠陥検査装置および欠陥検査方法 |
KR20200137219A (ko) * | 2019-05-29 | 2020-12-09 | 삼성에스디에스 주식회사 | 비지도 학습 기반 웨이퍼 불량 패턴 검출 방법 및 그 장치 |
CN111754513B (zh) * | 2020-08-07 | 2024-03-22 | 腾讯科技(深圳)有限公司 | 产品表面缺陷分割方法、缺陷分割模型学习方法及装置 |
CN111986178B (zh) * | 2020-08-21 | 2024-06-18 | 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 |
CN113592832A (zh) * | 2021-08-05 | 2021-11-02 | 深圳职业技术学院 | 一种工业品缺陷检测方法和装置 |
CN113763355A (zh) * | 2021-09-07 | 2021-12-07 | 创新奇智(青岛)科技有限公司 | 一种缺陷检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-06-22 CN CN202210708014.3A patent/CN114782445B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101217402A (zh) * | 2008-01-15 | 2008-07-09 | 杭州华三通信技术有限公司 | 一种提高集群可靠性的方法和一种高可靠性通信节点 |
CN107564002A (zh) * | 2017-09-14 | 2018-01-09 | 广东工业大学 | 塑料管表面缺陷检测方法、系统及计算机可读存储介质 |
CN110261392A (zh) * | 2019-06-19 | 2019-09-20 | 北京百度网讯科技有限公司 | 质量检测方法、装置、电子设备和系统 |
CN111583661A (zh) * | 2020-05-27 | 2020-08-25 | 魏保安 | 基于枪球联动与dnn的车辆闯红灯检测方法 |
CN112102263A (zh) * | 2020-08-31 | 2020-12-18 | 深圳思谋信息科技有限公司 | 缺陷检测模型生成系统、方法、装置和计算机设备 |
WO2022088082A1 (zh) * | 2020-10-30 | 2022-05-05 | 京东方科技集团股份有限公司 | 基于缺陷检测的任务处理方法、装置及设备及存储介质 |
CN112506637A (zh) * | 2020-12-17 | 2021-03-16 | 广东省科技基础条件平台中心 | 图像数据处理方法、装置、计算机设备和存储介质 |
CN113342488A (zh) * | 2021-05-25 | 2021-09-03 | 上海商汤智能科技有限公司 | 任务处理方法及装置、电子设备和存储介质 |
CN113254189A (zh) * | 2021-07-09 | 2021-08-13 | 武汉精创电子技术有限公司 | 用于缺陷检测的任务管理方法、系统和设备 |
CN113608852A (zh) * | 2021-08-03 | 2021-11-05 | 科大讯飞股份有限公司 | 任务调度方法、调度模块、推理节点和协同作业系统 |
CN114494260A (zh) * | 2022-04-18 | 2022-05-13 | 深圳思谋信息科技有限公司 | 对象缺陷检测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
Fault Diagnosis for Distributed Systems using Accuracy Technique;Poorva Kulkarni 等;《arXiv:1812.07771》;20181219;1-13 * |
基于MapReduce的液晶屏缺陷检测技术研究;夏晓云;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170215;I138-2776 * |
基于优化的分布式玻璃缺陷检测技术研究;孟陆;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20201215;B015-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN114782445A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021232229A1 (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
CN112114533B (zh) | 物联网数据处理方法、装置、计算机设备和存储介质 | |
CN112446395B (zh) | 网络摄像机、视频监控系统及方法 | |
CN110557419A (zh) | 一种任务处理方法、装置及云计算系统 | |
CN111738463A (zh) | 运维方法、装置、系统、电子设备及存储介质 | |
WO2020188794A1 (ja) | 映像システム、撮像装置、および映像処理装置 | |
CN112506637A (zh) | 图像数据处理方法、装置、计算机设备和存储介质 | |
RU2013143472A (ru) | Распределенная архитектура системы видеомониторинга леса | |
JP7339321B2 (ja) | 機械学習モデル更新方法、コンピュータプログラムおよび管理装置 | |
WO2021233058A1 (zh) | 监控货架上的物品的方法、计算机和系统 | |
CN111782587A (zh) | 快照信息记录方法、装置、设备及存储介质 | |
CN114782445B (zh) | 对象缺陷检测方法、装置、计算机设备和存储介质 | |
CN111696095B (zh) | 用于检测物体表面缺陷的方法及装置 | |
CN111680981A (zh) | 基于小区物业以及周边商铺的任务处理系统及方法 | |
CN116700955A (zh) | 作业处理方法、装置、计算机设备及可读存储介质 | |
CN115984677A (zh) | 数据智能分析方法、装置和系统 | |
CN115545452A (zh) | 运维方法、运维系统、设备及存储介质 | |
CN115696169A (zh) | 一种mes生产管理系统的数据获取方法 | |
CN115017211A (zh) | 异常检测对象的确定方法及装置、存储介质、计算机设备 | |
CN109472735A (zh) | 实现织物疵点检测神经网络的加速器、方法和加速系统 | |
TWI850359B (zh) | 一種資訊處理系統及其方法 | |
CN114666379B (zh) | 智能设备的控制方法、装置、计算机设备、存储介质 | |
US11830105B2 (en) | Service request processing utilizing modified versions of images of computing devices | |
EP4303730A1 (en) | Computer-implemented method for automatically detecting anomalies in a cloud infrastructure comprising microservices | |
EP4109365A1 (en) | Method and device for managing project by using cost payment time point setting |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230728 Address after: 22nd Floor, Building T2, Qianhai Kerry Center, Nanshan District, Shenzhen, Guangdong 518051 Patentee after: Shenzhen Si Mou Information Technology Co.,Ltd. Address before: 22nd floor, Sanhang science and technology building, 45 Gaoxin South 9th Road, Nanshan District, Shenzhen, Guangdong 518051 Patentee before: Shenzhen Si Mou Information Technology Co.,Ltd. Patentee before: Chongqing simou Intelligent Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |