CN114782757A - 香烟缺陷检测模型训练方法、装置、电子设备及存储介质 - Google Patents
香烟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
- CN114782757A CN114782757A CN202210701398.6A CN202210701398A CN114782757A CN 114782757 A CN114782757 A CN 114782757A CN 202210701398 A CN202210701398 A CN 202210701398A CN 114782757 A CN114782757 A CN 114782757A
- Authority
- CN
- China
- Prior art keywords
- defect
- feature matrix
- detection model
- defect detection
- training
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及香烟缺陷检测领域,尤其涉及香烟缺陷检测模型训练方法、装置、电子设备及存储介质,该方法包括:将样本图像输入到分类网络中,得到样本图像的第一特征矩阵;将样本图像输入到缺陷检测模型中,得到样本图像的第二特征矩阵、第二缺陷类型;确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;若缺陷点对比值大于等于预设阈值,或样本图像标注的第一缺陷类型与第二缺陷类型不一致,对缺陷检测模型进行更新。通过本申请的方式,能够提高缺陷检测模型的准确率。
Description
技术领域
本发明涉及香烟缺陷检测领域,具体而言,涉及香烟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
在工业生产制造中,通常利用基于深度学习的缺陷检测模型确定物品的缺陷位置,现有的缺陷检测模型是通过有限数量的缺陷物品训练得到的,就是直接将缺陷物品输入到模型中进行训练。
但是,由于缺陷物品的数量有限,现有的缺陷检测模型的准确率较低。
发明内容
有鉴于此,本申请的目的在于提供香烟缺陷检测模型训练方法、装置、电子设备及存储介质,能够提高缺陷检测模型的准确率。
第一方面,本申请实施例提供了一种香烟缺陷检测模型训练方法,该香烟缺陷检测模型训练方法包括:
获取已标注第一缺陷类型的样本图像;
将样本图像输入到分类网络中,得到样本图像的第一特征矩阵,第一特征矩阵中包含缺陷点位置;
将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵,第二特征矩阵中包含缺陷点位置及第二缺陷类型;
确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;
若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新;
若对比值小于预设阈值,且第一缺陷类型与第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
在一种可能的实施方式中,确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值,包括:
根据下列公式确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;
其中,loss为缺陷点对比值,γ为预设权重常数,f(x)为第二特征矩阵,y为第一特征矩阵。
在一种可能的实施方式中,该方法还包括:
获取多个训练图像以及训练图像对应的第三特征矩阵,第三特征矩阵中包含缺陷点位置;
根据所有训练图像以及训练图像对应的第三特征矩阵,训练分类网络。
在一种可能的实施方式中,根据所有训练图像以及训练图像对应的第三特征矩阵,训练分类网络,包括:
将所有训练图像分别输入到最新更新的分类网络中,得到训练图像对应的第四特征矩阵,第四特征矩阵包含缺陷点位置;
统计所有训练图像中,训练图像对应的第三特征矩阵与第四特征矩阵一致的概率值;
若概率值大于等于预置阈值,则将分类网络确定为最终的分类网络;
若概率值小于预置阈值,则根据训练图像对应的第三特征矩阵与第四特征矩阵,更新分类网络。
在一种可能的实施方式中,该方法还包括:
将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的缺陷位置及缺陷类型。
在一种可能的实施方式中,将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的缺陷位置及缺陷类型,包括:
将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的特征矩阵;
对待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型;
将各聚簇的中心点位置及缺陷类型,确定为待预测图像对应的缺陷位置及缺陷类型。
第二方面,本申请实施例还提供了一种香烟缺陷检测模型训练装置,该香烟缺陷检测模型训练装置包括:
获取模块,用于获取已标注第一缺陷类型的样本图像;
输入模块,用于将样本图像输入到分类网络中,得到样本图像的第一特征矩阵,第一特征矩阵中包含缺陷点位置;
输入模块,还用于将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵,第二特征矩阵中包含缺陷点位置及第二缺陷类型;
确定模块,用于确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;
更新模块,用于若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新;
确定模块,还用于若对比值小于预设阈值,且第一缺陷类型与第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
在一种可能的实施方式中,确定模块,具体用于根据下列公式确定所述第一特征矩阵与所述第二特征矩阵之间的缺陷点对比值;
其中,loss为缺陷点对比值,γ为预设权重常数,f(x)为第二特征矩阵,y为第一特征矩阵。
在一种可能的实施方式中,该装置还包括:训练模块;
获取模块,还用于获取多个训练图像以及训练图像对应的第三特征矩阵,第三特征矩阵中包含缺陷点位置;
训练模块,用于根据所有训练图像以及训练图像对应的第三特征矩阵,训练分类网络。
在一种可能的实施方式中,训练模块,具体用于将所有训练图像分别输入到最新更新的分类网络中,得到训练图像对应的第四特征矩阵,第四特征矩阵包含缺陷点位置;统计所有训练图像中,训练图像对应的第三特征矩阵与第四特征矩阵一致的概率值;若概率值大于等于预置阈值,则将分类网络确定为最终的分类网络;若概率值小于预置阈值,则根据训练图像对应的第三特征矩阵与第四特征矩阵,更新分类网络。
在一种可能的实施方式中,输入模块,还用于将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的缺陷位置及缺陷类型。
在一种可能的实施方式中,输入模块,具体用于将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的特征矩阵;对待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型;将各聚簇的中心点位置及缺陷类型,确定为待预测图像对应的缺陷位置及缺陷类型。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,存储介质存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储介质之间通过总线通信,处理器执行机器可读指令,以执行如第一方面任一项香烟缺陷检测模型训练方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行如第一方面任一项香烟缺陷检测模型训练方法的步骤。
本申请实施例提供了香烟缺陷检测模型训练方法、装置、电子设备及存储介质,该香烟缺陷检测模型训练方法包括:获取已标注第一缺陷类型的样本图像;将样本图像输入到分类网络中,得到样本图像的第一特征矩阵;将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵,第二缺陷类型;确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新。本申请将样本图像输入到缺陷检测模型中得到第二特征矩阵和第二缺陷类型,若第二特征矩阵和样本图像标注的第一特征矩阵的缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型对缺陷检测模型进行更新得到最终的缺陷检测模型,能够准确地确定图像的缺陷位置和缺陷类型,提高缺陷检测模型的准确率。
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示出了本申请实施例提供的一种香烟缺陷检测模型训练方法的流程图;
图2示出了本申请实施例提供的另一种香烟缺陷检测模型训练方法的流程图;
图3示出了本申请实施例提供的另一种香烟缺陷检测模型训练方法的流程图;
图4示出了本申请实施例提供的一种香烟缺陷检测模型训练装置的结构示意图;
图5示出了本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。 此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,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的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,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,都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容,结合特定应用场景“香烟缺陷检测领域”,给出以下实施方式。对于本领域技术人员来说,在不脱离本申请的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕“香烟缺陷检测领域”进行描述,但是应该理解,这仅是一个示例性实施例。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
下面对本申请实施例提供的一种香烟缺陷检测模型训练方法进行详细说明。
参照图1所示,为本申请实施例提供的一种香烟缺陷检测模型训练方法的流程示意图,下面对本申请实施例示例性的各步骤进行说明:
S101、获取已标注第一缺陷类型的样本图像。
在本申请实施方式中,获取有缺陷的样本图像,而且对该样本图像标注该样本图像的缺陷类型。
S102、将样本图像输入到分类网络中,得到样本图像的第一特征矩阵。
在本申请实施方式中,将样本图像输入到分类网络中,可以得到样本图像的第一特征矩阵,并且在第一特征矩阵中已经包含了缺陷点的位置。
这里,第一特征矩阵是由0和1组成的矩阵,0代表没有缺陷,1代表有缺陷,因此,通过第一特征矩阵中各位置的数据,即可确定缺陷点位置。
S103、将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵。
在本申请实施方式中,将样本图像输入到最新更新的缺陷检测模型中,可以得到样本图像的第二特征矩阵。
其中,第二特征矩阵中包含缺陷点位置及第二缺陷类型。
S104、确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值。
其中,loss为缺陷点对比值,γ为预设权重常数,f(x)为第二特征矩阵,y为第一特征矩阵。
在本申请实施例中,根据上述公式可以计算出第一特征矩阵和第二特征矩阵之间的缺陷点对比值,比值越小,说明第一特征矩阵和第二特征矩阵越接近,通过当前的缺陷检测模型得到的特征矩阵越准确,即当前缺陷检测模型的准确率越高。
S105、若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新。
在本申请实施方式中,缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,说明通过当前的缺陷检测模型得到的特征矩阵或缺陷类型准确率较低,因此继续对缺陷检测模型进行更新。
这里,第一特征矩阵是将样本图像输入到训练好的分类网络中得到的,因此该第一特征矩阵的准确率较高,根据第一特征矩阵与第二特征矩阵,对缺陷检测模型进行更新,可以使根据更新后的缺陷检测模型得到的第二特征矩阵更加的接近第一特征矩阵,但不完全与第一特征矩阵相一致,因为第一特征矩阵仅仅是准确率较高,但不完全准确,因此,仅仅是使第二特征矩阵靠近第一特征矩阵,而通过上述更新方法得到的缺陷检测模型得到第二特征矩阵比第一特征矩阵更准确。
S106、若对比值小于预设阈值,且第一缺陷类型与第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
在本申请实施方式中,对比值小于预设阈值,且第一缺陷类型与第二缺陷类型一致,则说明通过当前的缺陷检测模型的特征矩阵或缺陷类型准确率已经达到预期,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
本申请实施例提供了一种香烟缺陷检测模型训练方法,该香烟缺陷检测模型训练方法包括:获取已标注第一缺陷类型的样本图像;将样本图像输入到分类网络中,得到样本图像的第一特征矩阵;将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵,第二缺陷类型;确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新。本申请将样本图像输入到缺陷检测模型中得到第二特征矩阵和第二缺陷类型,若第二特征矩阵和样本图像标注的第一特征矩阵的缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型对缺陷检测模型进行更新得到最终的缺陷检测模型,能够准确地确定图像的缺陷位置和缺陷类型,提高缺陷检测模型的准确率。
参照图2所示,为本申请实施例提供的另一种香烟缺陷检测模型训练方法的流程示意图,下面对本申请实施例示例性的各步骤进行说明:
S201、获取多个训练图像以及训练图像对应的第三特征矩阵。
在本申请实施方式中,获取多个训练图像,以及该训练图像对应的第三特征矩阵,第三特征矩阵中包含缺陷点位置。
其中,第三特征矩阵是由0和1组成的矩阵,0代表没有缺陷,1代表有缺陷。
S202、根据所有训练图像以及训练图像对应的第三特征矩阵,训练分类网络。
具体地,将所有训练图像分别输入到最新更新的分类网络中,得到训练图像对应的第四特征矩阵,第四特征矩阵包含缺陷点位置;统计所有训练图像中,训练图像对应的第三特征矩阵与第四特征矩阵一致的概率值;若概率值大于等于预置阈值,则将分类网络确定为最终的分类网络;若概率值小于预置阈值,则根据训练图像对应的第三特征矩阵与第四特征矩阵,更新分类网络。
在本申请实施例中,最终得到的分类网络可以准确地确定图像的特征矩阵,用于将样本图像输入到最终得到的分类网络中,得到样本图像的第一特征矩阵。
本申请实施例中提供了一种香烟缺陷检测模型训练方法,该方法包括:获取多个训练图像以及训练图像对应的第三特征矩阵,第三特征矩阵中包含缺陷点位置;根据所有训练图像以及训练图像对应的第三特征矩阵,训练分类网络。通过本申请的方式,可以训练得到准确的分类网络。
参照图3所示,为本申请实施例提供的另一种香烟缺陷检测模型训练方法的流程示意图,该方法为将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的缺陷位置及缺陷类型的具体步骤:
S301、将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的特征矩阵。
在本申请实施方式中,将待预测图像输入到最新更新的缺陷检测模型中,对待检测图形进行检测,得到该待检测图像的特征矩阵。
其中,该特征矩阵是由0和1组成的矩阵,0代表没有缺陷,1代表有缺陷。
S302、对待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型。
在本申请实施方式中,待检测图像中可能会在多个部分都有缺陷,但是每个部分有多个缺陷类型,通过对待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型,也就是各个部分的缺陷类型。
S303、将各聚簇的中心点位置及缺陷类型,确定为待预测图像对应的缺陷位置及缺陷类型。
在本申请实施方式中,将各聚簇的中心点位置确定各聚簇缺陷位置,将将各聚簇的缺陷类型,确定为待预测图像对应位置的缺陷类型。
本申请实施例提供了一种香烟缺陷检测模型训练方法,该方法包括:将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的特征矩阵;对待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型;将各聚簇的中心点位置及缺陷类型,确定为待预测图像对应的缺陷位置及缺陷类型。通过本申请的方式,可以确定待预测图像对应的缺陷位置及缺陷类型。
参照图4所示,为本申请实施例提供的一种香烟缺陷检测模型训练装置的示意图,该香烟缺陷检测模型训练装置包括:
获取模块401,用于获取已标注第一缺陷类型的样本图像;
输入模块402,用于将样本图像输入到分类网络中,得到样本图像的第一特征矩阵,第一特征矩阵中包含缺陷点位置;
输入模块402,还用于将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵,第二特征矩阵中包含缺陷点位置及第二缺陷类型;
确定模块403,用于确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;
更新模块404,用于若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新;
确定模块403,还用于若对比值小于预设阈值,且第一缺陷类型与第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
在一种可能的实施方式中,确定模块403,具体用于根据下列公式确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;
其中,loss为缺陷点对比值,γ为预设权重常数,f(x)为第二特征矩阵,y为第一特征矩阵。
在一种可能的实施方式中,该装置还包括:训练模块405;
获取模块401,还用于获取多个训练图像以及训练图像对应的第三特征矩阵,第三特征矩阵中包含缺陷点位置;
训练模块405,用于根据所有训练图像以及训练图像对应的第三特征矩阵,训练分类网络。
在一种可能的实施方式中,训练模块405,具体用于将所有训练图像分别输入到最新更新的分类网络中,得到训练图像对应的第四特征矩阵,第四特征矩阵包含缺陷点位置;统计所有训练图像中,训练图像对应的第三特征矩阵与第四特征矩阵一致的概率值;若概率值大于等于预置阈值,则将分类网络确定为最终的分类网络;若概率值小于预置阈值,则根据训练图像对应的第三特征矩阵与第四特征矩阵,更新分类网络。
在一种可能的实施方式中,输入模块402,还用于将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的缺陷位置及缺陷类型。
在一种可能的实施方式中,输入模块402,具体用于将待预测图像输入到最新更新的缺陷检测模型,得到待预测图像对应的特征矩阵;对待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型;将各聚簇的中心点位置及缺陷类型,确定为待预测图像对应的缺陷位置及缺陷类型。
本申请实施例提供了一种香烟缺陷检测模型训练装置,该香烟缺陷检测模型训练装置包括:获取模块401,用于获取已标注第一缺陷类型的样本图像;输入模块402,用于将样本图像输入到分类网络中,得到样本图像的第一特征矩阵,第一特征矩阵中包含缺陷点位置;输入模块402,还用于将样本图像输入到最新更新的缺陷检测模型中,得到样本图像的第二特征矩阵,第二特征矩阵中包含缺陷点位置及第二缺陷类型;确定模块403,用于确定第一特征矩阵与第二特征矩阵之间的缺陷点对比值;更新模块404,用于若缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型,对缺陷检测模型进行更新;确定模块403,还用于若对比值小于预设阈值,且第一缺陷类型与第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。本申请将样本图像输入到缺陷检测模型中得到第二特征矩阵和第二缺陷类型,若第二特征矩阵和样本图像标注的第一特征矩阵的缺陷点对比值大于等于预设阈值,或第一缺陷类型与第二缺陷类型不一致,根据第一特征矩阵与第二特征矩阵,或第一缺陷类型与第二缺陷类型对缺陷检测模型进行更新得到最终的缺陷检测模型,能够准确地确定图像的缺陷位置和缺陷类型,提高缺陷检测模型的准确率。
如图5所示,本申请实施例提供的一种电子设备500,包括:处理器501、存储器502和总线,存储器502存储有处理器501可执行的机器可读指令,当电子设备运行时,处理器501与存储器502之间通过总线通信,处理器51执行机器可读指令,以执行如上述香烟缺陷检测模型训练方法的步骤。
具体地,上述存储器502和处理器501能够为通用的存储器和处理器,这里不做具体限定,当处理器501运行存储器502存储的计算机程序时,能够执行上述香烟缺陷检测模型训练方法。
对应于上述香烟缺陷检测模型训练方法,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述香烟缺陷检测模型训练方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述信息处理方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请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,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种香烟缺陷检测模型训练方法,其特征在于,所述香烟缺陷检测模型训练方法包括:
获取已标注第一缺陷类型的样本图像;
将所述样本图像输入到分类网络中,得到所述样本图像的第一特征矩阵,所述第一特征矩阵中包含缺陷点位置;
将所述样本图像输入到最新更新的缺陷检测模型中,得到所述样本图像的第二特征矩阵,所述第二特征矩阵中包含缺陷点位置及第二缺陷类型;
确定所述第一特征矩阵与所述第二特征矩阵之间的缺陷点对比值;
若所述缺陷点对比值大于等于预设阈值,或所述第一缺陷类型与所述第二缺陷类型不一致,根据所述第一特征矩阵与所述第二特征矩阵,或所述第一缺陷类型与所述第二缺陷类型,对所述缺陷检测模型进行更新;
若所述对比值小于所述预设阈值,且所述第一缺陷类型与所述第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
3.根据权利要求2所述的香烟缺陷检测模型训练方法,其特征在于,所述方法还包括:
获取多个训练图像以及所述训练图像对应的第三特征矩阵,所述第三特征矩阵中包含缺陷点位置;
根据所有所述训练图像以及所述训练图像对应的第三特征矩阵,训练所述分类网络。
4.根据权利要求3所述的香烟缺陷检测模型训练方法,其特征在于,所述根据所有所述训练图像以及所述训练图像对应的第三特征矩阵,训练所述分类网络,包括:
将所有所述训练图像分别输入到最新更新的分类网络中,得到所述训练图像对应的第四特征矩阵,所述第四特征矩阵包含缺陷点位置;
统计所有训练图像中,所述训练图像对应的第三特征矩阵与第四特征矩阵一致的概率值;
若所述概率值大于等于预置阈值,则将所述分类网络确定为最终的分类网络;
若所述概率值小于所述预置阈值,则根据所述训练图像对应的第三特征矩阵与第四特征矩阵,更新所述分类网络。
5.根据权利要求1-4任一项所述的香烟缺陷检测模型训练方法,其特征在于,所述方法还包括:
将待预测图像输入到最新更新的缺陷检测模型,得到所述待预测图像对应的缺陷位置及缺陷类型。
6.根据权利要求5所述的香烟缺陷检测模型训练方法,其特征在于,所述将待预测图像输入到最新更新的缺陷检测模型,得到所述待预测图像对应的缺陷位置及缺陷类型,包括:
将待预测图像输入到最新更新的缺陷检测模型,得到所述待预测图像对应的特征矩阵;
对所述待预测图像对应的特征矩阵中的缺陷点进行聚类计算,得到各个聚簇分别对应的缺陷类型;
将各聚簇的中心点位置及缺陷类型,确定为所述待预测图像对应的缺陷位置及缺陷类型。
7.一种香烟缺陷检测模型训练装置,其特征在于,所述香烟缺陷检测模型训练装置包括:
获取模块,用于获取已标注第一缺陷类型的样本图像;
输入模块,用于将所述样本图像输入到分类网络中,得到所述样本图像的第一特征矩阵,所述第一特征矩阵中包含缺陷点位置;
所述输入模块,还用于将所述样本图像输入到最新更新的缺陷检测模型中,得到所述样本图像的第二特征矩阵,所述第二特征矩阵中包含缺陷点位置及第二缺陷类型;
确定模块,用于确定所述第一特征矩阵与所述第二特征矩阵之间的缺陷点对比值;
更新模块,用于若所述缺陷点对比值大于等于预设阈值,或所述第一缺陷类型与所述第二缺陷类型不一致,根据所述第一特征矩阵与所述第二特征矩阵,或所述第一缺陷类型与所述第二缺陷类型,对所述缺陷检测模型进行更新;
所述确定模块,还用于若所述对比值小于所述预设阈值,且所述第一缺陷类型与所述第二缺陷类型一致,将最新更新的缺陷检测模型确定为最终的缺陷检测模型。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1至6任一项所述的香烟缺陷检测模型训练方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至6任一项所述的香烟缺陷检测模型训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210701398.6A CN114782757A (zh) | 2022-06-21 | 2022-06-21 | 香烟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 |
---|---|---|---|
CN202210701398.6A CN114782757A (zh) | 2022-06-21 | 2022-06-21 | 香烟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 |
---|---|
CN114782757A true CN114782757A (zh) | 2022-07-22 |
Family
ID=82421068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210701398.6A Pending CN114782757A (zh) | 2022-06-21 | 2022-06-21 | 香烟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) | CN114782757A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109766872A (zh) * | 2019-01-31 | 2019-05-17 | 广州视源电子科技股份有限公司 | 图像识别方法和装置 |
CN109857878A (zh) * | 2018-12-27 | 2019-06-07 | 深兰科技(上海)有限公司 | 物品标注方法及装置、电子设备及存储介质 |
WO2019233341A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
CN111353516A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 一种用于在线学习的样本分类方法及模型更新方法 |
CN111461213A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学 | 一种目标检测模型的训练方法、目标快速检测方法 |
CN111626383A (zh) * | 2020-05-29 | 2020-09-04 | Oppo广东移动通信有限公司 | 字体识别方法及装置、电子设备、存储介质 |
US20210334587A1 (en) * | 2018-09-04 | 2021-10-28 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN114419374A (zh) * | 2022-01-20 | 2022-04-29 | 上海商汤智能科技有限公司 | 模型训练及图像处理方法、装置、设备、存储介质 |
-
2022
- 2022-06-21 CN CN202210701398.6A patent/CN114782757A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019233341A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
US20210334587A1 (en) * | 2018-09-04 | 2021-10-28 | Boe Technology Group Co., Ltd. | Method and apparatus for training a convolutional neural network to detect defects |
CN111353516A (zh) * | 2018-12-21 | 2020-06-30 | 华为技术有限公司 | 一种用于在线学习的样本分类方法及模型更新方法 |
CN109857878A (zh) * | 2018-12-27 | 2019-06-07 | 深兰科技(上海)有限公司 | 物品标注方法及装置、电子设备及存储介质 |
CN109766872A (zh) * | 2019-01-31 | 2019-05-17 | 广州视源电子科技股份有限公司 | 图像识别方法和装置 |
CN111461213A (zh) * | 2020-03-31 | 2020-07-28 | 华中科技大学 | 一种目标检测模型的训练方法、目标快速检测方法 |
CN111626383A (zh) * | 2020-05-29 | 2020-09-04 | Oppo广东移动通信有限公司 | 字体识别方法及装置、电子设备、存储介质 |
CN114419374A (zh) * | 2022-01-20 | 2022-04-29 | 上海商汤智能科技有限公司 | 模型训练及图像处理方法、装置、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10096121B2 (en) | Human-shape image segmentation method | |
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN111340054A (zh) | 数据标注方法、装置及数据处理设备 | |
CN111862096B (zh) | 图像分割方法、装置、电子设备及存储介质 | |
CN108875931A (zh) | 神经网络训练及图像处理方法、装置、系统 | |
CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
CN113344862A (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
JP7298825B2 (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
CN113112497A (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
CN108875901B (zh) | 神经网络训练方法以及通用物体检测方法、装置和系统 | |
CN111369524A (zh) | 结节识别模型训练方法、结节识别方法及装置 | |
CN113269897B (zh) | 表面点云的获取方法、装置、设备及存储介质 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
CN116137061B (zh) | 数量统计模型的训练方法、装置、电子设备及存储介质 | |
CN114782757A (zh) | 香烟缺陷检测模型训练方法、装置、电子设备及存储介质 | |
CN116051959A (zh) | 一种目标检测方法、装置 | |
CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
CN116168034A (zh) | 编织物的缺陷检测方法、装置、设备及存储介质 | |
CN115048290A (zh) | 软件质量的评估方法、装置、存储介质及计算机设备 | |
CN116109543A (zh) | 一种数据快速识别读取方法及装置、计算机可读存储介质 | |
CN113837208A (zh) | 一种异常图像的确定方法、装置、电子设备及存储介质 | |
CN112632469A (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
CN112632309A (zh) | 图像展示方法、装置、电子设备和存储介质 | |
CN112084889A (zh) | 一种图像行为识别方法、装置、计算设备及存储介质 | |
JPWO2021100191A5 (zh) |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220722 |
|
RJ01 | Rejection of invention patent application after publication |