CN115424074A - 一种应用于工业检测的分类方法、装置及设备 - Google Patents

一种应用于工业检测的分类方法、装置及设备 Download PDF

Info

Publication number
CN115424074A
CN115424074A CN202211087516.5A CN202211087516A CN115424074A CN 115424074 A CN115424074 A CN 115424074A CN 202211087516 A CN202211087516 A CN 202211087516A CN 115424074 A CN115424074 A CN 115424074A
Authority
CN
China
Prior art keywords
image data
classification
space
boundary
similarity
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
Application number
CN202211087516.5A
Other languages
English (en)
Inventor
张黎
彭斌
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.)
Luster LightTech Co Ltd
Original Assignee
Luster LightTech 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 Luster LightTech Co Ltd filed Critical Luster LightTech Co Ltd
Priority to CN202211087516.5A priority Critical patent/CN115424074A/zh
Publication of CN115424074A publication Critical patent/CN115424074A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及工业检测技术领域，具体而言，涉及一种应用于工业检测的分类方法、装置及设备，一定程度上可以解决对于提取获得的图像特征相似度较高的待检测零件导致模型分类检测能力较差的问题。所述分类方法包括以下步骤：图像数据输入至分类模型，并提取图像数据的特征向量；通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述分类决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果。

Description

一种应用于工业检测的分类方法、装置及设备
技术领域
本申请涉及工业检测技术领域，具体而言，涉及一种应用于工业检测的分类方法、装置及设备。
背景技术
近年来，深度学习领域持续发展，深度学习模型工业检测领域也开始应用。工业检测图像使用分类模型检测零件，从而将产品分类为合格和不合格类别。由于产品中缺陷类别，形态多样，传统算法很提取有效的特征，检测效果不好。因此深度学习模型逐渐应用至工业领域。
在一些深度学习模型检测零件过程的实现中，深度学习模型自动学习待检测零件提取获得的图像特征，通过深度学习模型对未知类别的检测零件进行分类。
然而，当待检测零件提取的图像特征相似度较高时，会导致通过深度学习模型检测零件产生分类错误的问题，模型分类检测能力较差。
发明内容
为了解决对于待检测零件提取的图像特征相似度较高导致模型分类检测能力较差的问题，本申请提供了一种应用于工业检测的分类方法、装置及设备。
本申请的实施例是这样实现的：
本申请实施例的第一方面提供一种应用于工业检测的分类方法：包括以下步骤：
图像数据输入至分类模型，并提取图像数据的特征向量；
通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；
基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述分类决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；
其中，在训练分类模型的过程中，在图像数据的相似度小于预设阈值时，在角度空间上增加第一边界，所述第一边界用于使得所述角度空间的类类间距变小，类间的间距变大；
在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，所述第二边界为所述第一边界与强化系数经过计算获得，其中，所述强化系数随着图像数据相似度的增大而增加，所述第二边界即所述分类决策空间的边界。
在一些实施例中，训练所述分类模型包括：
初始化权重矩阵，并设定角度空间强化间距；
输入相似度较小的图像数据，构建第一边界；
基于所述第一边界，判断输入图像数据的相似度，当输入图像数据的相似度较大时，通过强化系数获得第二边界；
其中，强化系数随着图像数据相似度的增大而增加。
在一些实施例中，在图像数据输入至分类模型，并提取图像数据的特征向量步骤中：
所述特征向量具体为经过分类模型提取的一维向量和输入图像数据已知类别向量，所述类别向量为大小为分类的类别数的一维向量。
在一些实施例中，所述第一边界的构建过程包括：
通过权重矩阵与图像数据提取的一维向量的点积，获得图像数据提取的一维向量与每一个类别在决策空间的参数的角度；
获取余弦向量，所述余弦向量为所述角度在当前图像数据类别的角度空间与强化角度空间间距的和的余弦。
在一些实施例中，所述第二边界的构建过程包括：
判断输入图像数据的相似度；
当图像数据的相似度较大时，获取第二边界并且将相似度较大的图像数据的余弦向量输出至分类模型。
在一些实施例中，在判断输入图像数据相似度步骤，所述方法包括：
基于第一边界，计算得到当前图像类别的角度空间；
通过角度空间与代表其他类别的角度向量进行比较；
其中，比当前图像类别角度空间小的，则表明图像数据相似度大。
在一些实施例中，在获取预测输出的分类结果过程中，所述方法包括：
输入要预测的未知类别的图像数据，经分类模型提取未知类别的图像数据的特征向量；
将特征向量输入到分类模型，并输出至每个类别决策空间的角度余弦值；其中，当角度余弦值越大，则表示与该类别越相似；
图像数据特征向量的角度余弦值大的类别决策空间即表示图像数据的预测输出类别。
在一些实施例中，利用下列公式，根据的图像数据不同类别的角度以及角度空间间距获得第一边界：
cos(θ1+m)-cos(θ2)＝0，
或者cos(θ1×m)-cos(θ2)＝0，
其中，θ1和θ2分别表示图像数据类别1和图像数据类别2的角度，m为增加的角度空间的间距。
本申请实施例的第二方面提供一种应用于工业检测的分类装置，包括：
采集单元，用于获取输入图像的图像数据，并提取图像数据的特征向量；
转化单元，用于通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；
处理单元，用于基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；
其中，在训练分类模型的过程中，在图像数据的相似度小于预设阈值时，在角度空间上增加第一边界，所述第一边界用于使得所述角度空间的类类间距变小，类间的间距变大；
在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，所述第二边界为所述第一边界与强化系数经过计算获得；其中，所述强化系数随着图像数据相似度的增大而增加，所述第二边界即所述分类决策空间的边界。
本申请实施例的第三方面提供一种分类设备，所述分类设备包括：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执行上述技术方案中的应用于工业检测的分类方法的步骤。
本申请的有益效果；通过在分类模型的训练学习过程中，由弱到强逐步构建分类决策空间，可确定强化相似度较高的检测工业产品、零部件的分类边界；进一步通过将多维特征空间转化为角度空间，方便对于工业产品和零件进行检测，可确定能够有针对性的检测分类工业产品、零部件中的合格品和不合格品，进一步可实现提升检测的精度和鲁棒性的效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个或多个实施例的应用于工业检测的分类方法的流程图；
图2为本申请一个或多个实施例的分类方法中训练分类模型的流程图；
图3为本申请一个或多个实施例的分类方法关于训练分类模型中构建第一边界的流程图；
图4为本申请一个或多个实施例的分类方法关于训练分类模型中构建第二边界的流程图；
图5为本申请一个或多个实施例的分类方法关于训练分类模型中判断图像数据相似度的流程图；
图6为本申请一个或多个实施例的分类方法关于输出未知类别图像数据类别的流程图；
图7为本申请一个或多个实施例的分类方法获得的第一边界以及第二边界的示意图。
具体实施方式
为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
本申请中说明书和权利要求书及上述附图中的术语″第一″、″第二″、″第三″等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
术语″包括″和″具有″以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。
用于进行工业检测的分类模型一般分为输入图像，主干模型，分类器，输出预测概率4部分。主干模型用于提取图像特征，分类器用于映射多维特征空间到线性特征空间，在经过指数归一化，表征属于某一类的概率。
如图1所示，图1为本申请一个或多个实施例的应用于工业检测的分类方法的流程图。
在一些实施例中，本申请所提供的一种应用于工业检测的分类方法，用于强化合格品图像和不合格品图像的可分离性，同时对于检测困难的样本，随着训练过程不断学习，强化困难样本的检出，提升模型分类检测能力；分类方法具体包括以下步骤：
图像数据输入至分类模型，并提取图像数据的特征向量；
通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，线性特征空间用于转化形成角度空间；
基于所述角度空间，训练分类模型，并得到分类决策空间，决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；
其中，在训练分类模型的过程中，当图像数据的相似度小于预设阈值时，在角度空间上增加第一边界，第一边界用于使得角度空间的类类间距变小，类间的间距变大；
在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，第二边界为所述第一边界与强化系数经过计算获得，其中，强化系数随着图像数据相似度的增大而增加，第二边界即分类决策空间的边界。
通过在分类模型的训练学习过程中，由弱到强逐步构建分类决策空间，强化相似度较高的检测工业产品、零部件的分类边界；对于工业检测行业的应用中，可确定能够进一步有针对性的检测分类合格品和不合格品工业产品、零部件，进一步可实现提升检测的精度和鲁棒性的效果。
如图2所示，图2为本申请一个或多个实施例的分类方法中训练分类模型的流程图。
在一些实施例中，训练分类模型的过程中具体包括：
构建权重矩阵W，权重矩阵W设置为n行d列，其中，n表示待分类的类别数；d为经分类模型提取图像数据获得的特征大小；每一行表示当前类别在分类决策空间的参数，并设定角度空间强化间距；
输入相似度较小的图像数据，构建ArcLoss的分类决策空间，并且获取第一边界；
基于ArcLoss的分类决策空间，构建CurricularLoss的分类决策空间；
其中，在构建CurricularLoss的分类决策空间的过程中，判断输入图像数据的相似度，当输入图像数据的相似度较大时，通过强化系数获得第二边界，强化系数随着图像数据相似度的增加而增大。
通过在ArcLoss的分类决策空间的基础上构建CurricularLoss的分类决策空间，CurricularLoss的分类决策空间用于针对相似度较高、检测过程中容易出错的零部件；在分类模型的训练过程，依次由相似度较小的图像数据逐渐转化为相似度较大的图像数据；以使得整个分类模型的训练过程更加稳定、有效，同时可实现提升对相似度较大的图像数据正确分类检测能力的效果。
在一些实施例中，在图像数据输入至分类模型，并提取图像数据的特征向量过程中，图像数据经分类模型获取得到的特征向量具体包括：
经过分类模型提取的特征x，大小为d的一维向量；
输入图像数据已知类别向量s，类别向量s为大小为n的一维向量，其中n表示分类的类别数，在本实施例中，n表示合格和不合格两类；通过将当前类别索引位的值设置为1，其他类别的索引位的值设置为0来表征当前标记的类别。
如图3所示，图3为本申请一个或多个实施例的分类方法关于训练分类模型中构建第一边界的流程图。
在一些实施例中，通过第一边界构建ArcLoss的分类决策空间的具体步骤包括：
通过权重矩阵W与经分类模型提取的图像数据的特征x的点积，获取的图像数据的特征x与每个类别在决策空间的参数的角度t；其中，权重矩阵W的行设置为每个类别在分类决策空间的参数，同时角度t为大小为n的一维向量。
获取余弦向量m_t，余弦向量m_t为角度t在当前图像数据类别的角度空间与强化角度空间间距m的和的余弦。
如图4所示，图4为本申请一个或多个实施例的分类方法关于训练分类模型中构建第二边界的流程图。
在一些实施例中，通过第二边界构建CurricularLoss的分类决策空间的具体内容包括：
设定平滑因子ν，平滑因子是动态变化的，其初始化为0，随着输入图像数据相似度的增加而逐渐增加至1，以方便分类模型实现逐步加深，平滑因子ν的计算过程如下；
Figure BDA0003835736830000061
其中，θi表示当前图像数据在每个类别决策空间的角度，n表示待分类的类别数。
对输入图像数据的相似度进行判断，以便于随着输入图像数据相似度的增加逐渐将平滑因子增加至0；
当图像数据的相似度较大时，获取第二边界并且将相似度较大的图像数据的余弦向量m_t输出至分类模型；
其中，构建CurricularLoss的分类决策空间的第二边界的计算原理如下：
cos(m+θ1)-(v+cos(θ2))×cos(θ2)＝0，
其中，m表示增加的角度空间间距，θ1和θ2分别表示图像数据类别1和图像数据类别2的角度，v为平滑因子，ν+cos(θ2)代表强化系数，随着平滑因子v的增加，强化系数大于1。
如图5所示，图5为本申请一个或多个实施例的分类方法关于训练分类模型中判断图像数据相似度的流程图。
在一些实施例中，判断图像数据相似度的方法包括：
基于第一边界构建形成的ArcLoss的分类决策空间，计算得到当前图像类别的角度空间tm；
通过tm与代表其他类别的角度向量ti进行比较；
其中，比当前图像类别角度空间tm小的数据，则表明该数据代表的图像数据相似度大。
如图6所示，本申请一个或多个实施例的分类方法获得的第一边界以及第二边界的示意图。
在一些实施例中，通过分类模型预测未知类别的图像数据的输出结果的过程具体包括：
基于第二边界构建形成的CurricularLoss的分类决策空间，输入要预测的未知类别的图像数据，并经分类模型将未知类别的图像数据的特征向量进行提取；
分类模型将图像数据的特征向量输入到不同类别对应的角度空间，并输出至每个类别决策空间的角度余弦值；其中，当表征该类别的角度余弦值越大，则表示与该类别越相似；
输出特征向量的角度余弦值最大的类别决策空间，此类别决策空间即表示未知类别图像数据的预测输出类别。
在一些实施例中，通过第一边界获得ArcLoss决策分类空间可以表征为下列公式：
cos(θ1+m)-cos(θ2)＝0，
或者cos(θ1×m)-cos(θ2)＝0，
其中，θ1和θ2分别表示图像数据类别1和图像数据类别2的角度，m为增加的角度空间的间距。
在一些实施例中，通过第二边界构建的CurricularLoss的分类决策空间可以表征为下列公式：
cos(m+θ1)-(V×cos(θ2)+d)＝0，
其中，θ1和θ2分别表示图像数据类别1和图像数据类别2的角度，m为增加的角度空间的间距，V和d表征包含v的逐步增大的任意计算形式。
参照图7，图7为本申请一个或多个实施例的分类方法获得的第一边界以及第二边界的示意图。
ArcLoss分类决策空间如图中线1所示，训练过程中不变；CurricularLoss分类决策空间决策边界如图中线2所示，早期边界小，后期的边界逐步加大。
将CurricularLoss分类决策空间在ArcLoss分类决策空间的基础上进行深度学习，由易到难逐步强化难以检测的工业产品、零部件的分类边界，能够进一步有针对性的检测分类工业产品、零部件，从而可实现提升检测分类合格品和不合格品的精度和鲁棒性的效果。
基于上述的分类方法，本申请还公开了一种应用于工业检测的分类装置，其包括：
采集单元，用于获取输入图像的图像数据，并依托分类模型获取输入图像数据的特征向量；
转化单元，用于通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；
处理单元，基于转化单元转化形成的角度空间，由简单到复杂逐步训练分类模型，并得到分类决策空间，决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；
其中，在训练分类模型的过程中，在图像数据的相似度小于预设阈值时，在角度空间的基础上增加第一边界，第一边界用于使得角度空间的类类间距变小，类间的间距变大；
在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，第二边界为第一边界与强化系数经过计算获得；其中，强化系数随着图像数据相似度的增大而增加，训练完成后获得第二边界即分类决策空间的边界。
基于上述的分类方法，本申请还提供了一种分类设备，其包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被一个处理器执行的指令，当指令被至少一个处理器执行，以使至少一个处理器执行上述技术方案中的应用于工业检测的分类方法的步骤，以实现对未知类别的工业产品或者零部件进行分类。
本部分实施例的有益效果在于，通过在分类模型的训练学习过程中，由弱到强逐步构建分类决策空间，可确定强化相似度较高的检测工业产品、零部件的分类边界；进一步对于工业检测行业的应用中，可确定能够有针对性的检测分类工业产品、零部件中的合格品和不合格品，进一步可实现提升检测的精度和鲁棒性的效果。
为了方便解释，已经结合具体的实施方式进行了上述说明。但是，上述在一些实施例中讨论不是意图穷尽或者将实施方式限定到上述公开的具体形式。根据上述的教导，可以得到多种修改和变形。上述实施方式的选择和描述是为了更好的解释原理以及实际的应用，从而使得本领域技术人员更好的使用实施方式以及适于具体使用考虑的各种不同的变形的实施方式。

Claims (10)

1.一种应用于工业检测的分类方法，其特征在于，所述方法包括：
图像数据输入至分类模型，并提取图像数据的特征向量；
通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；
基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述分类决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；
其中，在训练分类模型的过程中，在图像数据的相似度小于预设阈值时，在角度空间上增加第一边界，所述第一边界用于使得所述角度空间的类类间距变小，类间的间距变大；
在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，所述第二边界为所述第一边界与强化系数经过计算获得，其中，所述强化系数随着图像数据相似度的增大而增加，所述第二边界即所述分类决策空间的边界。
2.如权利要求1所述的应用于工业检测的分类方法，其特征在于，训练所述分类模型包括：
初始化权重矩阵，并设定角度空间强化间距；
输入相似度较小的图像数据，构建第一边界；
基于所述第一边界，判断输入图像数据的相似度，当输入图像数据的相似度较大时，通过强化系数获得第二边界；
其中，强化系数随着图像数据相似度的增大而增加。
3.如权利要求2所述的应用于工业检测的分类方法，其特征在于，在图像数据输入至分类模型，并提取图像数据的特征向量步骤中：
所述特征向量具体为经过分类模型提取的一维向量和输入图像数据已知类别向量，所述类别向量为大小为分类的类别数的一维向量。
4.如权利要求3所述的应用于工业检测的分类方法，其特征在于，所述第一边界的构建过程包括：
通过权重矩阵与图像数据提取的一维向量的点积，获得图像数据提取的一维向量与每一个类别在决策空间的参数的角度；
获取余弦向量，所述余弦向量为所述角度在当前图像数据类别的角度空间与强化角度空间间距的和的余弦。
5.如权利要求4所述的应用于工业检测的分类方法，其特征在于，所述第二边界的构建过程包括：
判断输入图像数据的相似度；
当图像数据的相似度较大时，获取第二边界并且将相似度较大的图像数据的余弦向量输出至分类模型。
6.如权利要求5所述的应用于工业检测的分类方法，其特征在于，在判断输入图像数据相似度步骤，所述方法包括：
基于第一边界，计算得到当前图像类别的角度空间；
通过角度空间与代表其他类别的角度向量进行比较；
其中，比当前图像类别角度空间小的，则表明图像数据相似度大。
7.如权利要求1所述的应用于工业检测的分类方法，其特征在于，在获取预测输出的分类结果过程中，所述方法包括：
输入要预测的未知类别的图像数据，经分类模型提取未知类别的图像数据的特征向量；
将特征向量输入到分类模型，并输出至每个类别决策空间的角度余弦值；其中，当角度余弦值越大，则表示与该类别越相似；
图像数据特征向量的角度余弦值大的类别决策空间即表示图像数据的预测输出类别。
8.如权利要求1所述的应用于工业检测的分类方法，其特征在于，利用下列公式，根据的图像数据不同类别的角度以及角度空间间距获得第一边界：
cos(θ1+m)-cos(θ2)＝0，
或者cos(θ1×m)-cos(θ2)＝0，
其中，θ1和θ2分别表示图像数据类别1和图像数据类别2的角度，m为增加的角度空间的间距。
9.一种应用于工业检测的分类装置，其特征在于，包括：
采集单元，用于获取输入图像的图像数据，并提取图像数据的特征向量；
转化单元，用于通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；
处理单元，用于基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；
其中，在训练分类模型的过程中，在图像数据的相似度小于预设阈值时，在角度空间上增加第一边界，所述第一边界用于使得所述角度空间的类类间距变小，类间的间距变大；
在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，所述第二边界为所述第一边界与强化系数经过计算获得；其中，所述强化系数随着图像数据相似度的增大而增加，所述第二边界即所述分类决策空间的边界。
10.一种分类设备，其特征在于，所述分类设备包括：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执行权利要求1至8中任一项所述的应用于工业检测的分类方法的步骤。
CN202211087516.5A 2022-09-07 2022-09-07 一种应用于工业检测的分类方法、装置及设备 Pending CN115424074A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211087516.5A CN115424074A (zh) 2022-09-07 2022-09-07 一种应用于工业检测的分类方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211087516.5A CN115424074A (zh) 2022-09-07 2022-09-07 一种应用于工业检测的分类方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115424074A true CN115424074A (zh) 2022-12-02

Family

ID=84202082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211087516.5A Pending CN115424074A (zh) 2022-09-07 2022-09-07 一种应用于工业检测的分类方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115424074A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740549A (zh) * 2023-08-14 2023-09-12 南京凯奥思数据技术有限公司 车辆零件识别方法及系统
CN117975044A (zh) * 2024-02-20 2024-05-03 蚂蚁云创数字科技（北京）有限公司 基于特征空间的图像处理方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740549A (zh) * 2023-08-14 2023-09-12 南京凯奥思数据技术有限公司 车辆零件识别方法及系统
CN116740549B (zh) * 2023-08-14 2023-11-07 南京凯奥思数据技术有限公司 车辆零件识别方法及系统
CN117975044A (zh) * 2024-02-20 2024-05-03 蚂蚁云创数字科技（北京）有限公司 基于特征空间的图像处理方法及装置

Similar Documents

Publication Publication Date Title
CN115424074A (zh) 一种应用于工业检测的分类方法、装置及设备
CN111126482B (zh) 一种基于多分类器级联模型的遥感影像自动分类方法
CN110363746B (zh) 一种基于卷积神经网络的超声无损检测信号分类方法
CN110890102A (zh) 一种基于rnn声纹识别的发动机缺陷检测算法
CN111259940A (zh) 一种基于空间注意力地图的目标检测方法
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN111259735B (zh) 基于多级预测特征增强卷积神经网络的单人姿态估计方法
CN115511012B (zh) 一种最大熵约束的类别软标签识别训练方法
CN109859199B (zh) 一种sd-oct图像的淡水无核珍珠质量检测的方法
CN116910752B (zh) 一种基于大数据的恶意代码检测方法
CN115048537A (zh) 一种基于图像-文本多模态协同表示的病害识别系统
CN116416334A (zh) 一种基于原型的嵌入网络的场景图生成方法
CN107944363A (zh) 人脸图像处理方法、系统及服务器
CN113076235B (zh) 一种基于状态融合的时序异常检测方法
CN113453065A (zh) 一种基于深度学习的视频分段方法、系统、终端及介质
CN113011513A (zh) 一种基于通用域自适应的图像大数据分类方法
CN117593243A (zh) 可靠伪标签引导的压缩机外观自适应检测方法
CN109902690A (zh) 图像识别技术
CN116452895A (zh) 基于多模态对称增强的小样本图像分类方法、装置及介质
CN110675382A (zh) 基于CNN-LapsELM的铝电解过热度识别方法
CN115456693A (zh) 一种大数据驱动的汽车外造型设计的自动评估方法
CN114387524A (zh) 基于多层级二阶表征的小样本学习的图像识别方法和系统
CN114596433A (zh) 一种绝缘子识别方法
CN113361631A (zh) 基于迁移学习的绝缘子老化光谱分类方法
CN108710920B (zh) 示功图识别方法及装置

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