CN115601618B - 一种磁芯缺陷检测方法、系统及计算机存储介质 - Google Patents

一种磁芯缺陷检测方法、系统及计算机存储介质 Download PDF

Info

Publication number
CN115601618B
CN115601618B CN202211502648.XA CN202211502648A CN115601618B CN 115601618 B CN115601618 B CN 115601618B CN 202211502648 A CN202211502648 A CN 202211502648A CN 115601618 B CN115601618 B CN 115601618B
Authority
CN
China
Prior art keywords
picture
loss
magnetic core
loss value
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.)
Active
Application number
CN202211502648.XA
Other languages
English (en)
Other versions
CN115601618A (zh
Inventor
吴显德
邹凡
李玲妃
曹彩霞
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.)
Zhejiang Whyis Technology Co ltd
Original Assignee
Zhejiang Whyis 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 Zhejiang Whyis Technology Co ltd filed Critical Zhejiang Whyis Technology Co ltd
Priority to CN202211502648.XA priority Critical patent/CN115601618B/zh
Publication of CN115601618A publication Critical patent/CN115601618A/zh
Application granted granted Critical
Publication of CN115601618B publication Critical patent/CN115601618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06V10/77—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
    • G06V10/7753—Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • 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
    • 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
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes

Landscapes

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

Abstract

本发明公开一种磁芯缺陷检测方法、系统及计算机存储介质。其中，该方法包括：对样本训练集进行不同的处理，得到不同图片属性的样本训练集；根据不同图片属性的样本训练集构建图片属性分类模型；将原始训练集输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到图片属性分类模型中进行分类训练，得到每张图片的图片属性；将包含图片属性的原始训练集输入到初始磁芯缺陷检测模型中进行模型训练得到目标磁芯缺陷检测模型；将待检测图片输入到目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。该方法中得到的目标磁芯缺陷检测模型对于磁芯缺陷检测的准确率高。

Description

一种磁芯缺陷检测方法、系统及计算机存储介质
技术领域
本发明涉及磁芯缺陷检测技术领域，具体而言，涉及一种磁芯缺陷检测模型训练方法及系统。
背景技术
磁芯缺陷检测标注难度系数大，训练集标定的数据存在大量的人为错误，训练集存在的错误样本直接影响磁芯缺陷检测模型的训练效果，漏标引发磁芯缺陷检测模型容易产生漏检，导致假阴率上升，误标导致磁芯检测模型容易产生误检，导致假阳率上升，常规的磁芯缺陷检测模型对人工标定数据，无法在训练中挖掘训练集中的错误样本和判断模型对某些特征敏感性是否偏弱。因此，常规的磁芯缺陷检测模型对于磁芯检测的准确率偏低。
针对现有技术中常规的磁芯缺陷检测模型对人工标定数据，无法在训练中挖掘训练集中的错误样本和判断模型对某些特征敏感性是否偏弱。从而造成的常规的磁芯缺陷检测模型对于磁芯缺陷检测的准确率偏低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种磁芯缺陷检测方法、系统及计算机存储介质，以解决现有技术中常规的磁芯缺陷检测模型对人工标定数据，无法在训练中挖掘训练集中的错误样本和判断模型对某些特征敏感性是否偏弱。从而造成的常规的磁芯缺陷检测模型对于磁芯缺陷检测的准确率偏低的问题。
为达到上述目的，一方面，本发明提供了一种磁芯缺陷检测方法，该方法包括：S101，获取难例样本集、错误样本集以及简单样本集；S102，将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的样本损失值；S103，根据每张图片全部轮的样本损失值构建每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；S104，将属性打标后的全部图片的样本损失值序列输入到初始分类模型中进行多轮模型训练，得到图片属性分类模型；S105，将原始训练集输入到所述初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；S106，将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值；S107，重复所述S106，直至轮总损失值在预设范围内波动，得到目标磁芯缺陷检测模型；S108，将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。
可选的，所述S101包括：获取原始训练集，从所述原始训练集中选取目标清晰度超过预设值的图片作为样本训练集；将所述样本训练集中的所有图片随机进行强数据处理、改标签处理或不处理，得到难例样本集、错误样本集以及简单样本集。
可选的，所述将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性包括：根据每张图片全部轮的原始损失值构建每张图片的原始损失值序列；将全部图片的原始损失值序列输入到所述图片属性分类模型中进行分类训练，得到对应的每张图片的图片属性。
可选的，所述S106包括：将含有所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片的目标坐标和目标类别；根据所述每张图片的目标坐标和目标类别计算得到类别损失值和回归损失值；根据所述类别损失值、所述回归损失值以及图片属性计算得到每张图片对应的属性损失值；根据每张图片对应的属性损失值计算得到轮总损失值；所述属性损失值包括：错误损失值、难例损失值和简单损失值。
可选的，将所述错误损失值赋值为零。
可选的，所述简单损失值根据以下公式计算：
Figure 7691DEST_PATH_IMAGE001
其中，
Figure 406443DEST_PATH_IMAGE002
为所述简单损失值，
Figure 836287DEST_PATH_IMAGE003
为所述类别损失值，
Figure 454743DEST_PATH_IMAGE004
为所述回归损失值。
可选的，所述难例损失值根据以下公式计算：
Figure 729867DEST_PATH_IMAGE005
Figure 248704DEST_PATH_IMAGE006
其中，
Figure 583871DEST_PATH_IMAGE007
为所述难例损失值，
Figure 686693DEST_PATH_IMAGE008
为所述类别损失值，
Figure 765508DEST_PATH_IMAGE009
为所述回归损失值，
Figure 138852DEST_PATH_IMAGE010
为权重，
Figure 910498DEST_PATH_IMAGE011
为每张图片的原始损失值序列，sum为求和，mean为求均值，min为求最小值，max为求最大值。
另一方面，本发明提供了一种磁芯缺陷检测系统，该系统包括：获取单元，用于获取难例样本集、错误样本集以及简单样本集；样本训练单元，用于将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的样本损失值；属性打标单元，用于根据每张图片全部轮的样本损失值构建每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；分类训练单元，用于将属性打标后的全部图片的样本损失值序列输入到初始分类模型中进行多轮模型训练，得到图片属性分类模型；原始训练单元，用于将原始训练集输入到所述初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；当前轮训练单元，用于将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值；重复训练单元，用于重复所述当前轮训练单元，直至轮总损失值在预设范围内波动，得到目标磁芯缺陷检测模型；检测单元，用于将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。
可选的，所述获取单元包括：获取子单元，用于获取原始训练集，从所述原始训练集中选取目标清晰度超过预设值的图片作为样本训练集；处理子单元，用于将所述样本训练集中的所有图片随机进行强数据处理、改标签处理或不处理，得到难例样本集、错误样本集以及简单样本集。
另一方面，本发明还提供了一种计算机存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的磁芯缺陷检测方法。
本发明的有益效果：
本发明提供了一种磁芯缺陷检测方法、系统及计算机存储介质，其中，该方法通过对样本训练集进行不同的处理，得到不同图片属性的样本训练集；根据不同图片属性的样本训练集构建图片属性分类模型；将原始训练集输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；将包含所述图片属性的原始训练集输入到初始磁芯缺陷检测模型中进行模型训练得到目标磁芯缺陷检测模型；将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。该方法中得到的目标磁芯缺陷检测模型可以挖掘错误样本和难例样本，加大磁芯缺陷对难例样本的学习，对于磁芯缺陷检测的准确率高。
附图说明
图1是本发明实施例提供的一种磁芯缺陷检测方法的流程图；
图2是本发明实施例提供的获取难例样本集、错误样本集以及简单样本集的流程图；
图3是本发明实施例提供的一种磁芯缺陷检测系统的结构示意图；
图4是本发明实施例提供的获取单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
磁芯缺陷检测标注难度系数大，训练集标定的数据存在大量的人为错误，训练集存在的错误样本直接影响磁芯缺陷检测模型的训练效果，漏标引发磁芯缺陷检测模型容易产生漏检，导致假阴率上升，误标导致磁芯检测模型容易产生误检，导致假阳率上升，常规的磁芯缺陷检测模型对人工标定数据，无法在训练中挖掘训练集中的错误样本和判断模型对某些特征敏感性是否偏弱。因此，常规的磁芯缺陷检测模型对于磁芯检测的准确率偏低。
因而，本发明提供了一种磁芯缺陷检测方法，可提高磁芯缺陷检测的准确率；图1是本发明实施例提供的一种磁芯缺陷检测方法的流程图，如图1所示，该方法包括：
S101，获取难例样本集、错误样本集以及简单样本集；
具体的，图2是本发明实施例提供的获取难例样本集、错误样本集以及简单样本集的流程图，如图2所示，所述S101包括：
S1011，获取原始训练集，从所述原始训练集中选取目标清晰度超过预设值的图片作为样本训练集；
例如：假设原始训练集有10万张图片，从所述原始训练集中选取高可靠性（目标清晰度超过预设值）的图片作为样本训练集，所述样本训练集有6万张图片。
S1012，将所述样本训练集中的所有图片随机进行强数据处理、改标签处理或不处理，得到难例样本集、错误样本集以及简单样本集。
具体的，将样本训练集中的所有图片（6万张图片）中一部分（假设随机挑选3万张图片）采用强数据处理对原始图片进行改变，如随机裁剪、畸变、噪声污染等处理，将强数据处理后的所有图片作为难例样本集；
将样本训练集中剩余图片（3万张图片）中一部分（假设随机挑选2万张图片）进行改标签处理（即改变原始图片中目标的正确标签，重新赋值为错误标签，例如正确标签为1，重新赋值为2），将改标签处理后的所有图片作为错误样本集；
将样本训练集中剩余图片（1万张图片）不进行处理（即原始图片和原始图片中目标标签都不进行改变），将不处理的所有图片作为简单样本集。
S102，将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的样本损失值；
具体的，所述S102包括：
S1021，将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片当前轮的样本损失值以及样本轮总损失值；
S1022，重复所述S1021，直至样本轮总损失值在预设范围（即±0.1%）内波动，停止模型训练，得到每张图片每轮的样本损失值。
S103，根据每张图片全部轮的样本损失值构建每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；
具体的，将当前张图片全部轮的样本损失值构建一个序列，作为当前张图片的样本损失值序列；采用上述方法得到每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；假设当前张图片为难例样本，则当前张图片的样本损失值序列进行属性打标后为难例样本损失值序列；类似的，假设当前张图片为错误样本，则当前张图片的样本损失值序列进行属性打标后为错误样本损失值序列；假设当前张图片为简单样本，则当前张图片的样本损失值序列进行属性打标后为简单样本损失值序列。
S104，将属性打标后的全部图片的样本损失值序列输入到初始分类模型中进行多轮模型训练，得到图片属性分类模型；
具体的，所述S104包括：
S1041，将所有难例样本损失值序列、所有错误样本损失值序列、所有简单样本损失值序列输入到初始分类模型中进行当前轮模型训练，得到当前轮图片属性分类模型以及分类轮总损失值；
S1042，重复所述S1041，直至分类轮总损失值在预设范围（即±0.1%）内波动，停止模型训练，得到所述图片属性分类模型。
S105，将原始训练集输入到所述初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；
具体的，将原始训练集不作数据预处理（即10万张图片），输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片当前轮的原始损失值以及原始轮总损失值；重复上述过程，直至原始轮总损失值在预设范围（即±0.1%）内波动，停止模型训练，得到每张图片每轮的原始损失值。
将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性，其包括：
根据每张图片全部轮的原始损失值构建每张图片的原始损失值序列；具体的，将当前张图片全部轮的原始损失值构建一个序列，作为当前张图片的原始损失值序列；采用上述方法得到每张图片的原始损失值序列；
将全部图片的原始损失值序列输入到所述图片属性分类模型中进行分类训练，得到对应的每张图片的图片属性。
S106，将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值；
具体的，所述S106包括：
S1061，将含有所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片的目标坐标和目标类别；
S1062，根据所述每张图片的目标坐标和目标类别计算得到类别损失值和回归损失值；
S1063，根据所述类别损失值、所述回归损失值以及图片属性计算得到每张图片对应的属性损失值；根据每张图片对应的属性损失值计算得到轮总损失值（即将全部图片对应的属性损失值相加得到轮总损失值）；所述属性损失值包括：错误损失值、难例损失值和简单损失值。
具体的，将所述错误损失值赋值为零。即
Figure 237968DEST_PATH_IMAGE012
。
Figure 120473DEST_PATH_IMAGE013
为所述错误损失值。即错误样本不参与磁芯缺陷检测模型训练。
所述简单损失值根据以下公式计算：
Figure 348324DEST_PATH_IMAGE001
其中，
Figure 664773DEST_PATH_IMAGE002
为所述简单损失值，
Figure 102708DEST_PATH_IMAGE003
为所述类别损失值，
Figure 523325DEST_PATH_IMAGE004
为所述回归损失值。
所述难例损失值根据以下公式计算：
Figure 871261DEST_PATH_IMAGE005
Figure 984710DEST_PATH_IMAGE006
其中，
Figure 286772DEST_PATH_IMAGE007
为所述难例损失值，
Figure 511080DEST_PATH_IMAGE008
为所述类别损失值，
Figure 447943DEST_PATH_IMAGE009
为所述回归损失值，
Figure 732294DEST_PATH_IMAGE010
为权重，
Figure 518722DEST_PATH_IMAGE011
为每张图片的原始损失值序列，sum为求和，mean为求均值，min为求最小值，max为求最大值。通过增加权重，加大磁芯缺陷检测模型对难例样本的学习。
S107，重复所述S106，直至轮总损失值在预设范围（即±0.1%）内波动，停止模型训练，得到目标磁芯缺陷检测模型；
S108，将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。
图3是本发明实施例提供的一种磁芯缺陷检测系统的结构示意图，如图3所示，该系统包括：
获取单元201，用于获取难例样本集、错误样本集以及简单样本集；
具体的，图4是本发明实施例提供的获取单元的结构示意图，如图4所示，所述获取单元201包括：
获取子单元2011，用于获取原始训练集，从所述原始训练集中选取目标清晰度超过预设值的图片作为样本训练集；
例如：假设原始训练集有10万张图片，从所述原始训练集中选取高可靠性（目标清晰度超过预设值）的图片作为样本训练集，所述样本训练集有6万张图片。
处理子单元2012，用于将所述样本训练集中的所有图片随机进行强数据处理、改标签处理或不处理，得到难例样本集、错误样本集以及简单样本集。
具体的，将样本训练集中的所有图片（6万张图片）中一部分（假设随机挑选3万张图片）采用强数据处理对原始图片进行改变，如随机裁剪、畸变、噪声污染等处理，将强数据处理后的所有图片作为难例样本集；
将样本训练集中剩余图片（3万张图片）中一部分（假设随机挑选2万张图片）进行改标签处理（即改变原始图片中目标的正确标签，重新赋值为错误标签，例如正确标签为1，重新赋值为2），将改标签处理后的所有图片作为错误样本集；
将样本训练集中剩余图片（1万张图片）不进行处理（即原始图片和原始图片中目标标签都不进行改变），将不处理的所有图片作为简单样本集。
样本训练单元202，用于将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的样本损失值；
属性打标单元203，用于根据每张图片全部轮的样本损失值构建每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；
分类训练单元204，用于将属性打标后的全部图片的样本损失值序列输入到初始分类模型中进行多轮模型训练，得到图片属性分类模型；
原始训练单元205，用于将原始训练集输入到所述初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；
当前轮训练单元206，用于将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值；
重复训练单元207，用于重复所述当前轮训练单元，直至轮总损失值在预设范围内波动，得到目标磁芯缺陷检测模型；
检测单元208，用于将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的磁芯缺陷检测方法。
上述存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。
本发明的有益效果：
本发明提供了一种磁芯缺陷检测方法、系统及计算机存储介质，其中，该方法通过对样本训练集进行不同的处理，得到不同图片属性的样本训练集；根据不同图片属性的样本训练集构建图片属性分类模型；将原始训练集输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；将包含所述图片属性的原始训练集输入到初始磁芯缺陷检测模型中进行模型训练得到目标磁芯缺陷检测模型；将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别。该方法中得到的目标磁芯缺陷检测模型可以挖掘错误样本和难例样本，加大磁芯缺陷对难例样本的学习，对于磁芯缺陷检测的准确率高。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种磁芯缺陷检测方法，其特征在于，包括：
S101，获取难例样本集、错误样本集以及简单样本集；
S102，将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的样本损失值；
S103，根据每张图片全部轮的样本损失值构建每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；
S104，将属性打标后的全部图片的样本损失值序列输入到初始分类模型中进行多轮模型训练，得到图片属性分类模型；
S105，将原始训练集输入到所述初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；
S106，将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值；
S107，重复所述S106，直至轮总损失值在预设范围内波动，得到目标磁芯缺陷检测模型；
S108，将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别；
其中，所述S106包括：
将含有所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片的目标坐标和目标类别；
根据所述每张图片的目标坐标和目标类别计算得到类别损失值和回归损失值；
根据所述类别损失值、所述回归损失值以及图片属性计算得到每张图片对应的属性损失值；根据每张图片对应的属性损失值计算得到轮总损失值；所述属性损失值包括：错误损失值、难例损失值和简单损失值。
2.根据权利要求1所述的方法，其特征在于，所述S101包括：
获取原始训练集，从所述原始训练集中选取目标清晰度超过预设值的图片作为样本训练集；
将所述样本训练集中的所有图片随机进行强数据处理、改标签处理或不处理，得到难例样本集、错误样本集以及简单样本集。
3.根据权利要求1所述的方法，其特征在于，所述将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性包括：
根据每张图片全部轮的原始损失值构建每张图片的原始损失值序列；
将全部图片的原始损失值序列输入到所述图片属性分类模型中进行分类训练，得到对应的每张图片的图片属性。
4.根据权利要求3所述的方法，其特征在于：
将所述错误损失值赋值为零。
5.根据权利要求3所述的方法，其特征在于，所述简单损失值根据以下公式计算：
loss简单＝losslabel+lossreg
其中，loss简单为所述简单损失值，losslabel为所述类别损失值，lossreg为所述回归损失值。
6.根据权利要求3所述的方法，其特征在于，所述难例损失值根据以下公式计算：
loss难例＝w×(losslabel+lossreg)
w＝max(1.0,min(2,emean(sum(loss_seque))))
其中，loss难例为所述难例损失值，losslabel为所述类别损失值，lossreg为所述回归损失值，w为权重，loss_seque为每张图片的原始损失值序列，sum为求和，mean为求均值，min为求最小值，max为求最大值。
7.一种磁芯缺陷检测系统，其特征在于，包括：
获取单元，用于获取难例样本集、错误样本集以及简单样本集；
样本训练单元，用于将所述难例样本集、错误样本集以及简单样本集中全部图片输入到初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的样本损失值；
属性打标单元，用于根据每张图片全部轮的样本损失值构建每张图片的样本损失值序列；根据每张图片的图片属性，对所述每张图片的样本损失值序列进行属性打标，所述图片属性包括：难例样本、错误样本和简单样本；
分类训练单元，用于将属性打标后的全部图片的样本损失值序列输入到初始分类模型中进行多轮模型训练，得到图片属性分类模型；
原始训练单元，用于将原始训练集输入到所述初始磁芯缺陷检测模型中进行多轮模型训练，得到每张图片每轮的原始损失值；将每张图片全部轮的原始损失值输入到所述图片属性分类模型中进行分类训练，得到每张图片的图片属性；
当前轮训练单元，用于将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值；
重复训练单元，用于重复所述当前轮训练单元，直至轮总损失值在预设范围内波动，得到目标磁芯缺陷检测模型；
检测单元，用于将待检测图片输入到所述目标磁芯缺陷检测模型中进行检测，得到磁芯缺陷位置和类别；
其中，所述将包含所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片对应的属性损失值以及轮总损失值包括：
将含有所述图片属性的原始训练集输入到所述初始磁芯缺陷检测模型中进行当前轮模型训练，得到每张图片的目标坐标和目标类别；
根据所述每张图片的目标坐标和目标类别计算得到类别损失值和回归损失值；
根据所述类别损失值、所述回归损失值以及图片属性计算得到每张图片对应的属性损失值；根据每张图片对应的属性损失值计算得到轮总损失值；所述属性损失值包括：错误损失值、难例损失值和简单损失值。
8.根据权利要求7所述的系统，其特征在于，所述获取单元包括：
获取子单元，用于获取原始训练集，从所述原始训练集中选取目标清晰度超过预设值的图片作为样本训练集；
处理子单元，用于将所述样本训练集中的所有图片随机进行强数据处理、改标签处理或不处理，得到难例样本集、错误样本集以及简单样本集。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的磁芯缺陷检测方法。
CN202211502648.XA 2022-11-29 2022-11-29 一种磁芯缺陷检测方法、系统及计算机存储介质 Active CN115601618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211502648.XA CN115601618B (zh) 2022-11-29 2022-11-29 一种磁芯缺陷检测方法、系统及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211502648.XA CN115601618B (zh) 2022-11-29 2022-11-29 一种磁芯缺陷检测方法、系统及计算机存储介质

Publications (2)

Publication Number Publication Date
CN115601618A CN115601618A (zh) 2023-01-13
CN115601618B true CN115601618B (zh) 2023-03-10

Family

ID=84853734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211502648.XA Active CN115601618B (zh) 2022-11-29 2022-11-29 一种磁芯缺陷检测方法、系统及计算机存储介质

Country Status (1)

Country Link
CN (1) CN115601618B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052096B (zh) * 2023-03-31 2023-06-13 浙江华是科技股份有限公司 一种压缩数据船舶检测方法、系统及计算机存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009589A (zh) * 2017-12-12 2018-05-08 腾讯科技（深圳）有限公司 样本数据处理方法、装置和计算机可读存储介质
EP3582142A1 (en) * 2018-06-15 2019-12-18 Université de Liège Image classification using neural networks
CN111985385A (zh) * 2020-08-14 2020-11-24 杭州海康威视数字技术股份有限公司 一种行为检测方法、装置及设备
CN112101542A (zh) * 2020-07-24 2020-12-18 北京沃东天骏信息技术有限公司 机器学习模型的训练方法、装置、人脸的识别方法和装置
CN112825121A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 深度卷积神经网络初始化和训练方法、装置、介质及设备
CN113888485A (zh) * 2021-09-23 2022-01-04 浙江工业大学 一种基于深度学习的磁芯表面缺陷的检测方法
CN114418021A (zh) * 2022-01-25 2022-04-29 腾讯科技（深圳）有限公司 模型优化方法、装置及计算机程序产品
CN114549493A (zh) * 2022-02-28 2022-05-27 浙江工业大学 一种基于深度学习的磁芯缺陷检测系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114424253A (zh) * 2019-11-08 2022-04-29 深圳市欢太科技有限公司 模型训练方法、装置、存储介质及电子设备
CN115359308B (zh) * 2022-04-06 2024-02-13 北京百度网讯科技有限公司 模型训练、难例识别方法、装置、设备、存储介质及程序
CN115115902A (zh) * 2022-05-26 2022-09-27 腾讯科技（深圳）有限公司 图像分类模型的训练方法、装置、设备、存储介质及产品

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009589A (zh) * 2017-12-12 2018-05-08 腾讯科技（深圳）有限公司 样本数据处理方法、装置和计算机可读存储介质
EP3582142A1 (en) * 2018-06-15 2019-12-18 Université de Liège Image classification using neural networks
CN112825121A (zh) * 2019-11-20 2021-05-21 北京眼神智能科技有限公司 深度卷积神经网络初始化和训练方法、装置、介质及设备
CN112101542A (zh) * 2020-07-24 2020-12-18 北京沃东天骏信息技术有限公司 机器学习模型的训练方法、装置、人脸的识别方法和装置
CN111985385A (zh) * 2020-08-14 2020-11-24 杭州海康威视数字技术股份有限公司 一种行为检测方法、装置及设备
CN113888485A (zh) * 2021-09-23 2022-01-04 浙江工业大学 一种基于深度学习的磁芯表面缺陷的检测方法
CN114418021A (zh) * 2022-01-25 2022-04-29 腾讯科技（深圳）有限公司 模型优化方法、装置及计算机程序产品
CN114549493A (zh) * 2022-02-28 2022-05-27 浙江工业大学 一种基于深度学习的磁芯缺陷检测系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Maryam I.等.Adaptive expansion of training samples for improving hyperspectral image classification performance.2013,第1-6页. *
肖贤军.基于机器视觉的磁性零件表面缺陷检测与分类研究.2022,第C029-85页. *

Also Published As

Publication number Publication date
CN115601618A (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN110163300B (zh) 一种图像分类方法、装置、电子设备及存储介质
CN111368903B (zh) 模型性能优化方法、装置、设备及存储介质
WO2019214309A1 (zh) 模型测试的方法及装置
CN115601618B (zh) 一种磁芯缺陷检测方法、系统及计算机存储介质
CN111324764B (zh) 一种图像检测方法、装置、电子设备及存储介质
CN108805180B (zh) 目标对象的检测方法及装置
CN110826494A (zh) 标注数据质量评价方法、装置、计算机设备及存储介质
CN110263853B (zh) 利用错误样本检查人工客户端状态的方法及装置
CN110647913B (zh) 基于聚类算法的异常数据检测方法及装置
CN111582282B (zh) 一种文本识别方法、装置、设备及存储介质
CN108180935B (zh) 传感器的故障检测方法及装置
CN110570390A (zh) 一种图像检测方法及装置
CN114495098A (zh) 一种基于显微镜图像的盘星藻类细胞统计方法及系统
CN106358220B (zh) 异常联系人信息的检测方法、装置及系统
CN107450840B (zh) 手指触控连通域的确定方法、装置及电子设备
CN113723467A (zh) 用于缺陷检测的样本收集方法、装置和设备
CN116841146A (zh) 一种打印机墨粉消耗检测方法
CN110826616A (zh) 信息处理方法及装置、电子设备、存储介质
CN116433622A (zh) 删除重复识别的电芯极片端点的方法、装置、设备及介质
CN112149546B (zh) 一种信息处理方法、装置、电子设备及存储介质
CN113763305B (zh) 标定物品缺陷的方法、装置及电子设备
KR20230024160A (ko) 의미 분할 학습 데이터 오류 검출 및 수정 시스템 및 그 방법
CN111985468A (zh) 一种码表指针数值检测方法、装置、电子设备及存储介质
CN112418313A (zh) 一种大数据在线噪声过滤系统与方法
CN111209567A (zh) 提高检测模型鲁棒性的可知性判断方法及装置

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
GR01 Patent grant
GR01 Patent grant