具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,近年来,随着工业互联网的不断发展,数字化设备也越来越多,为了满足各类数字化设备的控制和显示功能,数字化显示器屏幕就被广泛的应用于各种数字化设备以及各种电子产品中。但是在产品的制造过程中,由于生产环境、生产设备和生产工艺等因素的影响,产品缺陷的出现是不可避免的。这些产品缺陷会严重影响到整合产品的质量,因此,为了保证产品的综合质量,就需要对生产出的产品进行质量检测。但是,现有的技术中,常用的方式是通过人工来进行对比检测,而人工检测不仅需要消耗大量的劳动力,还会使得检测的效率和准确率较低。
电子屏幕的质量是否过关,这取决于实际生产出屏幕的亮度均匀性、受压指数、污点涵盖率、质量缺陷等因素,但是现有的仪器在对屏幕的某些具体因素进行检测时,只能检测出一项内容,例如,在对屏幕亮度的均匀性进行检测时,只能通过色彩分析仪与电子设备连接来进行均匀性的检测,这样整体检测的过程耗时较长,且各个因素整合的整体质量的准确度较低,从而也就会严重影响到电子屏幕的生产效率和生产质量。因此,期望一种应用于工业互联网的产品质量异常检测方法。
本申请的申请人发现,由于电子屏幕具有的缺陷通常共享相同的高维图像语义特征,因此可以通过卷积神经网络模型的联合训练,来实现端到端的多缺陷检测模型,在此基础上,如果可以在特征提取层面和分类回归层面上提高各单独模型之间的协同,可以有效地提高检测效果。
基于此,在本申请的技术方案中,首先将获取的待检测电子屏幕的图像分别通过用于分别缺陷检测的第一到第n缺陷检测模型的第一到第n卷积神经网络,以获得第一到第n特征向量v1到vn。
基于该第一到第n特征向量构造联合高斯概率密度模型,首先,第i个特征向量对应的高斯概率密度模型表示为N(μi,∑i),其中μi=vi, 且/>为v1到vn的按位置均值构成的向量。
则n个特征向量的联合高斯概率密度模型为:
其中:
再将该联合高斯概率密度模型进行高斯离散化,得到分类特征矩阵。这样,可以通过联合高斯概率密度模型的模型学习来对各个卷积神经网络的参数进行联合更新,从而整体上生成具有更强的特征表征能力的更优的联合概率分布。
此外,对于第一到第n缺陷检测模型的第一到第n分类器,可以获取每个分类器的全连接权重矩阵M1到Mn,并对每个权重矩阵进行本征值分解,获取其按照降序排列的前m/n个本征值对应的本征向量,其中m为权重矩阵的维度。
然后,将n个分类器中的每个分类器的m/n本征向量二维排列以作为新分类器的初始权重矩阵,从而保留各个原分类器在主逻辑回归方向上的参数结构(相当于保留分类回归中对于各个不同缺陷的主分类因素),以提高分类器训练的效率和分类效果。
基于此,本申请提出了一种应用于工业互联网的产品质量异常检测方法,其包括训练阶段,包括:获取待检测电子屏幕的图像;将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型,其中,所述高斯概率密度模型的均值向量为所述第一到第N特征向量中对应的特征向量,所述高斯概率密度模型的协方差矩阵为所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量的转置乘以所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量;构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型,其中,所述联合高斯概率密度模型的均值向量为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的均值向量的按位置加权和,所述联合高斯概率密度模型的协方差矩阵为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的协方差矩阵的按位置加权和;对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵;分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量;分别提取按照降维序列排列的前m/n个本征值对应的本征向量后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第n缺陷检测模型的第一到第N分类器的初始权重矩阵;将所述分类特征矩阵分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值;以及,计算所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练;以及,检测阶段,包括:获取待检测电子屏幕的图像;将所述待检测电子屏幕的图像分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;将所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得N个分类结果,所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。
图1图示了根据本申请实施例的应用于工业互联网的产品质量异常检测方法的场景示意图。如图1所示,在该应用场景中,在训练阶段中,首先,通过部署于数字化设备(例如,如图1中所示意的T)中的摄像头(例如,如图1中所示意的C)获取待检测电子屏幕的图像。然后,将获得的所述待检测电子屏幕的图像输入至部署有应用于工业互联网的产品质量异常检测算法的服务器(例如,如图1中所示意的S)中,其中,所述服务器能够应用于工业互联网的产品质量异常检测算法以所述待检测电子屏幕的图像对应用于工业互联网的产品质量异常检测的所述第一到第n缺陷检测模型进行训练。
在训练完成后,在检测阶段中,首先,通过部署于数字化设备(例如,如图1中所示意的T)中的摄像头(例如,如图1中所示意的C)获取待检测电子屏幕的图像。然后,将所述待检测电子屏幕的图像输入部署有应用于工业互联网的产品质量异常检测算法的服务器(例如,如图1中所示意的S),其中,所述服务器能够应用于工业互联网的产品质量异常检测算法对所述待检测电子屏幕的图像进行处理,以生成用于表示各个特征向量归属于各个缺陷标签的概率值的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2A图示了根据本申请实施例的应用于工业互联网的产品质量异常检测方法中训练阶段的流程图。图2B图示了根据本申请实施例的应用于工业互联网的产品质量异常检测方法中检测阶段的流程图。如图2A所示,根据本申请实施例的应用于工业互联网的产品质量异常检测方法,包括:训练阶段,包括:S110,获取待检测电子屏幕的图像;S120,将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;S130,构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型,其中,所述高斯概率密度模型的均值向量为所述第一到第N特征向量中对应的特征向量,所述高斯概率密度模型的协方差矩阵为所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量的转置乘以所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量;S140,构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型,其中,所述联合高斯概率密度模型的均值向量为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的均值向量的按位置加权和,所述联合高斯概率密度模型的协方差矩阵为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的协方差矩阵的按位置加权和;S150,对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵;S160,分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量;S170,分别提取按照降维序列排列的前m/n个本征值对应的本征向量后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第n缺陷检测模型的第一到第N分类器的初始权重矩阵;S180,将所述分类特征矩阵分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值;以及,S190,计算所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练。
如图2B所示,根据本申请实施例的应用于工业互联网的产品质量异常检测方法,还包括:检测阶段,包括:S210,获取待检测电子屏幕的图像;S220,将所述待检测电子屏幕的图像分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;S230,将所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得N个分类结果,所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。
图3A图示了根据本申请实施例的应用于工业互联网的产品质量异常检测方法中训练阶段的架构示意图。如图3A所示,在训练阶段中,在该网络架构中,首先,将获得的所述待检测电子屏幕的图像(例如,如图3中所示意的P)分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络(例如,如图3中所示意的CNN1-CNNn)以获得第一到第N特征向量(例如,如图3中所示意的VF1-VFn);接着,构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型(例如,如图3中所示意的GPD1-CPDn);然后,构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型(例如,如图3中所示意的HGP);接着,对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵(例如,如图3中所示意的MF);然后,分别对所述第一到第n缺陷检测模型的第一到第N分类器(例如,如图3中所示意第一的分类器)的全连接权重矩阵(例如,如图3中所示意的MF1)进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量(例如,如图3中所示意的V1);接着,分别提取按照降维序列排列的前m/n个本征值对应的本征向量(例如,如图3中所示意的V2)后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第n缺陷检测模型的第一到第N分类器的初始权重矩阵(例如,如图3中所示意的MF2);然后,将所述分类特征矩阵分别通过所述第一到第n缺陷检测模型的第一到第N分类器(例如,如图3中所示意的第二分类器)以获得第一到第N分类损失函数值(例如,如图3中所示意的CLV);以及,最后,计算所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练。
图3B图示了根据本申请实施例的应用于工业互联网的产品质量异常检测方法中检测阶段的架构示意图。如图3B所示,在检测阶段中,在该网络结构中,首先,将获取的所述待检测电子屏幕的图像(例如,如图3中所示意的Q)分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络(例如,如图3中所示意的CN1-CNn)以获得第一到第N特征向量(例如,如图3中所示意的VF1-VFn);然后,将所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器(例如,如图3中所示意的圈S)以获得N个分类结果,所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。
更具体地,在训练阶段中,在步骤S110和步骤S120中,获取待检测电子屏幕的图像,并将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量。如前所述,电子屏幕的质量是否过关,这取决于实际生产出屏幕的亮度均匀性、受压指数、污点涵盖率、质量缺陷等因素,但是现有的仪器在对屏幕的某些具体因素进行检测时,只能检测出一项内容,例如,在对屏幕亮度的均匀性进行检测时,只能通过色彩分析仪与所述电子设备连接来进行均匀性的检测,这样整体检测的过程耗时较长,且各个因素整合的整体质量的准确度较低,从而也就会严重影响到电子屏幕的生产效率和生产质量。
并且考虑到由于所述电子屏幕具有的缺陷通常共享相同的高维图像语义特征,因此可以通过卷积神经网络模型的联合训练,来实现端到端的多缺陷检测模型,在此基础上,如果可以在特征提取层面和分类回归层面上提高各单独模型之间的协同,可以有效地提高检测效果。
因此,在本申请的技术方案中,首先,通过部署于数字化设备中的摄像头获取待检测电子屏幕的图像。然后,将所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络中进行处理,以分别提取出所述待检测电子屏幕的图像的局部高维关联特征分布信息,从而获得第一到第N特征向量v1到vn。相应地,在一个具体示例中,所述第一到第N卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一到第N卷积神经网络的最后一层生成所述第一到第N特征向量,其中,所述第一到第N卷积神经网络的第一层的输入为所述待检测电子屏幕的图像。
更具体地,在训练阶段中,在步骤S130中,构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型,其中,所述高斯概率密度模型的均值向量为所述第一到第N特征向量中对应的特征向量,所述高斯概率密度模型的协方差矩阵为所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量的转置乘以所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量。应可以理解,为了融合这n个所述特征向量,考虑到这些所述特征向量总体的概率分布相同或类似,而所述待检测电子屏幕图像的不同深度特征在高维空间中的特征表现不同。因此,为了在特征提取层面提高各单独模型之间的协同以提高检测效果,在本申请的技术方案中,进一步基于所述第一到第n特征向量构造联合高斯概率密度模型。也就是,具体地,首先,第i个所述特征向量对应的高斯概率密度模型表示为N(μi,∑i),其中μi=vi,且/>为v1到vn的按位置均值构成的向量。
具体地,在本申请实施例中,构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型的过程,包括:以如下公式构造所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型;
其中,所述公式为:
N(μi,∑i)
其中μi=vi,且/>为v1到vn的按位置均值构成的向量。
更具体地,在训练阶段中,在步骤S140中,构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型,其中,所述联合高斯概率密度模型的均值向量为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的均值向量的按位置加权和,所述联合高斯概率密度模型的协方差矩阵为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的协方差矩阵的按位置加权和。也就是,在本申请的技术方案中,在得到所述第一到第N高斯概率密度模型后,进一步构造这n个高斯密度模型的联合高斯概率密度模型,以融合所述第一到第n特征向量的特征关联信息。
更具体地,在本申请实施例中,构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型的过程,包括:以如下公式构造所述第一到第N高斯概率密度模型的联合高斯概率密度模型;其中,所述公式为:
其中:
更具体地,在训练阶段中,在步骤S150中,对所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵。也就是,在本申请的技术方案中,进一步将所述联合高斯概率密度模型进行高斯离散化处理,以在特征的融合增广时不产生信息的损失,从而获得分类特征矩阵。应可以理解,这样,可以通过所述联合高斯概率密度模型的模型学习来对各个卷积神经网络的参数进行联合更新,从而整体上生成具有更强的特征表征能力的更优的联合概率分布。相应地,在一个具体示例中,首先,对所述联合高斯概率密度模型中各个位置的高斯分布进行高斯离散化处理以将所述联合高斯概率密度模型中各个位置的高斯分布降维为一维的特征向量;然后,将所述各个位置的一维的特征向量进行二维排列以生成所述分类特征矩阵。
更具体地,在训练阶段中,在步骤S160和步骤S170中,分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量,并分别提取按照降维序列排列的前m/n个本征值对应的本征向量后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第n缺陷检测模型的第一到第N分类器的初始权重矩阵。应可以理解,为了在特征提取层面和分类回归层面上提高各单独模型之间的协同,以有效地提高检测效果,在本申请的技术方案中,还需进一步对于所述第一到第n缺陷检测模型的第一到第n分类器,获取每个所述分类器的全连接权重矩阵M1到Mn,并对所述每个权重矩阵进行本征值分解,获取其按照降序排列的前m/n个本征值对应的本征向量,其中m为权重矩阵的维度。然后,将n个所述分类器中的每个分类器的m/n本征向量二维排列以作为新分类器的初始权重矩阵,从而保留各个所述原分类器在主逻辑回归方向上的参数结构(相当于保留分类回归中对于各个不同缺陷的主分类因素),以提高所述分类器训练的效率和分类效果。
具体地,在本申请实施例中,分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量的过程,包括:以如下公式分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量;
其中,所述公式为:
M=QΛQT
其中M为所述全连接权重矩阵,Λ=diag(λ1,λ2,…,λN),λ1≥λ2≥…≥λN,是有序的对角本征值矩阵,λ1,λ2,…,λN为所述n个特征值,且Q=[q1,q2,…,qN]是包含相应本征向量作为列的本征向量矩阵。
更具体地,在训练阶段中,在步骤S180和步骤S190中,将所述分类特征矩阵分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值,并计算所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练。也就是,在本申请的技术方案中,就可以进一步将所述分类特征矩阵分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值,以计算其加权和对所述第一到第n缺陷检测模型进行训练,这样能够提高分类器训练的效率和分类效果。
具体地,在本申请实施例中,将所述分类特征矩阵分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值的过程,包括:所述分类器以如下公式对所述分类特征矩阵进行处理以生成分类结果,其中,所述公式为:softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示将所述分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置矩阵;以及,计算所述分类结果与真实值之间的交叉熵值作为所述分类损失函数值。
在训练完成后,进入推断阶段。也就是,在对所述第一到第n缺陷检测模型进行训练后,将训练完成后的所述第一到第n缺陷检测模型用于实际的推断阶段中。
具体地,在推断阶段中,首先,获取待检测电子屏幕的图像;然后,将所述待检测电子屏幕的图像分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;最后,将所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得N个分类结果,所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。
综上,基于本申请实施例的应用于工业互联网的产品质量异常检测方法被阐明,其通过第一到第n缺陷检测模型的第一到第n卷积神经网络分别提取出电子屏幕的图像的局部高维特征分布以获得第一到第n特征向量,进一步基于这些所述特征向量构造联合高斯概率密度模型,以通过联合高斯概率密度模型的模型学习来对各个所述卷积神经网络的参数进行联合更新,从而整体上生成具有更强的特征表征能力的更优的联合概率分布,并且对于第一到第n分类器,对其中的每个权重矩阵进行本征值分解,以更新所述分类器的权重矩阵,从而保留所述各个原分类器在主逻辑回归方向上的参数结构,以提高分类器训练的效率和分类效果。
示例性系统
图4图示了根据本申请实施例的应用于工业互联网的产品质量异常检测系统的框图。如图4所示,根据本申请实施例的应用于工业互联网的产品质量异常检测系统400,包括:训练模块410和推断模块420。
如图4所示,所述训练模块410,包括:待检测图像获取单元411,用于获取待检测电子屏幕的图像;特征提取单元412,用于将所述待检测图像获取单元411获得的所述待检测电子屏幕的图像分别通过用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;高斯概率密度模型构造单元413,用于构造所述特征提取单元412获得的所述第一到第N特征向量中各个特征向量的高斯概率密度模型以获得第一到第N高斯概率密度模型,其中,所述高斯概率密度模型的均值向量为所述第一到第N特征向量中对应的特征向量,所述高斯概率密度模型的协方差矩阵为所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量的转置乘以所述第一到第N特征向量中对应的特征向量与所述第一到第N特征向量中所有特征向量的均值向量之间的差分向量;联合高斯概率密度模型构造单元414,用于构造所述高斯概率密度模型构造单元413获得的所述第一到第N高斯概率密度模型的联合高斯概率密度模型,其中,所述联合高斯概率密度模型的均值向量为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的均值向量的按位置加权和,所述联合高斯概率密度模型的协方差矩阵为所述第一到第N高斯概率密度模型中各个高斯概率密度模型的协方差矩阵的按位置加权和;高斯离散化单元415,用于对所述联合高斯概率密度模型构造单元414获得的所述联合高斯概率密度模型进行高斯离散化处理以获得分类特征矩阵;矩阵分解单元416,用于分别对所述第一到第n缺陷检测模型的第一到第N分类器的全连接权重矩阵进行基于本征值的矩阵分解以分别获得n个特征值和与所述n个特征值对应的n个本征向量;二维排列单元417,用于分别提取按照降维序列排列的前m/n个本征值对应的本征向量后对所述前m个本征值对应的本征向量进行二维排列作为所述第一到第n缺陷检测模型的第一到第N分类器的初始权重矩阵;分类损失函数值计算单元418,用于将所述高斯离散化单元415获得的所述分类特征矩阵分别通过所述二维排列单元417获得的所述第一到第n缺陷检测模型的第一到第N分类器以获得第一到第N分类损失函数值;以及,训练单元419,用于计算所述分类损失函数值计算单元418获得的所述第一到第N分类损失函数值的加权和作为损失函数值对所述第一到第n缺陷检测模型进行训练。
如图4所示,所述推断模块420,包括:推断图像获取单元421,用于获取待检测电子屏幕的图像;特征向量生成单元422,用于将所述推断图像获取单元421获得的所述待检测电子屏幕的图像分别通过经训练阶段训练完成的所述用于缺陷检测的第一到第n缺陷检测模型的第一到第N卷积神经网络以获得第一到第N特征向量;分类单元423,用于将所述特征向量生成单元422获得的所述第一到第N特征向量分别通过所述第一到第n缺陷检测模型的第一到第N分类器以获得N个分类结果,所述分类结果用于表示各个特征向量归属于各个缺陷标签的概率值。
这里,本领域技术人员可以理解,上述应用于工业互联网的产品质量异常检测系统400中的各个单元和模块的具体功能和操作已经在上面参考图1到图3B的应用于工业互联网的产品质量异常检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的应用于工业互联网的产品质量异常检测系统400可以实现在各种终端设备中,例如应用于工业互联网的产品质量异常检测算法的服务器等。在一个示例中,根据本申请实施例的应用于工业互联网的产品质量异常检测系统400可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该应用于工业互联网的产品质量异常检测系统400可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该应用于工业互联网的产品质量异常检测系统400同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该应用于工业互联网的产品质量异常检测系统400与该终端设备也可以是分立的设备,并且该应用于工业互联网的产品质量异常检测系统400可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。