CN116152257B - 应用于传感器的检测信息优化方法、服务器及介质 - Google Patents

应用于传感器的检测信息优化方法、服务器及介质 Download PDF

Info

Publication number
CN116152257B
CN116152257B CN202310435783.5A CN202310435783A CN116152257B CN 116152257 B CN116152257 B CN 116152257B CN 202310435783 A CN202310435783 A CN 202310435783A CN 116152257 B CN116152257 B CN 116152257B
Authority
CN
China
Prior art keywords
image
defect
defect area
target
segmentation
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
CN202310435783.5A
Other languages
English (en)
Other versions
CN116152257A (zh
Inventor
雷济民
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.)
Tops Sensor Taicang Co ltd
Original Assignee
Tops Sensor Taicang 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 Tops Sensor Taicang Co ltd filed Critical Tops Sensor Taicang Co ltd
Priority to CN202310435783.5A priority Critical patent/CN116152257B/zh
Publication of CN116152257A publication Critical patent/CN116152257A/zh
Application granted granted Critical
Publication of CN116152257B publication Critical patent/CN116152257B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • 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
    • G06V10/77—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
    • 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
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供的应用于传感器的检测信息优化方法、服务器及介质，通过人工智能算法将目标传感器检测图像中涵盖图像释义信息的特征和缺陷释义信息的特征进行联合，以获取目标缺陷区域和传感器检测图像的全局隐含配对信息，以及依据全局隐含配对信息得到参照缺陷区域，这样可以使得参照缺陷区域的匹配度得到提高，从而准确确定目标传感器检测图像中的缺陷分类。

Description

应用于传感器的检测信息优化方法、服务器及介质
技术领域
本申请涉及但不限于人工智能技术领域，尤其涉及一种应用于传感器的检测信息优化方法、服务器及介质。
背景技术
随着人工智能的发展，基于视觉传感器感测图像进行物体表面缺陷检测的技术愈发应用广泛，例如在诸如3C、半导体、建筑等行业得到了实质应用。申请人经过实践分析，发现目前大多缺陷检测的方法仅针对缺陷区域进行定向分析，识别出的缺陷有时候会因为图像全局信息不同导致识别偏误，也即确定的缺陷分类不够准确，使得缺陷检测的精度不能满足一些行业的高精度要求，因此市场需要一种更加准确的识别方法。
发明内容
有鉴于此，本申请实施例至少提供一种应用于传感器的检测信息优化方法。
本申请实施例的技术方案是这样实现的：
一方面，本申请实施例提供一种应用于传感器的检测信息优化方法，应用于服务器，所述方法包括：
获取目标传感器检测图像，所述目标传感器检测图像包括待完成缺陷识别的目标缺陷区域，所述目标传感器检测图像为通过视觉传感器对目标物体进行图像采集得到；
获取与所述目标传感器检测图像对应的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征，所述第一图像特征用于描述所述目标传感器检测图像的图像释义信息，所述第二图像特征用于描述所述参照缺陷区域的缺陷释义信息，所述参照缺陷区域对应有物体缺陷图像；
依据所述第一图像特征逐一和每个所述第二图像特征进行配对以获得配对结果，依据所述配对结果在所述物体缺陷示例集的各个参照缺陷区域中获取与所述目标缺陷区域配对的不少于一个备选参照缺陷区域；
对所述目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组；
确定和所述检测二元组对应的参照缺陷区域支持系数；
依据所述参照缺陷区域支持系数在所述不少于一个备选参照缺陷区域中确定和所述目标缺陷区域对应的目标参照缺陷区域；
将所述目标参照缺陷区域对应的缺陷分类作为所述目标缺陷区域的缺陷分类。
在一些实施例中，所述获取与所述目标传感器检测图像对应的第一图像特征，并获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征包括：
对所述目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，以及在所述图像切分集中设置切分标记，得到第一加载图像块集合；
依据特征提取算子对所述第一加载图像块集合进行特征提取，得到第一检测图像特征关系网，所述第一检测图像特征关系网中包括与所述第一加载图像块集合中每个图像块各自对应的检测图像特征；
在所述第一检测图像特征关系网中获取所述第一图像特征；
对每个所述参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集；
在所述缺陷图像切分集中设置切分标记，得到与所述参照缺陷区域对应的第二加载图像块集合；
在所述特征提取算子中对所述第二加载图像块集合进行特征提取，得到第二检测图像特征关系网，所述第二检测图像特征关系网中包括与所述第二加载图像块集合中每个图像块各自对应的检测图像特征；
在所述第二检测图像特征关系网中获取所述第二图像特征。
在一些实施例中，所述对所述目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，在所述图像切分集中设置切分标记，得到第一加载图像块集合，包括：
在所述图像切分集中确定出所述目标缺陷区域中首个像素块对应的第一图像域坐标，和所述目标缺陷区域中末个像素块对应的第二图像域坐标；
在所述第一图像域坐标之前设置第一切分标记，在所述第二图像域坐标之后设置第二切分标记，以及在所述目标传感器检测图像之前设置起始切分标记，所述目标传感器检测图像之后设置截停切分标记；
所述对每个所述参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集，在所述缺陷图像切分集中设置切分标记，得到与所述参照缺陷区域对应的第二加载图像块集合包括：
在所述缺陷图像切分集中确定得到所述参照缺陷区域中首个像素块对应的第三图像域坐标以及所述参照缺陷区域中末个像素块对应的第四图像域坐标；
在所述第三图像域坐标之前设置起始切分标记，以及在所述第四图像域坐标之后设置区域切分标记；
在所述区域切分标记后的多个图像块序列的首个区域标记分别对应的图像域坐标之后设置截停切分标记。
在一些实施例中，所述依据所述第一图像特征逐一和每个所述第二图像特征进行配对以获得配对结果，依据所述配对结果在所述物体缺陷示例集的各个参照缺陷区域中获取与所述目标缺陷区域配对的不少于一个备选参照缺陷区域包括：
对所述第一图像特征进行主成分分析，得到第一压缩图像特征；
对每个所述第二图像特征分别进行主成分分析，得到多个第二压缩图像特征；
逐一获取所述第一压缩图像特征和每个所述第二压缩图像特征之间的特征相似性评分，将所述特征相似性评分确定为所述配对结果；
获得所有配对结果后，将所有所述配对结果进行整理，得到配对结果整理集；
在所述配对结果整理集中确定与所述目标缺陷区域对应的所述不少于一个备选参照缺陷区域。
在一些实施例中，在所述获取包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像之前，所述方法还包括：
获取传感器检测图像训练模板和与所述传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，其中，所述缺陷区域训练模板匹配有缺陷区域指示标记；
基于所述传感器检测图像训练模板和所述缺陷区域训练模板对完成参数预配置的所述特征提取算子进行迭代优化，在符合第一优化停止条件时停止迭代，其中，所述第一优化停止条件包括所述特征提取算子连续K轮得到的迭代代价值小于第一代价临界值；第l轮得到的迭代代价值表征第l轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记与第l轮迭代的执行结果间的损失，其中，l为小于K的正整数；
所述基于所述传感器检测图像训练模板和所述缺陷区域训练模板对完成参数预配置的所述特征提取算子进行迭代优化，包括：
获取到第l轮的迭代结果时，在所述迭代结果中确定和所述传感器检测图像训练模板中具有的缺陷区域不配对的差异图像区域；
将所述差异图像区域融合在所述缺陷区域训练模板中，得到融合后的缺陷区域训练模板；
基于所述融合后的缺陷区域训练模板对所述特征提取算子进行新一轮的迭代。
在一些实施例中，所述对所述目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组，包括：
针对每个所述备选参照缺陷区域的物体缺陷图像，分别进行：
获取当下备选参照缺陷区域的物体缺陷图像；
在所述目标传感器检测图像中所述目标缺陷区域中首个像素块所在图像域坐标之前设置第一标记，以及在所述目标缺陷区域中末个像素块所在图像域坐标之后设置第二标记；
在所述当下备选参照缺陷区域的物体缺陷图像中各个图像块序列之间设置拦截标记，所述图像块序列包括与所述当下备选参照缺陷区域对应的代表图像块序列；
在所述目标传感器检测图像与所述当下备选参照缺陷区域的物体缺陷图像之间设置整合标记，以及在所述目标传感器检测图像之前设置起始切分标记，在所述当下备选参照缺陷区域的物体缺陷图像之后设置截停切分标记，得到与所述当下备选参照缺陷区域对应的当下检测二元组；
在获取当下备选参照缺陷区域的物体缺陷图像之前，所述方法还包括：
获取与所述目标传感器检测图像对应的第一图像块序列集合和所述当下备选参照缺陷区域对应的第二图像块序列集合；
对所述第一图像块序列集合和所述第二图像块序列集合进行相似评估，得到图像块序列相似性评分；
依据所述图像块序列相似性评分在所述第二图像块序列集合中获取与所述当下备选参照缺陷区域对应的所述代表图像块序列；
所述确定和所述检测二元组对应的参照缺陷区域支持系数包括：
依据图像特征提取算子对所述当下检测二元组进行特征提取，获得多个参照检测图像特征；
在所述多个参照检测图像特征中确定多个代表检测图像特征；
基于所述多个代表检测图像特征确定和所述当下检测二元组对应的当下参照缺陷区域支持系数。
在一些实施例中，所述基于所述多个代表检测图像特征确定和所述当下检测二元组对应的当下参照缺陷区域支持系数包括：
对所述多个代表检测图像特征进行整合，得到整合后的代表检测图像特征；
对所述整合后的代表检测图像特征进行偏心求解，获得所述当下参照缺陷区域支持系数。
在一些实施例中，所述获取包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像之前，所述方法还包括：
获取传感器检测图像训练模板和与所述传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，其中，所述缺陷区域训练模板匹配有缺陷区域指示标记；
基于所述传感器检测图像训练模板及所述缺陷区域训练模板，对完成参数预配置的所述图像特征提取算子进行迭代优化，直到满足第二优化停止条件；其中，所述第二优化停止条件包括所述图像特征提取算子连续O轮得到的迭代代价值小于第二代价临界值，其中，第m轮得到的迭代代价值为依据第m轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记对应的标记内容与第m轮迭代得到的参照缺陷区域支持系数确定得到，其中，m为小于O的正整数。
另一方面，本申请实施例还提供一种服务器，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上所述方法中的步骤。
又一方面，本申请实施例提供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，该计算机程序被处理器执行时实现以上方法中的步骤。
本申请实施例至少包括的有益效果：
本申请实施例提供的应用于传感器的检测信息优化方法、服务器及介质，首先获取目标传感器检测图像，该目标传感器检测图像包括待完成缺陷识别的目标缺陷区域，目标传感器检测图像为通过视觉传感器对目标物体进行图像采集得到，再获取与目标传感器检测图像对应的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征，第一图像特征用于描述目标传感器检测图像的图像释义信息，第二图像特征用于描述参照缺陷区域的缺陷释义信息，参照缺陷区域对应有物体缺陷图像；依据第一图像特征逐一和每个第二图像特征进行配对以获得配对结果，依据配对结果在物体缺陷示例集的各个参照缺陷区域中获取与目标缺陷区域配对的不少于一个备选参照缺陷区域，之后对目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组，然后确定和检测二元组对应的参照缺陷区域支持系数，接着依据参照缺陷区域支持系数在不少于一个备选参照缺陷区域中确定和目标缺陷区域对应的目标参照缺陷区域，最后将目标参照缺陷区域对应的缺陷分类作为所述目标缺陷区域的缺陷分类，完成数据优化。本申请中，将目标传感器检测图像中涵盖图像释义信息的特征和缺陷释义信息的特征进行联合，以获取目标缺陷区域和传感器检测图像的全局隐含配对信息，以及依据全局隐含配对信息得到参照缺陷区域，这样可以使得参照缺陷区域的匹配度得到提高，从而准确确定目标传感器检测图像中的缺陷分类。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本申请的实施例，并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种应用于传感器的检测信息优化方法的实现流程示意图。
图2为本申请实施例提供的一种检测信息优化装置的组成结构示意图。
图3为本申请实施例提供的一种服务器的硬件实体示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，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，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。
本申请实施例提供一种应用于传感器的检测信息优化方法，该方法可以由服务器的处理器执行。
图1为本申请实施例提供的一种应用于传感器的检测信息优化方法的实现流程示意图，如图1所示，该方法包括如下操作S110至操作S170：
操作S110：获取目标传感器检测图像，该目标传感器检测图像包括待完成缺陷识别的目标缺陷区域，目标传感器检测图像为通过视觉传感器对目标物体进行图像采集得到。
目标传感器检测图像为针对目标物体进行视觉传感器拍摄得到的图像，目标传感器检测图像中包含目标缺陷区域，目标缺陷区域是目标传感器检测图像的局部，目标缺陷区域对应有缺陷。目标物体例如是3C、汽车、半导体等领域的目标设备，在确定目标缺陷区域后（例如基于颜色、纹理、形状等特征识别得到的异常区域），需要准确识别目标缺陷区域对应的缺陷分类。
操作S120：获取与目标传感器检测图像对应的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征。
第一图像特征用于描述目标传感器检测图像的图像释义信息，即其图像语义，第二图像特征用于描述参照缺陷区域的缺陷释义信息，及其图像缺陷语义。
参照缺陷区域对应有物体缺陷图像，也即参照缺陷区域为物体缺陷图像的一部分，或局部，物体缺陷示例集中包括各种参照缺陷区域，例如暗点缺陷、空洞缺陷、异色缺陷、断裂缺陷等等，在不同的物体缺陷图像中包含对应的参照缺陷区域，每个参照缺陷区域对应示例性的物体缺陷图像，针对多表现形态的相同类参照缺陷区域，其对应的物体缺陷图像可以包括多个，在进行第二图像特征挖掘的过程中抽取全部方式的第二图像特征，为了提高处理速度，物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征可以预先进行抽取得到，以在需要时进行调用。
操作S130：依据第一图像特征逐一和每个第二图像特征进行配对以获得配对结果，依据配对结果在物体缺陷示例集的各个参照缺陷区域中获取与目标缺陷区域配对的不少于一个备选参照缺陷区域。
获取到目标缺陷区域的第一图像特征和各个参照缺陷区域的第二图像特征后，将第一图像特征和各参照缺陷区域的第二图像特征各自进行配对，然后依据配对结果确定物体缺陷示例集中不少于一个备选参照缺陷区域，配对过程可以是预先生成第一图像特征和第二图像特征的对应关系，然后基于该对应关系进行索引，也可以将第一图像特征各自和各个第二图像特征完成融合，然后输入循环神经网络中进行配对，依据配对结果确定不少于一个备选参照缺陷区域。
操作S140：对目标传感器检测图像分别和每个备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组。
获取了多个备选参照缺陷区域后，将目标传感器检测图像与物体缺陷图像进行整合，具体可以直接拼接在一起，得到检测二元组。
操作S150：确定和检测二元组对应的参照缺陷区域支持系数。
获取了检测二元组后，确定和检测二元组对应的参照缺陷区域支持系数，参照缺陷区域支持系数表征检测二元组与目标缺陷区域的关联度，参照缺陷区域支持系数的数值越高，检测二元组与目标缺陷区域越能配对。
操作S160：依据参照缺陷区域支持系数在不少于一个备选参照缺陷区域中确定和目标缺陷区域对应的目标参照缺陷区域。
具体而言，可以将参照缺陷区域支持系数最高的参照缺陷区域确定为目标缺陷区域对应的目标参照缺陷区域。
操作S170：将目标参照缺陷区域对应的缺陷分类作为目标缺陷区域的缺陷分类。
依据上述操作S110至操作S170，首先获取目标传感器检测图像，该目标传感器检测图像包括待完成缺陷识别的目标缺陷区域，目标传感器检测图像为通过视觉传感器对目标物体进行图像采集得到，再获取与目标传感器检测图像对应的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征，第一图像特征用于描述目标传感器检测图像的图像释义信息，第二图像特征用于描述参照缺陷区域的缺陷释义信息，参照缺陷区域对应有物体缺陷图像；依据第一图像特征逐一和每个第二图像特征进行配对以获得配对结果，依据配对结果在物体缺陷示例集的各个参照缺陷区域中获取与目标缺陷区域配对的不少于一个备选参照缺陷区域，之后对目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组，然后确定和检测二元组对应的参照缺陷区域支持系数，接着依据参照缺陷区域支持系数在不少于一个备选参照缺陷区域中确定和目标缺陷区域对应的目标参照缺陷区域，最后将目标参照缺陷区域对应的缺陷分类作为所述目标缺陷区域的缺陷分类，完成数据优化。本申请中，将目标传感器检测图像中涵盖图像释义信息的特征和缺陷释义信息的特征进行联合，以获取目标缺陷区域和传感器检测图像的全局隐含配对信息，以及依据全局隐含配对信息得到参照缺陷区域，这样可以使得参照缺陷区域的匹配度得到提高，从而准确确定目标传感器检测图像中的缺陷分类。
在一个实施方式中，获取用于描述目标传感器检测图像的图像释义信息的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征，包括：
操作S121：对目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，在图像切分集中设置切分标记，得到第一加载图像块集合。
对目标传感器检测图像进行像素切分的方式是依据像素切分区间来进行的，例如像素切分区间为10×10，即按照10×10的图像单元对目标传感器检测图像进行切分，在切分不足时，通过空白像素进行填补。图像切分集中包含分割后的目标传感器检测图像，切分标记可以是在图像切分集中设置的包括拦截标记、起始切分标记、截停切分标记等标记，例如起始切分标记为1、截停切分标记0。依据标记确定目标传感器检测图像的开始、截止和不同的图像区域字段，例如通过拦截标记3将目标区域和其他区域拦截，以将目标图像区域进行凸显。
操作S122：依据特征提取算子对第一加载图像块集合进行特征提取，得到第一检测图像特征关系网。
第一检测图像特征关系网中包括与第一加载图像块集合中每个图像块各自对应的检测图像特征，本申请实施例依据特征提取算子对第一加载图像块集合进行特征提取，得到第一检测图像特征关系网。特征提取算子可以为任意可行的神经网络算子，例如卷积神经网络、深度神经网络、transformer等，针对第一加载图像块集合中的各个图像块，依据特征提取算子确定和各个图像块对应的检测图像特征，生成第一检测图像特征关系网。
操作S123：在第一检测图像特征关系网中获取第一图像特征。
获取第一图像特征具体可以是在第一检测图像特征关系网中获取目标检测图像特征，或者获取第一加载图像块集合中选定的图像块对应的检测图像特征，以获得第一图像特征，又或者将第一检测图像特征关系网进行特征整合获得第一图像特征。
操作S124：对每个参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集，在缺陷图像切分集中设置切分标记，得到与参照缺陷区域对应的第二加载图像块集合。
在图像切分集中设置切分标记将物体缺陷图像进行切分，有利于准确获取物体缺陷图像的图像释义信息特征，在缺陷图像切分集中设置切分标记的过程可以参照在第一加载图像块集合中设置切分标记。
操作S125：依据特征提取算子对第二加载图像块集合进行特征提取，得到第二检测图像特征关系网。
第二检测图像特征关系网包括与第二加载图像块集合中每个图像块各自对应的检测图像特征。
操作S126：在第二检测图像特征关系网中获取第二图像特征。
基于此，对目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，在图像切分集中设置切分标记，得到第一加载图像块集合，依据特征提取算子对第一加载图像块集合进行特征提取，得到第一检测图像特征关系网，第一检测图像特征关系网中包括与第一加载图像块集合中每个图像块各自对应的检测图像特征，在第一检测图像特征关系网中获取第一图像特征，对每个参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集，在缺陷图像切分集中设置切分标记，得到与参照缺陷区域对应的第二加载图像块集合，依据特征提取算子对第二加载图像块集合进行特征提取，得到第二检测图像特征关系网，第二检测图像特征关系网中包括与第二加载图像块集合中每个图像块各自对应的检测图像特征，在第二检测图像特征关系网中获取第二图像特征的方式，基于对目标传感器检测图像的表征图像释义信息的特征和缺陷释义信息的特征进行联合，以获取目标缺陷区域和传感器检测图像的全局隐含配对信息，以及依据全局隐含配对信息得到参照缺陷区域，这样可以使得参照缺陷区域的匹配度得到提高，从而准确确定目标传感器检测图像中的缺陷分类。
在一个实施方式中，对目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，在图像切分集中设置切分标记，得到第一加载图像块集合，具体包括：在图像切分集中确定出目标缺陷区域中首个像素块对应的第一图像域坐标，以及目标缺陷区域中末个像素块对应的第二图像域坐标；在所述第一图像域坐标之前设置第一切分标记，在第二图像域坐标之后设置第二切分标记，以及在目标传感器检测图像之前设置起始切分标记，目标传感器检测图像之后设置截停切分标记。
对每个参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集；在图像切分集中设置切分标记，得到与参照缺陷区域对应的第二加载图像块集合，包括：在缺陷图像切分集中确定得到参照缺陷区域中首个像素块对应的第三图像域坐标，以及参照缺陷区域中末个像素块对应的第四图像域坐标；在第三图像域坐标之前设置起始切分标记，以及在第四图像域坐标之后设置区域切分标记；在区域切分标记后的多个图像块序列的首个区域标记分别对应的图像域坐标之后设置截停切分标记。
那么，依据在图像切分集中确定出目标缺陷区域中首个像素块对应的第一图像域坐标，以及目标缺陷区域中末个像素块对应的第二图像域坐标，在第一图像域坐标之前设置第一切分标记，在第二图像域坐标之后设置第二切分标记，以及在目标传感器检测图像之前设置起始切分标记，目标传感器检测图像之后设置截停切分标记，在缺陷图像切分集中确定出备选参照缺陷区域中首个像素块对应的第三图像域坐标，和备选参照缺陷区域中末个像素块对应的第四图像域坐标，在第三图像域坐标之前设置起始切分标记，以及在第四图像域坐标之后设置区域切分标记，在区域切分标记后的多个图像块序列的首个区域标记分别对应的图像域坐标之后设置截停切分标记，从而对于包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像和拟配对的参照缺陷区域的物体缺陷图像各自进行构建，依据标记将核心区域进行标记再进行特征提取，加速特征提取。
可选地，依据第一图像特征逐一和每个第二图像特征进行配对以获得配对结果，依据配对结果在物体缺陷示例集的各个参照缺陷区域中获取与目标缺陷区域配对的不少于一个备选参照缺陷区域，包括以下步骤：
操作S131：对第一图像特征进行主成分分析，得到第一压缩图像特征。
操作S132：对每个第二图像特征分别进行主成分分析，得到多个第二压缩图像特征。
操作S133：逐一获取第一压缩图像特征和每个第二压缩图像特征之间的特征相似性评分，并将特征相似性评分确定为配对结果。
操作S134：获得所有配对结果后，将所有配对结果进行整理，得到配对结果整理集。
例如，按照配对结果的大小进行排序，完成排序整理得到按照大小排列的配对结果整理集。
操作S135：在配对结果整理集中确定与目标缺陷区域配对的不少于一个备选参照缺陷区域。
特征相似性评分代表第一压缩图像特征和第二压缩图像特征的相似度，可以通过计算二者特征向量间的向量距离得到，以此获取到各个参照缺陷区域与目标缺陷区域之间的特征相似性评分，依据特征相似性评分获得配对结果整理集，并依据配对结果整理集获取不少于一个备选参照缺陷区域。
基于此，对第一图像特征进行主成分分析，得到第一压缩图像特征，对每个第二图像特征分别进行主成分分析，得到多个第二压缩图像特征，逐一获取第一压缩图像特征和每个第二压缩图像特征之间的特征相似性评分，并将特征相似性评分确定为配对结果，获得所有配对结果后，将所有配对结果进行整理，得到配对结果整理集，在配对结果整理集中确定与目标缺陷区域配对的不少于一个备选参照缺陷区域，以依据对检测图像特征压缩，从而提升相似评估效率，以及依据表征缺陷释义信息的检测图像特征对参照缺陷区域和目标缺陷区域进行相似性评估，从而精准确定和目标缺陷区域相似性评分在目标范围的参照缺陷区域为备选参照缺陷区域，保障准确性。
可选地实施方案中，获取包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像之前，本申请实施例提供的方法还包括：
操作P101：获取传感器检测图像训练模板和与传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板。缺陷区域训练模板匹配有缺陷区域指示标记。
操作P102：基于传感器检测图像训练模板及缺陷区域训练模板，对完成参数预配置的特征提取算子进行迭代优化在符合第一优化停止条件时停止迭代。
该第一优化停止条件包括特征提取算子连续K轮得到的迭代代价值小于第一代价临界值，第l轮得到的迭代代价值表征第l轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记与第l轮迭代的执行结果间的损失，其中，l为小于K的正整数。
依据以上操作实现特征提取算子的迭代训练，采用预先获取迭代数据模板，各个迭代数据模板均包括相应的传感器检测图像训练模板和传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，同时为缺陷区域训练模板对应匹配上相应的指示标记，例如Y或N，指示标记Y指示当下传感器检测图像训练模板和传感器检测图像训练模板中具有的缺陷区域与对应的缺陷区域训练模板是配对的，指示标记N指示当下传感器检测图像训练模板和传感器检测图像训练模板中具有的缺陷区域与对应的缺陷区域训练模板是不配对的，获得传感器检测图像训练模板和对应的缺陷区域指示标记，即对待进行迭代优化的特征提取算子进行迭代优化，以符合第一优化停止条件。
本申请实施例通过获取传感器检测图像训练模板和与传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，其中，缺陷区域训练模板匹配有缺陷区域指示标记，基于传感器检测图像训练模板和缺陷区域训练模板对完成参数预配置的特征提取算子进行迭代优化，在符合第一优化停止条件时停止迭代，第一优化停止条件包括特征提取算子连续K轮得到的迭代代价值小于第一代价临界值，第l轮得到的迭代代价值表征第l轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记与第l轮迭代的执行结果间的损失，其中，l为小于K的正整数，以采用监督学习的迭代方式迭代获得确定参照缺陷区域与目标缺陷区域之间相似评估的算子，使得确定参照缺陷区域与目标缺陷区域匹配情况的准确性。
可选地，基于传感器检测图像训练模板及缺陷区域训练模板，对完成参数预配置的特征提取算子进行迭代优化，包括：
操作S1：获取到第l轮的迭代结果时，在迭代结果中确定和传感器检测图像训练模板中具有的缺陷区域不配对的差异图像区域。
操作S2：将差异图像区域融合在缺陷区域训练模板中，得到融合后的缺陷区域训练模板。
操作S3：基于融合后的缺陷区域训练模板对特征提取算子进行新一轮的迭代。
算子迭代时，依据上一代迭代完成的算子对迭代集合中的每一目标传感器检测图像进行推理，得到多个备选参照缺陷区域，再在多个备选参照缺陷区域中确定出预测错误的缺陷区域训练模板（负样本），然后将负样本融合在基础迭代模板中再进行迭代优化，重复迭代后，每一轮得到的算子对愈发变多的负样本进行学习，以强化算子的效果。
可选的实施方案中，对目标传感器检测图像分别和每个备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组，可以包括如下操作：
针对每个备选参照缺陷区域的物体缺陷图像，进行如下操作：
操作S201：获取当下备选参照缺陷区域的物体缺陷图像。
操作S202：在目标传感器检测图像中目标缺陷区域中首个像素块所在图像域坐标之前设置第一标记，以及在目标缺陷区域中末个像素块所在图像域坐标之后设置第二标记。
操作S203：在当下备选参照缺陷区域的物体缺陷图像中各个图像块序列之间设置拦截标记，其中，图像块序列包括与当下备选参照缺陷区域对应的代表图像块序列。
操作S204：在目标传感器检测图像与当下备选参照缺陷区域的物体缺陷图像之间设置整合标记，以及在目标传感器检测图像之前设置起始切分标记，在当下备选参照缺陷区域的物体缺陷图像之后设置截停切分标记，以得到与当下备选参照缺陷区域对应的当下检测二元组。
本申请对应不同的参照缺陷区域，代表图像块序列不同，代表图像块序列是表征参照缺陷区域的关键区域，获得多个备选参照缺陷区域后，对于每一备选参照缺陷区域可以分别确定每个备选参照缺陷区域与目标缺陷区域的参照缺陷区域支持系数。那么，针对每个备选参照缺陷区域的物体缺陷图像，获取当下备选参照缺陷区域的物体缺陷图像，在目标传感器检测图像中目标缺陷区域中首个像素块所在图像域坐标之前设置第一标记，以及在目标缺陷区域中末个像素块所在图像域坐标之后设置第二标记，在当下备选参照缺陷区域的物体缺陷图像中各个图像块序列之间设置拦截标记，其中，图像块序列包括与当下备选参照缺陷区域对应的代表图像块序列，在目标传感器检测图像与当下备选参照缺陷区域的物体缺陷图像之间设置整合标记，以及在目标传感器检测图像之前设置起始切分标记，在当下备选参照缺陷区域的物体缺陷图像之后设置截停切分标记，获得与当下备选参照缺陷区域对应的当下检测二元组，从而将目标传感器检测图像和备选参照缺陷区域进行准确整合，确定参照缺陷区域支持系数的效率更高。
可选的实施方案中，在获取当下备选参照缺陷区域的物体缺陷图像之前，本申请实施例的方法还包括如下操作：
操作S301：获取与目标传感器检测图像对应的第一图像块序列集合，及当下备选参照缺陷区域对应的第二图像块序列集合。
操作S302：对第一图像块序列集合和第二图像块序列集合进行匹配，得到图像块序列相似性评分。
操作S303：依据图像块序列相似性评分在第二图像块序列集合中获取与当下备选参照缺陷区域对应的代表图像块序列。
由于对应各个备选参照缺陷区域的代表图像块序列的数量可能基数大，全部输入算子产生无效计算，通过以上实现代表图像块序列的确定，将目标缺陷区域的全局和备选参照缺陷区域所有关键区域确定各个关键区域的相似性评分，确定相似性评分较大的多个代表图像块序列输入算子。
那么，获取与目标传感器检测图像对应的第一图像块序列集合和当下备选参照缺陷区域对应的第二图像块序列集合，对第一图像块序列集合和第二图像块序列集合进行配对获得图像块序列相似性评分，依据图像块序列相似性评分，在第二图像块序列集合中获取与当下备选参照缺陷区域对应的代表图像块序列，以获得对应于当下备选参照缺陷区域的拟输入算子的代表图像块序列，缓解计算的计算量。
可选地，确定和检测二元组对应的参照缺陷区域支持系数，可以包括如下操作：
操作S151：依据图像特征提取算子对当下检测二元组进行特征提取，获得多个参照检测图像特征。
操作S152：在多个参照检测图像特征中确定多个代表检测图像特征。
操作S153：基于多个代表检测图像特征确定和当下检测二元组对应的当下参照缺陷区域支持系数。
获得与检测二元组对应的多个参照检测图像特征时，确定其中多个代表检测图像特征，进一步基于匹配确定和当下检测二元组配对的参照缺陷区域支持系数。这样，以依据图像特征提取算子对当下检测二元组进行特征提取，获得多个参照检测图像特征，在多个参照检测图像特征中确定多个代表检测图像特征，基于多个代表检测图像特征确定和当下检测二元组对应的当下参照缺陷区域支持系数，采取事先迭代获得的图像特征提取算子确定当下检测二元组配对的参照缺陷区域支持系数，令配对结果具有更高的可靠性。
一种实施方案中，基于多个代表检测图像特征确定和当下检测二元组对应的当下参照缺陷区域支持系数，包括如下操作：
操作S1531：对多个代表检测图像特征进行整合，得到整合后的代表检测图像特征。
操作S1532：对整合后的代表检测图像特征进行偏心求解，得到当下参照缺陷区域支持系数。
在偏心求解时，依据对应的偏心系数（赋予的权值）完成加权。
具体而言，可以依据ReLu函数获取当下备选参照缺陷区域的参照缺陷区域支持系数，例如：
G=ReLu（aF+c）
G为参照缺陷区域支持系数，F为整合后的代表检测图像特征，a、c为事先迭代获得的参数。
通过对多个代表检测图像特征进行整合得到整合后的代表检测图像特征，对整合后的代表检测图像特征进行偏心求解，得到当下参照缺陷区域支持系数，获得的各个备选参照缺陷区域的参照缺陷区域支持系数更可靠准确，通过参照缺陷区域支持系数得到参照缺陷区域。
在获取包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像之前，本申请实施例提供的方法还包括算子迭代的操作：
操作S401：获取传感器检测图像训练模板和与传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板。
其中，缺陷区域训练模板匹配有缺陷区域指示标记。
操作S402：基于传感器检测图像训练模板及缺陷区域训练模板，对完成参数预配置的图像特征提取算子进行迭代优化，直到满足第二优化停止条件。
第二优化停止条件包括图像特征提取算子连续O轮得到的迭代代价值小于第二代价临界值，第m轮得到的迭代代价值为依据第m轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记对应的标记内容与第m轮迭代得到的参照缺陷区域支持系数确定得到，其中，m为小于O的正整数。
基于此，获取传感器检测图像训练模板和与传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，缺陷区域训练模板匹配有缺陷区域指示标记；基于传感器检测图像训练模板和缺陷区域训练模板，对完成参数预配置的图像特征提取算子进行迭代优化，在符合第二优化停止条件时停止迭代，第二优化停止条件包括图像特征提取算子连续O轮得到的迭代代价值小于第二代价临界值，依据监督迭代获取确定备选参照缺陷区域与目标缺陷区域间参照缺陷区域支持系数的算子，令确定目标缺陷区域对应的参照缺陷区域的可靠性和准确性得到提高。
基于前述的实施例，本申请实施例提供一种检测信息优化装置，该装置所包括的各单元、以及各单元所包括的各模块，可以通过计算机设备中的处理器来实现；当然也可通过具体的逻辑电路实现；在实施的过程中，处理器可以为中央处理器(Central ProcessingUnit，CPU)、微处理器(Microprocessor Unit，MPU)、数字信号处理器(Digital SignalProcessor，DSP)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等。
图2为本申请实施例提供的一种检测信息优化装置的组成结构示意图，如图2所示，检测信息优化装置200包括：
图像获取模块210，用于获取目标传感器检测图像，所述目标传感器检测图像包括待完成缺陷识别的目标缺陷区域，所述目标传感器检测图像为通过视觉传感器对目标物体进行图像采集得到；
特征提取模块220，用于获取与所述目标传感器检测图像对应的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征，所述第一图像特征用于描述所述目标传感器检测图像的图像释义信息，所述第二图像特征用于描述所述参照缺陷区域的缺陷释义信息，所述参照缺陷区域对应有物体缺陷图像；
区域备选模块230，用于依据所述第一图像特征逐一和每个所述第二图像特征进行配对以获得配对结果，依据所述配对结果在所述物体缺陷示例集的各个参照缺陷区域中获取与所述目标缺陷区域配对的不少于一个备选参照缺陷区域；
图像匹配模块240，用于对所述目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组；
匹配评估模块250，用于确定和所述检测二元组对应的参照缺陷区域支持系数；
目标确定模块260，用于依据所述参照缺陷区域支持系数在所述不少于一个备选参照缺陷区域中确定和所述目标缺陷区域对应的目标参照缺陷区域；
缺陷分类模块270，用于将所述目标参照缺陷区域对应的缺陷分类作为所述目标缺陷区域的缺陷分类。
以上装置实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。在一些实施例中，本申请实施例提供的装置具有的功能或包含的模块可以用于执行上述方法实施例描述的方法，对于本申请装置实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
需要说明的是，本申请实施例中，如果以软件功能模块的形式实现上述的应用于传感器的检测信息优化方法，并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该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方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本申请实施例不限制于任何特定的硬件、软件或固件，或者硬件、软件、固件三者之间的任意结合。
本申请实施例提供一种服务器，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法中的部分或全部步骤。所述计算机可读存储介质可以是瞬时性的，也可以是非瞬时性的。
本申请实施例提供一种计算机程序，包括计算机可读代码，在所述计算机可读代码在计算机设备中运行的情况下，所述计算机设备中的处理器执行用于实现上述方法中的部分或全部步骤。
本申请实施例提供一种计算机程序产品，所述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，所述计算机程序被计算机读取并执行时，实现上述方法中的部分或全部步骤。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一些实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一些实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
这里需要指出的是：上文对各个实施例的描述倾向于强调各个实施例之间的不同之处，其相同或相似之处可以互相参考。以上设备、存储介质、计算机程序及计算机程序产品实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请设备、存储介质、计算机程序及计算机程序产品实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。
图3为本申请实施例提供的一种服务器的硬件实体示意图，如图3所示，该服务器1000的硬件实体包括：处理器1001和存储器1002，其中，存储器1002存储有可在处理器1001上运行的计算机程序，处理器1001执行程序时实现上述任一实施例的方法中的步骤。
存储器1002存储有可在处理器上运行的计算机程序，存储器1002配置为存储由处理器1001可执行的指令和应用，还可以缓存待处理器1001以及服务器1000中各模块待处理或已经处理的数据(例如，图像数据、音频数据、语音通信数据和视频通信数据)，可以通过闪存(FLASH)或随机访问存储器(Random Access Memory，RAM)实现。
处理器1001执行程序时实现上述任一项的模型训练方法的步骤。处理器1001通常控制服务器1000的总体操作。
本申请实施例提供一种计算机存储介质，计算机存储介质存储有一个或者多个程序，该一个或者多个程序可被一个或者多个处理器执行，以实现如上任一实施例的模型训练方法的步骤。
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本申请存储介质和设备实施例中未披露的技术细节，请参照本申请方法实施例的描述而理解。上述处理器可以为目标用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(DigitalSignal Processor，DSP)、数字信号处理装置(Digital Signal Processing Device，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。可以理解地，实现上述处理器功能的电子器件还可以为其它，本申请实施例不作具体限定。
上述计算机存储介质/存储器可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器；也可以是包括上述存储器之一或任意组合的各种终端，如移动电话、计算机、平板设备、个人数字助理等。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各步骤/过程的序号的大小并不意味着执行顺序的先后，各步骤/过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本申请各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read Only Memory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个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相关技术做出贡献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方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的实施方式，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。

Claims (8)

1.一种应用于传感器的检测信息优化方法，其特征在于，应用于服务器，所述方法包括：
获取目标传感器检测图像，所述目标传感器检测图像包括待完成缺陷识别的目标缺陷区域，所述目标传感器检测图像为通过视觉传感器对目标物体进行图像采集得到；
获取与所述目标传感器检测图像对应的第一图像特征，以及获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征，所述第一图像特征用于描述所述目标传感器检测图像的图像释义信息，所述第二图像特征用于描述所述参照缺陷区域的缺陷释义信息，所述参照缺陷区域对应有物体缺陷图像；
依据所述第一图像特征逐一和每个所述第二图像特征进行配对以获得配对结果，依据所述配对结果在所述物体缺陷示例集的各个参照缺陷区域中获取与所述目标缺陷区域配对的不少于一个备选参照缺陷区域；
对所述目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组；
确定和所述检测二元组对应的参照缺陷区域支持系数；
依据所述参照缺陷区域支持系数在所述不少于一个备选参照缺陷区域中确定和所述目标缺陷区域对应的目标参照缺陷区域；
将所述目标参照缺陷区域对应的缺陷分类作为所述目标缺陷区域的缺陷分类；
其中，所述获取与所述目标传感器检测图像对应的第一图像特征，并获取物体缺陷示例集中各个参照缺陷区域各自对应的第二图像特征包括：
对所述目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，以及在所述图像切分集中设置切分标记，得到第一加载图像块集合；
依据特征提取算子对所述第一加载图像块集合进行特征提取，得到第一检测图像特征关系网，所述第一检测图像特征关系网中包括与所述第一加载图像块集合中每个图像块各自对应的检测图像特征；
在所述第一检测图像特征关系网中获取所述第一图像特征；
对每个所述参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集；
在所述缺陷图像切分集中设置切分标记，得到与所述参照缺陷区域对应的第二加载图像块集合；
在所述特征提取算子中对所述第二加载图像块集合进行特征提取，得到第二检测图像特征关系网，所述第二检测图像特征关系网中包括与所述第二加载图像块集合中每个图像块各自对应的检测图像特征；
在所述第二检测图像特征关系网中获取所述第二图像特征；
所述对所述目标传感器检测图像按照预设的像素切分区间进行切分，生成图像切分集，在所述图像切分集中设置切分标记，得到第一加载图像块集合，包括：
在所述图像切分集中确定出所述目标缺陷区域中首个像素块对应的第一图像域坐标，和所述目标缺陷区域中末个像素块对应的第二图像域坐标；
在所述第一图像域坐标之前设置第一切分标记，在所述第二图像域坐标之后设置第二切分标记，以及在所述目标传感器检测图像之前设置起始切分标记，所述目标传感器检测图像之后设置截停切分标记；
所述对每个所述参照缺陷区域对应的物体缺陷图像进行像素切分，得到缺陷图像切分集，在所述缺陷图像切分集中设置切分标记，得到与所述参照缺陷区域对应的第二加载图像块集合包括：
在所述缺陷图像切分集中确定得到所述参照缺陷区域中首个像素块对应的第三图像域坐标以及所述参照缺陷区域中末个像素块对应的第四图像域坐标；
在所述第三图像域坐标之前设置起始切分标记，以及在所述第四图像域坐标之后设置区域切分标记；
在所述区域切分标记后的多个图像块序列的首个区域标记分别对应的图像域坐标之后设置截停切分标记。
2.根据权利要求1所述的方法，其特征在于，所述依据所述第一图像特征逐一和每个所述第二图像特征进行配对以获得配对结果，依据所述配对结果在所述物体缺陷示例集的各个参照缺陷区域中获取与所述目标缺陷区域配对的不少于一个备选参照缺陷区域包括：
对所述第一图像特征进行主成分分析，得到第一压缩图像特征；
对每个所述第二图像特征分别进行主成分分析，得到多个第二压缩图像特征；
逐一获取所述第一压缩图像特征和每个所述第二压缩图像特征之间的特征相似性评分，将所述特征相似性评分确定为所述配对结果；
获得所有配对结果后，将所有所述配对结果进行整理，得到配对结果整理集；
在所述配对结果整理集中确定与所述目标缺陷区域对应的所述不少于一个备选参照缺陷区域。
3.根据权利要求1所述的方法，其特征在于，在所述获取包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像之前，所述方法还包括：
获取传感器检测图像训练模板和与所述传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，其中，所述缺陷区域训练模板匹配有缺陷区域指示标记；
基于所述传感器检测图像训练模板和所述缺陷区域训练模板对完成参数预配置的所述特征提取算子进行迭代优化，在符合第一优化停止条件时停止迭代，其中，所述第一优化停止条件包括所述特征提取算子连续K轮得到的迭代代价值小于第一代价临界值；第l轮得到的迭代代价值表征第l轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记与第l轮迭代的执行结果间的损失，其中，l为小于K的正整数；
所述基于所述传感器检测图像训练模板和所述缺陷区域训练模板对完成参数预配置的所述特征提取算子进行迭代优化，包括：
获取到第l轮的迭代结果时，在所述迭代结果中确定和所述传感器检测图像训练模板中具有的缺陷区域不配对的差异图像区域；
将所述差异图像区域融合在所述缺陷区域训练模板中，得到融合后的缺陷区域训练模板；
基于所述融合后的缺陷区域训练模板对所述特征提取算子进行新一轮的迭代。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标传感器检测图像分别和每个所述备选参照缺陷区域的物体缺陷图像进行匹配，得到检测二元组，包括：
针对每个所述备选参照缺陷区域的物体缺陷图像，分别进行：
获取当下备选参照缺陷区域的物体缺陷图像；
在所述目标传感器检测图像中所述目标缺陷区域中首个像素块所在图像域坐标之前设置第一标记，以及在所述目标缺陷区域中末个像素块所在图像域坐标之后设置第二标记；
在所述当下备选参照缺陷区域的物体缺陷图像中各个图像块序列之间设置拦截标记，所述图像块序列包括与所述当下备选参照缺陷区域对应的代表图像块序列；
在所述目标传感器检测图像与所述当下备选参照缺陷区域的物体缺陷图像之间设置整合标记，以及在所述目标传感器检测图像之前设置起始切分标记，在所述当下备选参照缺陷区域的物体缺陷图像之后设置截停切分标记，得到与所述当下备选参照缺陷区域对应的当下检测二元组；
在获取当下备选参照缺陷区域的物体缺陷图像之前，所述方法还包括：
获取与所述目标传感器检测图像对应的第一图像块序列集合和所述当下备选参照缺陷区域对应的第二图像块序列集合；
对所述第一图像块序列集合和所述第二图像块序列集合进行相似评估，得到图像块序列相似性评分；
依据所述图像块序列相似性评分在所述第二图像块序列集合中获取与所述当下备选参照缺陷区域对应的所述代表图像块序列；
所述确定和所述检测二元组对应的参照缺陷区域支持系数包括：
依据图像特征提取算子对所述当下检测二元组进行特征提取，获得多个参照检测图像特征；
在所述多个参照检测图像特征中确定多个代表检测图像特征；
基于所述多个代表检测图像特征确定和所述当下检测二元组对应的当下参照缺陷区域支持系数。
5.根据权利要求4所述的方法，其特征在于，所述基于所述多个代表检测图像特征确定和所述当下检测二元组对应的当下参照缺陷区域支持系数包括：
对所述多个代表检测图像特征进行整合，得到整合后的代表检测图像特征；
对所述整合后的代表检测图像特征进行偏心求解，获得所述当下参照缺陷区域支持系数。
6.根据权利要求4所述的方法，其特征在于，所述获取包括待完成缺陷识别的目标缺陷区域的目标传感器检测图像之前，所述方法还包括：
获取传感器检测图像训练模板和与所述传感器检测图像训练模板中具有的缺陷区域配对的缺陷区域训练模板，其中，所述缺陷区域训练模板匹配有缺陷区域指示标记；
基于所述传感器检测图像训练模板及所述缺陷区域训练模板，对完成参数预配置的所述图像特征提取算子进行迭代优化，直到满足第二优化停止条件；其中，所述第二优化停止条件包括所述图像特征提取算子连续O轮得到的迭代代价值小于第二代价临界值，其中，第m轮得到的迭代代价值为依据第m轮迭代使用的缺陷区域训练模板匹配的缺陷区域指示标记对应的标记内容与第m轮迭代得到的参照缺陷区域支持系数确定得到，其中，m为小于O的正整数。
7.一种服务器，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至6任一项所述方法中的步骤。
8.一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，该计算机程序被处理器执行时实现权利要求1至6任一项所述方法中的步骤。
CN202310435783.5A 2023-04-22 2023-04-22 应用于传感器的检测信息优化方法、服务器及介质 Active CN116152257B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310435783.5A CN116152257B (zh) 2023-04-22 2023-04-22 应用于传感器的检测信息优化方法、服务器及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310435783.5A CN116152257B (zh) 2023-04-22 2023-04-22 应用于传感器的检测信息优化方法、服务器及介质

Publications (2)

Publication Number Publication Date
CN116152257A CN116152257A (zh) 2023-05-23
CN116152257B true CN116152257B (zh) 2023-06-27

Family

ID=86354701

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310435783.5A Active CN116152257B (zh) 2023-04-22 2023-04-22 应用于传感器的检测信息优化方法、服务器及介质

Country Status (1)

Country Link
CN (1) CN116152257B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116363538B (zh) * 2023-06-01 2023-08-01 贵州交投高新科技有限公司 一种基于无人机的桥梁检测方法及系统
CN116567068B (zh) * 2023-07-10 2023-09-15 深圳比特耐特信息技术股份有限公司 一种基于大数据的信息管理方法及系统
CN116864140A (zh) * 2023-09-05 2023-10-10 天津市胸科医院 一种心内科术后护理监测数据处理方法及其系统
CN117333493B (zh) * 2023-12-01 2024-03-15 深圳市志达精密科技有限公司 一种基于机器视觉的显示器底座生产用检测系统以及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10535131B2 (en) * 2015-11-18 2020-01-14 Kla-Tencor Corporation Systems and methods for region-adaptive defect detection
CN113963216A (zh) * 2021-11-10 2022-01-21 广东电网能源发展有限公司 钢丝绳缺陷识别方法、装置、设备和介质

Also Published As

Publication number Publication date
CN116152257A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN116152257B (zh) 应用于传感器的检测信息优化方法、服务器及介质
CN109961421B (zh) 数据生成装置、数据生成方法以及数据生成记录介质
CN108898047B (zh) 基于分块遮挡感知的行人检测方法及系统
EP3220353A1 (en) Image processing apparatus, image processing method, and recording medium
CN111126393A (zh) 车辆外观改装判断方法、装置、计算机设备及存储介质
CN111046856A (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
RU2438174C1 (ru) Способ распознавания объектов
CN117173172B (zh) 一种基于机器视觉的硅胶成型效果检测方法及系统
CN116167336B (zh) 基于云计算的传感器数据加工方法、云服务器及介质
CN116168030B (zh) 极片的缺陷检测方法、装置、电子设备及存储介质
CN116958021A (zh) 基于人工智能的产品缺陷识别方法、相关装置和介质
CN115222017A (zh) 对确定图像中的预定点的机器学习方法进行训练的方法和系统
CN113469293B (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
US11645827B2 (en) Detection method and device for assembly body multi-view change based on feature matching
CN115909157A (zh) 一种基于机器视觉的识别检测方法、装置、设备及介质
CN114841255A (zh) 检测模型的训练方法、装置、设备、存储介质及程序产品
CN116091389A (zh) 基于分类模型的图像检测方法、电子设备及介质
CN110634124A (zh) 一种区域检测的方法及设备
CN112927201A (zh) 一种曲线检测方法及装置
CN116665113B (zh) 基于不确定性量化的遥感场景识别方法、系统及介质
CN111553418B (zh) 神经元重建错误的检测方法、装置和计算机设备
CN117853826B (zh) 基于机器视觉的物体表面精度识别方法及相关设备
CN117523324B (zh) 图像处理方法和图像样本分类方法、装置和存储介质
Fan et al. Application in casting defect lossless examination based on surf
CN115100424B (zh) 一种重叠烟丝组分判定方法、系统、电子设备及计算机可读存储介质

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