CN116664949A - 目标物缺陷检测方法、装置、设备及存储介质 - Google Patents
目标物缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116664949A CN116664949A CN202310714175.8A CN202310714175A CN116664949A CN 116664949 A CN116664949 A CN 116664949A CN 202310714175 A CN202310714175 A CN 202310714175A CN 116664949 A CN116664949 A CN 116664949A
- Authority
- CN
- China
- Prior art keywords
- defect detection
- target object
- attention
- object defect
- image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 190
- 238000001514 detection method Methods 0.000 title claims abstract description 187
- 239000003814 drug Substances 0.000 claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 46
- 229940079593 drug Drugs 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 18
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 54
- 230000004927 fusion Effects 0.000 claims description 38
- 238000000034 method Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 241000282326 Felis catus Species 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
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
-
- 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
-
- 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
-
- 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)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数字医疗领域的人工智能技术，揭露了一种目标物缺陷检测方法，包括：基于注意力编码器构建目标物缺陷检测网络，对目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型，利用目标物缺陷检测模型中的特征提取层提取待检测药品外观图像的多级图像特征，利用所述目标物缺陷检测模型中的注意力编码器对多级图像特征进行注意力增强处理，得到增强图像特征，利用目标物缺陷检测模型中的解码器对增强图像特征进行特征解码，得到目标物缺陷检测结果。本发明还涉及区块链技术，所述目标物缺陷检测结果可存储在区块链的节点中。本发明还提出一种目标物缺陷检测装置、电子设备以及可读存储介质。本发明可以提高目标物缺陷检测的准确性。
Description
技术领域
本发明涉及数字医疗技术领域，尤其涉及一种目标物缺陷检测方法、装置、电子设备及可读存储介质。
背景技术
随着人工智能的发展，基于视觉的工业缺陷检测旨在发现织物、芯片、药品乃至基建材料等各种工业制品的外观可见缺陷，这些缺陷虽然微小,却可能严重危害产品的正常功能。例如，药品外观存在缺陷，往往表示药品成分构成、含量等存在问题。
现有技术中，往往使用目标物检测网络来进行目标物检测及缺陷检查，例如，工业质检中，利用目标物检测网络对药品图像进行缺陷检测，从而判断药品外观是否存在缺陷，其中，特征编码器是目标检测器的重要组件之一，它对从主干网络提取的重要特征进行再处理并合理使用。编码器的特征提取能力直接影响目标检测器的效果。尽管多输入多输出编码器取得了巨大的成功，但需要注意的是，它使网络结构越来越复杂，内存和推理时间开销过大，这在计算性能较低的机器上是不可接受的。虽然提出了一些改进来精简网络，例如YOLOF等，然而YOLOF过于专注于减少网络结构，而忽略了一个重要问题：主干网络将在多次下采样期间丢失小目标信息，这意味着药品缺陷检测时很难覆盖小对象，使得目标物缺陷检测的局限性较大，准确性不高。
发明内容
本发明提供一种目标物缺陷检测方法、装置、电子设备及可读存储介质，其主要目的在于可以提高目标物缺陷检测的准确性。
为实现上述目的，本发明提供的一种目标物缺陷检测方法，包括：
构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征；
利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
可选地，所述构建注意力编码器，包括：
利用多头自注意力机制层替换预构建的残差块中的卷积层，得到改进残差块；
基于所述改进残差块构建注意力编码器。
可选地，所述基于所述改进残差块构建注意力编码器，包括：
在所述改进残差块后串联一层卷积层，将串联后的网络和一层卷积层进行并联，得到并联注意力编码网络；
在所述并联注意力编码网络后串联预设第一个数的卷积层及预设第二个数的残差块，得到所述注意力编码器。
可选地，所述基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型，包括：
获取预构建的包括特征提取网络、编码器及解码器的单级特征检测网络；
利用所述注意力编码器替换所述单级特征检测网络中的编码器，得到替换检测网络；
利用预构建的业务图像集合训练所述替换检测网络，得到目标物缺陷检测模型。
可选地，所述利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征，包括：
利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像；
利用所述并联注意力编码网络后的卷积层对所述初始融合特征图像进行信道特征融合，得到标准融合特征图像；
利用所述注意力编码器中预设第二个数的残差块对所述标准融合特征图像进行特征增强处理，得到增强图像特征。
可选地，所述利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像，包括：
利用所述并联注意力编码网络中包含改进残差块的分支处理所述多级图像特征中的最后一级图像特征，得到第一增强图像，并对所述第一增强图像进行上采样处理；
利用所述并联注意力编码网络中不包含改进残差块的分支处理所述多级图像特征中的倒数第二级图像特征，得到第二增强图像；
对上采样处理后的第一增强图像和所述第二增强图像进行特征融合，得到初始融合特征图像。
可选地，所述利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果，包括：
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行分类及回归处理，得到检测到的目标物及检测到的目标物对应的缺陷检测结果；
确定所述检测到的目标物及检测到的目标物对应的缺陷检测结果为所述待检测药品外观图像的目标物缺陷检测结果。
为了解决上述问题，本发明还提供一种目标物缺陷检测装置，所述装置包括：
缺陷检测模型构建模块，用于构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
特征增强模块，用于获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征，利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
目标物缺陷检测模块，用于利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的目标物缺陷检测方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的目标物缺陷检测方法。
本发明通过注意力机制重新构建注意力编码器，对于特征提取层提取的多级图像特征，注意力编码器更加关注不同阶段的特征图，不仅更加注重局部特征，并且由于添加了注意力机制块，特征的全局表示也更加丰富，有利于覆盖所有尺度对象，提高了对目标物缺陷检测的准确性。因此本发明提出的目标物缺陷检测方法、装置、电子设备及计算机可读存储介质，可以提高目标物缺陷检测的准确性。
附图说明
图1为本发明一实施例提供的目标物缺陷检测方法的流程示意图；
图2为本发明一实施例提供的目标物缺陷检测装置的功能模块图；
图3为本发明一实施例提供的实现所述目标物缺陷检测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种目标物缺陷检测方法。所述目标物缺陷检测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述目标物缺陷检测方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的目标物缺陷检测方法的流程示意图。在本实施例中，所述目标物缺陷检测方法包括以下步骤S1-S4：
S1、构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型。
本发明实施例中，所述注意力编码器采用多输入单输出的结构，包括：并联注意力编码网络、卷积层及残差块，其中，并联注意力编码网络由改进残差块和一个1×1卷积层串联，再和一个1×1卷积层并联组成。改进残差块中利用MHSA(Multi-Head Self-Attention，多头自注意力机制)层代替3×3卷积，以改进对图像特征的全局表示。
详细地，所述构建注意力编码器，包括：
利用多头自注意力机制层替换预构建的残差块中的卷积层，得到改进残差块；
基于所述改进残差块构建注意力编码器。
进一步地，所述基于所述改进残差块构建注意力编码器，包括：
在所述改进残差块后串联一层卷积层，将串联后的网络和一层卷积层进行并联，得到并联注意力编码网络；
在所述并联注意力编码网络后串联预设第一个数的卷积层及预设第二个数的残差块，得到所述注意力编码器。
本发明一可选实施例中，例如，残差块包括1×1卷积、3×3卷积及1×1卷积，利用MHSA(Multi-Head Self-Attention，多头自注意力机制)层代替3×3卷积得到改进残差块，同时在改进残差块后串联一层1×1卷积，将串联后的网络和一层1×1卷积进行并联，得到并联注意力编码网络，在并联注意力编码网络后串联一层内核为1x1的卷积(用于减少特征的信道)即一层内核为3×3、步幅为2的卷积(用来融合特征)，最后串联具有不同扩展因子的扩展卷积的四个连续残差块(用来覆盖不同尺度的对象信息)，得到所述注意力编码器。
详细地，所述基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型，包括：
获取预构建的包括特征提取网络、编码器及解码器的单级特征检测网络；
利用所述注意力编码器替换所述单级特征检测网络中的编码器，得到替换检测网络；
利用预构建的业务图像集合训练所述替换检测网络，得到目标物缺陷检测模型。
本发明一可选实施例中，所述单级特征检测网络是指YOLOF(You Only Look One-level Feature)网络，包括：特征提取网络(Backbone)、编码器(Dilated Encoder)、解码器(Decoder)。由于YOLOF中过于专注于减少网络结构，而忽略了一个重要问题：Backbone网络将在多次下采样期间丢失小目标信息，通过利用注意力编码器替换编码器构造替换检测网络，可以更好的挖掘图像特征，提高目标物缺陷检测的准确性。
本发明一可选实施例中，在医疗领域中，所述业务图像集合可以为不同种类药品的标注图像集合，通过添加MHSA块，有利于覆盖所有尺度特征对象，更好的捕捉药品外观缺陷。
S2、获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征。
本发明实施例中，所述待检测药品外观图像可以为医疗领域中待进行外观缺陷检测的图像。所述特征提取层可以为ResNet50网络等，用来提取待检测图像中多个不同尺度的特征图，包括C2、C3、C4和C5。
S3、利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征。
详细地，所述利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征，包括：
利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像；
利用所述并联注意力编码网络后的卷积层对所述初始融合特征图像进行信道特征融合，得到标准融合特征图像；
利用所述注意力编码器中预设第二个数的残差块对所述标准融合特征图像进行特征增强处理，得到增强图像特征。
本发明一可选实施例中，注意力编码器的输入来自Backbone的最后两级输出图像特征C4和C5，经过并联注意力编码网络输出图像特征M4和M5，通过上采样将M5重新缩放到与M4相同的比例，然后将M5和M4连接到相同的特征图Ocat中，得到初始融合特征图像；内核为1x1的卷积将用于减少Ocat的信道，内核为3×3、步幅为2的卷积将融合特征，并将Ocat降采样到Ofuse，即标准融合特征图像；最后使用四个连续残差块来覆盖不同尺度的对象信息并输出Oout，即增强图像特征。
具体地，所述利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像，包括：
利用所述并联注意力编码网络中包含改进残差块的分支处理所述多级图像特征中的最后一级图像特征，得到第一增强图像，并对所述第一增强图像进行上采样处理；
利用所述并联注意力编码网络中不包含改进残差块的分支处理所述多级图像特征中的倒数第二级图像特征，得到第二增强图像；
对上采样处理后的第一增强图像和所述第二增强图像进行特征融合，得到初始融合特征图像。
本发明一可选实施例中，利用并联注意力编码网络中包含改进残差块的分支处理最后一级图像特征(C5)，得到第一增强图像(M5),利用并联注意力编码网络中不包含改进残差块的分支处理倒数第二级图像特征(C4)，得到第二增强图像(M4)，通过上采样将M5重新缩放到与M4相同的比例，然后将M5和M4连接到相同的特征图Ocat中，得到初始融合特征图像。
本发明实施例中，Backbone网络的最后一个输出可能包含很多但不是所有的信息，通过注意力编码器的特征融合过程，C5由MHSA增强以用于全局表示得到M5，而M4用于细化M5的特性以增强局部细节，同时，与FPN不同，注意力编码器用不同数量的通道连接M5和M4，M4的通道数量只有M5的一半，但M5的尺寸已被放大到M4的尺寸，因此，后续的编码过程M5仍然可以受到更多关注。通过上述处理，注意力编码器基于牺牲较少的检测速度和一般计算来保留小对象的信息，可以更好地显示注意力编码器的特征，M4更加注重局部特征，并且由于添加了MHSA块，M5的全局表示更加丰富，有利于覆盖所有尺度对象，通过将M4和M5融合到Ofuse，不同尺度的物体信息集中在同一个特征图中，极大提高了对于药品外观缺陷等小目标物检测的准确性。
S4、利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
详细地，所述利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果，包括：
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行分类及回归处理，得到检测到的目标物及检测到的目标物对应的缺陷检测结果；
确定所述检测到的目标物及检测到的目标物对应的缺陷检测结果为所述待检测药品外观图像的目标物缺陷检测结果。
本发明实施例中，解码器Decoder使用两个平行分支，一个平行分支用于回归定位，确定检测到的目标物，另一个分支用于分类，确定对应的缺陷检测结果。其中回归可以使用4个卷积+BN+RELU的结构，分类可以使用2个卷积+BN+RELU的结构。
本发明通过注意力机制重新构建注意力编码器，对于特征提取层提取的多级图像特征，注意力编码器更加关注不同阶段的特征图，不仅更加注重局部特征，并且由于添加了注意力机制块，特征的全局表示也更加丰富，有利于覆盖所有尺度对象，提高了对目标物缺陷检测的准确性。因此本发明提出的目标物缺陷检测方法，可以提高目标物缺陷检测的准确性。
如图2所示，是本发明一实施例提供的目标物缺陷检测装置的功能模块图。
本发明所述目标物缺陷检测装置100可以安装于电子设备中。根据实现的功能，所述目标物缺陷检测装置100可以包括缺陷检测模型构建模块101、特征增强模块102及目标物缺陷检测模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述缺陷检测模型构建模块101，用于构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
所述特征增强模块102，用于获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征，利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
所述目标物缺陷检测模块103，用于利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
详细地，所述目标物缺陷检测装置100各模块的具体实施方式如下：
步骤一、构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型。
本发明实施例中，所述注意力编码器采用多输入单输出的结构，包括：并联注意力编码网络、卷积层及残差块，其中，并联注意力编码网络由改进残差块和一个1×1卷积层串联，再和一个1×1卷积层并联组成。改进残差块中利用MHSA(Multi-Head Self-Attention，多头自注意力机制)层代替3×3卷积，以改进对图像特征的全局表示。
详细地，所述构建注意力编码器，包括：
利用多头自注意力机制层替换预构建的残差块中的卷积层，得到改进残差块；
基于所述改进残差块构建注意力编码器。
进一步地，所述基于所述改进残差块构建注意力编码器，包括：
在所述改进残差块后串联一层卷积层，将串联后的网络和一层卷积层进行并联，得到并联注意力编码网络；
在所述并联注意力编码网络后串联预设第一个数的卷积层及预设第二个数的残差块，得到所述注意力编码器。
本发明一可选实施例中，例如，残差块包括1×1卷积、3×3卷积及1×1卷积，利用MHSA(Multi-Head Self-Attention，多头自注意力机制)层代替3×3卷积得到改进残差块，同时在改进残差块后串联一层1×1卷积，将串联后的网络和一层1×1卷积进行并联，得到并联注意力编码网络，在并联注意力编码网络后串联一层内核为1x1的卷积(用于减少特征的信道)即一层内核为3×3、步幅为2的卷积(用来融合特征)，最后串联具有不同扩展因子的扩展卷积的四个连续残差块(用来覆盖不同尺度的对象信息)，得到所述注意力编码器。
详细地，所述基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型，包括：
获取预构建的包括特征提取网络、编码器及解码器的单级特征检测网络；
利用所述注意力编码器替换所述单级特征检测网络中的编码器，得到替换检测网络；
利用预构建的业务图像集合训练所述替换检测网络，得到目标物缺陷检测模型。
本发明一可选实施例中，所述单级特征检测网络是指YOLOF(You Only Look One-level Feature)网络，包括：特征提取网络(Backbone)、编码器(Dilated Encoder)、解码器(Decoder)。由于YOLOF中过于专注于减少网络结构，而忽略了一个重要问题：Backbone网络将在多次下采样期间丢失小目标信息，通过利用注意力编码器替换编码器构造替换检测网络，可以更好的挖掘图像特征，提高目标物缺陷检测的准确性。
本发明一可选实施例中，在医疗领域中，所述业务图像集合可以为不同种类药品的标注图像集合，通过添加MHSA块，有利于覆盖所有尺度特征对象，更好的捕捉药品外观缺陷。
步骤二、获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征。
本发明实施例中，所述待检测药品外观图像可以为医疗领域中待进行外观缺陷检测的图像。所述特征提取层可以为ResNet50网络等，用来提取待检测图像中多个不同尺度的特征图，包括C2、C3、C4和C5。
步骤三、利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征。
详细地，所述利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征，包括：
利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像；
利用所述并联注意力编码网络后的卷积层对所述初始融合特征图像进行信道特征融合，得到标准融合特征图像；
利用所述注意力编码器中预设第二个数的残差块对所述标准融合特征图像进行特征增强处理，得到增强图像特征。
本发明一可选实施例中，注意力编码器的输入来自Backbone的最后两级输出图像特征C4和C5，经过并联注意力编码网络输出图像特征M4和M5，通过上采样将M5重新缩放到与M4相同的比例，然后将M5和M4连接到相同的特征图Ocat中，得到初始融合特征图像；内核为1x1的卷积将用于减少Ocat的信道，内核为3×3、步幅为2的卷积将融合特征，并将Ocat降采样到Ofuse，即标准融合特征图像；最后使用四个连续残差块来覆盖不同尺度的对象信息并输出Oout，即增强图像特征。
具体地，所述利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像，包括：
利用所述并联注意力编码网络中包含改进残差块的分支处理所述多级图像特征中的最后一级图像特征，得到第一增强图像，并对所述第一增强图像进行上采样处理；
利用所述并联注意力编码网络中不包含改进残差块的分支处理所述多级图像特征中的倒数第二级图像特征，得到第二增强图像；
对上采样处理后的第一增强图像和所述第二增强图像进行特征融合，得到初始融合特征图像。
本发明一可选实施例中，利用并联注意力编码网络中包含改进残差块的分支处理最后一级图像特征(C5)，得到第一增强图像(M5),利用并联注意力编码网络中不包含改进残差块的分支处理倒数第二级图像特征(C4)，得到第二增强图像(M4)，通过上采样将M5重新缩放到与M4相同的比例，然后将M5和M4连接到相同的特征图Ocat中，得到初始融合特征图像。
本发明实施例中，Backbone网络的最后一个输出可能包含很多但不是所有的信息，通过注意力编码器的特征融合过程，C5由MHSA增强以用于全局表示得到M5，而M4用于细化M5的特性以增强局部细节，同时，与FPN不同，注意力编码器用不同数量的通道连接M5和M4，M4的通道数量只有M5的一半，但M5的尺寸已被放大到M4的尺寸，因此，后续的编码过程M5仍然可以受到更多关注。通过上述处理，注意力编码器基于牺牲较少的检测速度和一般计算来保留小对象的信息，可以更好地显示注意力编码器的特征，M4更加注重局部特征，并且由于添加了MHSA块，M5的全局表示更加丰富，有利于覆盖所有尺度对象，通过将M4和M5融合到Ofuse，不同尺度的物体信息集中在同一个特征图中，极大提高了对于药品外观缺陷等小目标物检测的准确性。
步骤四、利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
详细地，所述利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果，包括：
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行分类及回归处理，得到检测到的目标物及检测到的目标物对应的缺陷检测结果；
确定所述检测到的目标物及检测到的目标物对应的缺陷检测结果为所述待检测药品外观图像的目标物缺陷检测结果。
本发明实施例中，解码器Decoder使用两个平行分支，一个平行分支用于回归定位，确定检测到的目标物，另一个分支用于分类，确定对应的缺陷检测结果。其中回归可以使用4个卷积+BN+RELU的结构，分类可以使用2个卷积+BN+RELU的结构。
本发明通过注意力机制重新构建注意力编码器，对于特征提取层提取的多级图像特征，注意力编码器更加关注不同阶段的特征图，不仅更加注重局部特征，并且由于添加了注意力机制块，特征的全局表示也更加丰富，有利于覆盖所有尺度对象，提高了对目标物缺陷检测的准确性。因此本发明提出的目标物缺陷检测装置，可以提高目标物缺陷检测的准确性。
如图3所示，是本发明一实施例提供的实现所述目标物缺陷检测方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如目标物缺陷检测程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如目标物缺陷检测程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如目标物缺陷检测程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的目标物缺陷检测程序是多个指令的组合，在所述处理器10中运行时，可以实现：
构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征；
利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元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，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征；
利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，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。
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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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。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模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
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限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种目标物缺陷检测方法，其特征在于，所述方法包括：
构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征；
利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
2.如权利要求1所述的目标物缺陷检测方法，其特征在于，所述构建注意力编码器，包括：
利用多头自注意力机制层替换预构建的残差块中的卷积层，得到改进残差块；
基于所述改进残差块构建注意力编码器。
3.如权利要求2所述的目标物缺陷检测方法，其特征在于，所述基于所述改进残差块构建注意力编码器，包括：
在所述改进残差块后串联一层卷积层，将串联后的网络和一层卷积层进行并联，得到并联注意力编码网络；
在所述并联注意力编码网络后串联预设第一个数的卷积层及预设第二个数的残差块，得到所述注意力编码器。
4.如权利要求1中所述的目标物缺陷检测方法，其特征在于，所述基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型，包括：
获取预构建的包括特征提取网络、编码器及解码器的单级特征检测网络；
利用所述注意力编码器替换所述单级特征检测网络中的编码器，得到替换检测网络；
利用预构建的业务图像集合训练所述替换检测网络，得到目标物缺陷检测模型。
5.如权利要求3所述的目标物缺陷检测方法，其特征在于，所述利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征，包括：
利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像；
利用所述并联注意力编码网络后的卷积层对所述初始融合特征图像进行信道特征融合，得到标准融合特征图像；
利用所述注意力编码器中预设第二个数的残差块对所述标准融合特征图像进行特征增强处理，得到增强图像特征。
6.如权利要求5中所述的目标物缺陷检测方法，其特征在于，所述利用所述注意力编码器中的并联注意力编码网络对所述多级图像特征中的最后两级图像特征进行特征融合，得到初始融合特征图像，包括：
利用所述并联注意力编码网络中包含改进残差块的分支处理所述多级图像特征中的最后一级图像特征，得到第一增强图像，并对所述第一增强图像进行上采样处理；
利用所述并联注意力编码网络中不包含改进残差块的分支处理所述多级图像特征中的倒数第二级图像特征，得到第二增强图像；
对上采样处理后的第一增强图像和所述第二增强图像进行特征融合，得到初始融合特征图像。
7.如权利要求1所述的目标物缺陷检测方法，其特征在于，所述利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果，包括：
利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行分类及回归处理，得到检测到的目标物及检测到的目标物对应的缺陷检测结果；
确定所述检测到的目标物及检测到的目标物对应的缺陷检测结果为所述待检测药品外观图像的目标物缺陷检测结果。
8.一种目标物缺陷检测装置，其特征在于，所述装置包括：
缺陷检测模型构建模块，用于构建注意力编码器，基于所述注意力编码器构建目标物缺陷检测网络，对所述目标物缺陷检测网络进行模型训练，得到目标物缺陷检测模型；
特征增强模块，用于获取待检测药品外观图像，利用所述目标物缺陷检测模型中的特征提取层提取所述待检测药品外观图像的多级图像特征，利用所述目标物缺陷检测模型中的注意力编码器对所述多级图像特征进行注意力增强处理，得到增强图像特征；
目标物缺陷检测模块，用于利用所述目标物缺陷检测模型中的解码器对所述增强图像特征进行特征解码，得到所述待检测药品外观图像的目标物缺陷检测结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的目标物缺陷检测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的目标物缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714175.8A CN116664949A (zh) | 2023-06-15 | 2023-06-15 | 目标物缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714175.8A CN116664949A (zh) | 2023-06-15 | 2023-06-15 | 目标物缺陷检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116664949A true CN116664949A (zh) | 2023-08-29 |
Family
ID=87709577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310714175.8A Pending CN116664949A (zh) | 2023-06-15 | 2023-06-15 | 目标物缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116664949A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173182A (zh) * | 2023-11-03 | 2023-12-05 | 厦门微亚智能科技股份有限公司 | 基于编码解码网络的缺陷检测方法、系统、设备及介质 |
-
2023
- 2023-06-15 CN CN202310714175.8A patent/CN116664949A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117173182A (zh) * | 2023-11-03 | 2023-12-05 | 厦门微亚智能科技股份有限公司 | 基于编码解码网络的缺陷检测方法、系统、设备及介质 |
| CN117173182B (zh) * | 2023-11-03 | 2024-03-19 | 厦门微亚智能科技股份有限公司 | 基于编码解码网络的缺陷检测方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112465060A (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN112990374B (zh) | 图像分类方法、装置、电子设备及介质 | |
| CN111932547A (zh) | 图像中目标物的分割方法、装置、电子设备及存储介质 | |
| CN116664949A (zh) | 目标物缺陷检测方法、装置、设备及存储介质 | |
| CN112579621A (zh) | 数据展示方法、装置、电子设备及计算机存储介质 | |
| CN115205225A (zh) | 医学图像识别模型的训练方法、装置、设备及存储介质 | |
| CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
| CN115600644A (zh) | 多任务处理方法、装置、电子设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN112101481B (zh) | 目标物的影响因子筛选方法、装置、设备及存储介质 | |
| CN112347739A (zh) | 适用规则分析方法、装置、电子设备及存储介质 | |
| CN116705345A (zh) | 医疗实体标注方法、装置、设备及存储介质 | |
| CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
| CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
| CN116630712A (zh) | 基于模态组合的信息分类方法、装置、电子设备及介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN116188189A (zh) | 数据对账方法、装置、设备及介质 | |
| CN113706019B (zh) | 基于多维数据的业务能力分析方法、装置、设备及介质 | |
| CN112215336B (zh) | 基于用户行为的数据标注方法、装置、设备及存储介质 | |
| CN113221888B (zh) | 车牌号管理系统测试方法、装置、电子设备及存储介质 | |
| CN113419951B (zh) | 人工智能模型优化方法、装置、电子设备及存储介质 | |
| CN112580505B (zh) | 网点开关门状态识别方法、装置、电子设备及存储介质 | |
| CN113806540A (zh) | 文本打标签方法、装置、电子设备及存储介质 |
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 |