CN117011219A - 物品质量检测方法、装置、设备、存储介质和程序产品 - Google Patents

物品质量检测方法、装置、设备、存储介质和程序产品 Download PDF

Info

Publication number
CN117011219A
CN117011219A CN202211573241.6A CN202211573241A CN117011219A CN 117011219 A CN117011219 A CN 117011219A CN 202211573241 A CN202211573241 A CN 202211573241A CN 117011219 A CN117011219 A CN 117011219A
Authority
CN
China
Prior art keywords
detection model
training
data
trained
quality detection
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
CN202211573241.6A
Other languages
English (en)
Inventor
张博深
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202211573241.6A priority Critical patent/CN117011219A/zh
Publication of CN117011219A publication Critical patent/CN117011219A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种物品质量检测方法、装置、计算机设备、存储介质和程序产品。所述方法涉及人工智能，包括：获取待检测的物品图像数据，利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的质量检测结果。训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，第一检测模型和第二检测模型的卷积层一一对应，第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。采用本方法，可克服利用携带噪声的数据对第二检测模型的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果，提升对物品的质量检测结果准确性。

Description

物品质量检测方法、装置、设备、存储介质和程序产品
技术领域
本申请涉及人工智能技术领域，特别是涉及一种物品质量检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人工智能技术、以及生产制造行业的迅速发展，对于在生产制造过程中的工业产品的质量要求也日益提升，进而需要对生产制造过程中的工业产品进行质量检测，判断产品是否存在缺陷，以便及时发现缺陷产品，避免缺陷产品流入市场。
传统上，对于生产制造过程中的工业产品，通常需要对工业产品的表面进行图片拍摄，并对工业产品的表面拍摄图片进行特征提取、以及根据特征进行分类，确定是否存在缺陷，进而获得工业产品的质量检测结果。其中，具体可以通过训练SVM分类器、或训练基于树的分类器，进而利用训练好的分类器对当前图片是否是缺陷图像进行二分类处理，以获得质量检测结果。
然而，传统的分类方式通常是具有明确的分类界限，即图像是缺陷图像、或图像不是缺陷图像，但由于工业产品的质量检测结果不是简单的二分类，比如包括较多缺陷图像的程度较为轻微，或者某些图像由于缺陷程度十分轻微，本质上可以划分为无缺陷图像的情况等，无法通过简单的二值标签进行全面表述。同时，简单的二值标签需要人工预先标注，通常携带较多主观性，会导致预先进行的人工标注的标签带有噪声和误差数据。
因此，若利用带噪标签进行模型的训练，通常所获得的模型(或分类器)也携带噪声，会导致模型的识别、分类等性能下降，进而所利用模型获得的质量检测结果准确度也较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升对产品或物品的质量检测结果准确度的物品质量检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种物品质量检测方法。所述方法包括：
获取待检测的物品图像数据；
利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；
其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
第二方面，本申请还提供了一种物品质量检测装置。所述装置包括：
物品图像数据获取模块，用于获取待检测的物品图像数据；
质量检测结果生成模块，用于利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测的物品图像数据；
利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；
其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测的物品图像数据；
利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；
其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待检测的物品图像数据；
利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；
其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
上述物品质量检测方法、装置、计算机设备、存储介质和计算机程序产品中，根据预先标注的不含噪声数据的标准数据集训练得到第一检测模型，并利用训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练，获得训练好的质量检测模型。进一步地，通过获取待检测的物品图像数据，并利用训练好的质量检测模型，对物品图像数据进行质量检测，快速、准确获得与物品图像数据对应的质量检测结果。而由于第一检测模型和第二检测模型的卷积层一一对应，则具体是利用训练好的第一检测模型的各卷积层的权重数据，对第二检测模型中与第一检测模型中的卷积层一一对应的卷积层的权重数据进行监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果，进一步提升了对产品或物品的质量检测结果的准确度。
附图说明
图1为一个实施例中物品质量检测方法的应用环境图；
图2为一个实施例中物品质量检测方法的流程示意图；
图3为一个实施例中不同严重程度的缺陷图像示意图；
图4为一个实施例中获得与物品图像数据对应的质量检测结果的示意图；
图5为一个实施例中OK图像和缺陷图像的比对示意图；
图6为一个实施例中训练得到质量检测模型的流程示意图；
图7为一个实施例中第一检测模型的预训练过程示意图；
图8为另一个实施例中训练得到质量检测模型的流程示意图；
图9为一个实施例中获得质量检测模型的过程示意图；
图10为再一个实施例中训练得到质量检测模型的流程示意图；
图11为另一个实施例中物品质量检测方法的流程示意图；
图12为一个实施例中物品质量检测装置的结构框图；
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的物品质量检测方法，涉及人工智能技术，可应用于云技术、人工智能、智慧交通、以及辅助驾驶等各种场景。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。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，即人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。而人工智能技术作为一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术，其中，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、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。
其中，计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、检测和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。而机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习以及式教学习等技术。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的物品质量检测方法，具体涉及人工智能技术中的计算机视觉技术、以及机器学习技术等技术，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备、飞行器等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
进一步地，终端102和服务器104均可单独用于执行本申请实施例中提供的物品质量检测方法，终端102和服务器104也可协同用于执行本申请实施例中提供的物品质量检测方法。举例来说，以终端102和服务器104协同执行本申请实施例中提供的物品质量检测方法为例，服务器104通过获取待检测的物品图像数据，其中，待检测的物品图像数据可存储至终端102的本地存储中，也可存储至数据存储系统或服务器104的云端存储中，当进行需要进行物品质量检测时时，可从终端102的本地存储、数据存储系统或者服务器104的云端存储中获取。进一步地，服务器104通过利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的质量检测结果。其中，在获得质量检测结果后，进一步将质量检测结果反馈至终端102进行展示、或在服务器104的云端存储或数据存储系统中存储，以便根据质量检测结果进行进一步分析和处理，获得相应的分析或处理结果，从而根据分析或处理结果进行质量整改、以及缺陷消除等处理。
其中，训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，且第一检测模型和第二检测模型的卷积层一一对应，而第一检测模型则是根据预先标注的不含噪声数据的标准数据集训练得到的。同样地，不含噪声数据的标准数据集可存储至终端102的本地存储中，或存储至数据存储系统或服务器104的云端存储中。
在一个实施例中，如图2所示，提供了一种物品质量检测方法，以该方法由计算机设备执行为例进行说明，可以理解的是，该计算机设备可以是图1所示的终端102，也可以是服务器104，还可以是终端102服务器104所组成的系统，并通过终端102和服务器104之间的交互实现。本实施例中，该物品质量检测方法，具体包括以下步骤：
步骤S202，获取待检测的物品图像数据。
具体地，针对生产制造过程中的工业产品或物品，在投入市场应用或售卖之前，通常需要进行质量检测，在确定产品或物品满足相应的质量要求时，才允许投入市场应用或售卖。进而在生产制造过程中，获得的待检测的工业产品或物品对应的物品图像数据，可以理解为是工业产品或物品的表面拍摄图像数据，具体可以是各产品或物品在不同角度、或不同光照条件下的表面拍摄图像数据。
进一步地，由于生产制造过程中通常涉及多种不同的因素，比如环境因素、原材料因素、制造生产机器自身因素等多种不通过因素，进而在多种不同因素的影响下，并不能保证所生成得到的产品或物品均满足质量要求。
具体来说，针对不同产品或物品，可以包括多种不同严重程度的缺陷情形，如图3所示，提供了一种不同严重程度的缺陷图像示意图，参照图3可知，图3中的(a)图为OK图像(即无缺陷的图像)，图3中的(b)图为轻度缺陷图像，而图3中的(c)图则为严重缺陷图像，进而根据缺陷严重程度的不同，可获得针对不同产品或物品的质量检测结果。
步骤S204，利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的质量检测结果。其中，训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，第一检测模型和第二检测模型的卷积层一一对应，第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
具体地，通过利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的缺陷置信度数据。其中，缺陷置信度数据具体可以理解为待检测的物品图像数据属于缺陷图像的概率，举例来说，比如缺陷置信度数据为0.2，则可以理解为待检测的物品图像数据属于缺陷图像的概率为20％，又比如缺陷置信度数据为0.8，则可以理解为待检测的物品图像数据属于缺陷图像的概率为80％。
进一步地，获得与物品图像数据对应的缺陷置信度数据之后，进一步获取预设置信度阈值，并将缺陷置信度数据和预设置信度阈值进行比对，生成对应的比对结果。其中，若根据比对结果，确定缺陷置信度数据大于预设置信度阈值，则确定与物品图像数据对应的质量检测结果为缺陷物品。相反地，若根据比对结果，确定缺陷置信度数据不大于预设置信度阈值，确定与物品图像数据对应的质量检测结果为正常物品。
其中，预设置信度阈值可根据实际应用场景或者实际需求进行设置和调整，不局限于某个或某些具体取值，可以是0至1中的不同取值，比如可以是0.4、0.5、0.6、以及0.7等不同取值，根据实际应用场景的精度需求，设置不通的取值。
举例来说，比如预设置信度阈值可取0.5，则缺陷置信度数据大于预设置信度阈值0.5时，比如缺陷置信度数据为0.6，则确定与该物品图像数据对应的质量检测结果为缺陷物品。相反地，比如预设置信度阈值同样取0.5，则缺陷置信度数据不大于预设置信度阈值0.5时，比如缺陷置信度数据为0.3，则确定与该物品图像数据对应的质量检测结果为正常物品。
在一个实施例中，如图4所示，提供了一种获得与物品图像数据对应的质量检测结果的示意图，参照图4可知，通过将待检测的物品图像数据输入训练好的质量检测模型中，通过训练好的质量检测模型的全连接层输出与物品图像数据对应的缺陷置信度数据，并根据缺陷置信度数据和预设置信度阈值的比对结果，确定与物品图像数据对应的质量检测结果。
具体来说，参照图4可知，预设置信度阈值具体可取0.5，则缺陷置信度数据大于预设置信度阈值0.5时，则确定与该物品图像数据对应的质量检测结果为缺陷物品，而若确定缺陷置信度数据不大于预设置信度阈值0.5时，则确定与该物品图像数据对应的质量检测结果为正常物品。
进一步地，如图5所示，提供了一种OK图像和缺陷图像的比对示意图，参照图5可知，将待检测的物品图像数据输入训练好的质量检测模型后，通过训练好的质量检测模型的全连接层，输出与物品图像数据对应的缺陷置信度数据，进而根据缺陷置信度数据和预设置信度阈值的比对结果，确定与物品图像数据对应的质量检测结果。
具体来说，参照图5可知，比如预设置信度阈值具体取0.5，其中某一待检测物品图像数据(图5中的(a)图)对应的缺陷置信度数据为0.05，另一待检测物品图像数据(图5中的(b)图)对应的缺陷置信度数据为0.95，则由于0.05小于预设置信度阈值0.5，则缺陷置信度数据为0.05的待检测物品图像数据为OK图像(即其质量检测结果为正常物品)。同样地，由于0.95大于预设置信度阈值0.5，则缺陷置信度数据为0.95的待检测物品图像数据为缺陷图像(即其质量检测结果为缺陷物品)。
在一个实施例中，在根据训练好的质量检测模型，对待检测的物品图像数据进行质量检测之前，还包括：
根据预先标注的不含噪声数据的标准数据集训练得到第一检测模型，并利用训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练，获得训练好的质量检测模型。
其中，由于第一检测模型和第二检测模型的卷积层一一对应，则具体是利用训练好的第一检测模型的各卷积层的权重数据，分别对第二检测模型中与第一检测模型中的卷积层一一对应的卷积层的权重数据进行监督训练，从而使得第二检测模型的各卷积层的权重数据更接近第一检测模型各卷积层的权重数据，从而实现将不含噪声数据的标准数据集携带的引导信息，传导至第二检测模型中，进而克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响。
上述物品质量检测方法中，根据预先标注的不含噪声数据的标准数据集训练得到第一检测模型，并利用训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练，获得训练好的质量检测模型。进一步地，通过获取待检测的物品图像数据，并利用训练好的质量检测模型，对物品图像数据进行质量检测，快速、准确获得与物品图像数据对应的质量检测结果。而由于第一检测模型和第二检测模型的卷积层一一对应，则具体是利用训练好的第一检测模型的各卷积层的权重数据，对第二检测模型中与第一检测模型中的卷积层一一对应的卷积层的权重数据进行监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果，进一步提升了对产品或物品的质量检测结果的准确度。
在一个实施例中，如图6所示，训练得到质量检测模型的方式，具体包括以下步骤：
步骤S602，获取预先标注的标准数据集、以及携带噪声的训练样本集。
具体地，预先标注的标准数据集可以理解为通过多次标注复核的、不携带噪声的样本数据，而训练样本集则可以理解为随机采集的、携带噪声的样本数据。其中，含有噪声的训练样本集的样本数量为M，不含有噪声的标准数据集的样本数量为m，且m＜＜M。其中，由于标准数据集中的训练样本需要多次标注复核，其获取难度高于随机获取的携带噪声的样本数据，进而不含有噪声的标准数据集的样本数量应远小于噪声的训练样本集的样本数量。
其中，不携带噪声数据的标准数据集用于对第一检测模型的各第一卷积层和第一全连接层进行训练，使得第一检测模型的各第一卷积层和第一全连接层具有可靠的、不携带噪声因素的权重数据，而携带噪声的训练样本集，用于对经标准数据集训练后的第一检测模型的第一全连接层进行二次权重更新，即在利用携带噪声的训练样本集，对第一检测模型进行训练时，除第一全连接层外的其他各卷积层的权重数据固定，不进行更新。
进一步地，携带噪声的训练样本集，还用于对第二检测模型进行训练，具体是对第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据，进行更新。
步骤S604，根据标准数据集和训练样本集，对第一检测模型进行训练，获得训练好的第一检测模型。
具体地，根据标准数据集，更新第一检测模型的各第一卷积层和第一全连接层的权重数据，并利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新，获得训练好的第一检测模型。
其中，第一检测模型具有多层卷积层以及一层全连接层，不携带噪声数据的标准数据集用于对第一检测模型的各第一卷积层以及第一全连接层进行训练，更新各第一卷积层的权重数据、以及第一全连接层权重数据。而训练样本集，用于对第一检测模型的第一全连接层进行二次训练，再次更新第一全连接层的权重数据，进而在对第一全连接层以及各第一卷积层训练结束后，则获得训练好的第一检测模型。
进一步地，利用不携带噪声数据的标准数据集，对第一检测模型进行训练时，具体采用深度模型迭代训练方式，即使用标准数据集对第一检测模型进行损失函数(通常使用交叉熵的形式进行梯度反串)的计算，并通过梯度反传来更新模型的权重。其中，针对利用不携带噪声数据的标准数据集，对第一检测模型的训练完成时的模型权重可以通过以下公式(1)进行表示：
其中，xv表示标准数据集中的样本数据，表示第一检测模型中经过前n个第一卷积层进行卷积处理后的模型特征，/>表示第一检测模型中经过前n个第一卷积层进行卷积处理后，得到的模型参数，n表示需要进行训练的第一卷积层的数量(不包括最后的第一全连接层)。
进一步地，在对利用不携带噪声数据的标准数据集，对第一检测模型的训练完成时，将第一检测模型的所有卷积层(除了第一全连接层)的权重数据均固定住，并利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新。
同样地，在利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新时，同步根据训练样本集对第二检测模型进行训练，实现第一检测模型和第二检测模型的协同训练，进而达到在根据训练样本集对第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练的目的。
在一个实施例中，如图7所示，提供了一种第一检测模型的预训练过程示意图，参照图7可知，通过将不携带噪声数据的标准数据集输入第一检测模型中，通过不携带噪声数据的标准数据集实现对第一检测模型的预训练，即实现对第一检测模型的各第一卷积层以及第一全连接层的训练，并获得第一全连接层的输出概率、以及训练过程中的损失函数。
步骤S606，获取训练好的第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率。
具体地，获取训练好的第一检测模型的各第一卷积层的权重数据，以及获取二次权重更新后的第一全连接层的输出概率。其中，各第一卷积层的权重数据和第一全连接层的输出概率，用于对第二检测模型进行信息编码和监督训练。
步骤S608，根据训练样本集、各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型。
具体地，根据训练样本集对第二检测模型进行训练，且在根据训练样本集对第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型。
进一步地，在根据训练样本集对第二检测模型的训练过程中，同步利用第一检测模型的各第一卷积层的权重数据，分别对第二检测模型的各第二卷积层进行信息编码和监督训练，以及利用第一检测模型的第一全连接层的输出概率，对第二检测模型的第二连接层的输出概率，进行信息编码和监督训练，从而在确定达到训练结束条件时，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
其中，训练结束条件具体可以理解是模型训练的迭代次数达到预设次数阈值、或模型训练过程中的模型损失函数达到预设损失函数阈值，可以理解的是，当模型训练的迭代次数达到预设次数阈值时、或模型训练过程中的模型损失函数达到预设损失函数阈值时，则确定模型训练结束，并将训练结束时的第二检测模型，确定为训练好的质量检测模型。
本实施例中，通过获取预先标注的标准数据集、以及携带噪声的训练样本集。并根据标准数据集和训练样本集，对第一检测模型进行训练，获得训练好的第一检测模型。进而通过获取训练好的第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率，以根据训练样本集、各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练，从而获得训练好的质量检测模型。实现了利用第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率、以及训练样本集，对第二检测模型的监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果。
在一个实施例中，如图8所示，训练得到质量检测模型的步骤，即根据训练样本集对第二检测模型进行训练，且在根据训练样本集对第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型的步骤，具体包括：
步骤S802，根据训练样本集，对第二检测模型进行训练，更新第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据。
具体地，利用携带噪声的训练样本集，对第二检测模型进行训练，实现对第二检测模型的模型权重的更新，具体是对第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据的更新。
步骤S804，在根据训练样本集对第二检测模型的训练过程中，利用训练好的第一检测模型的各第一卷积层的权重数据，分别对第二检测模型中与第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练。
具体地，由于第一检测模型和第二检测模型的各卷积层一一对应，即每一第一卷积层设置与其对应的第二卷积层，则在根据训练样本集对第二检测模型的训练过程中，进一步利用训练好的第一检测模型的各第一卷积层的权重数据，分别对第二检测模型中与第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练。
进一步地，在第一层监督训练过程中，确定出第一检测模型的各第一卷积层的权重数据、以及第二监测模型各第二卷积层的权重数据之间的第一损失数据。其中，第一损失数据具体通过以下公式(2)进行表示：
其中，表示训练样本集中的第i个样本数据，/>表示第一检测模型输出的模型特征，/>表示第二检测模型输出的模型特征，N-1表示需要可进行比对的卷积层的特征的总数量(即除最后一层全连接层外，具体可以用于进行比对的卷积层的总数量)。其中，N-1越大，则越接近最后的全连接层，进而起到的监督作用越大，对第二检测模型的模型参数或权重等的调整更为精确。
同样地，n用于表示具体进行比对的卷积层的数量，可取不同取值，举例来说，比如是n为5，则具体是比对两个模型前5层卷积层的输出的特征，n为10，则具体是比对两个模型前10层卷积层输出的特征。
步骤S806，根据第一全连接层的输出概率，对第二全连接层的输出概率进行第二层监督训练。
具体地，通过获取经过二次权重更新的第一检测模型的第一全连接层的输出概率，以及经过训练样本集训练后的第二检测模型的第二全连接层的输出概率，并根据第一全连接层的输出概率，对第二全连接层的输出概率进行第二层监督训练。
其中，第一全连接层的输出概率和第二全连接层的输出概率/>具体通过以下公式(3)、(4)进行表示：
其中，表示训练样本集中的第i个样本数据，M表示训练样本集中的全部样本数据，θ1表示训练好的第一检测模型的模型参数，θ2表示训练好的第二检测模型的模型参数。
进一步地，在第二层监督训练过程中，确定第一全连接层的输出概率以及第二全连接层的输出概率/>之间的第二损失数据，第二损失数据/>具体通过以下公式(5)进行表示：
其中，表示训练样本集中的第i个样本数据，M表示训练样本集中的全部样本数据，/>表示第一全连接层的输出概率、/>表示第二全连接层的输出概率，/>表示计算第一全连接层的输出概率、以及第二全连接层的输出概率之间的绝对差值。
在一个实施例中，在第二层监督训练过程中，确定第一全连接层的输出概率以及第二全连接层的输出概率/>之间的第二损失数据的方式，还可以是其他分类损失函数，不局限于公式(5)所示的绝对值损失，比如还可以是L2损失函数(即平均平方损失函数)等。
步骤S808，若确定达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
具体地，通过获取第一层监督训练过程中的第一损失函数、以及第二层监督训练过程中的第二损失函数，并基于第一损失数据以及第二损失数据，确定总损失数据。
进一步地，基于第一损失数据以及第二损失数据/>确定的总损失数据L，具体通过以下公式(6)进行表示：
其中，α表示预先确定的平衡参数，可根据实际应用场景或实际需求的不同进行设置和调整，不局限于具体取值，表示训练样本集中的第i个样本数据，M表示训练样本集中的全部样本数据，总损失数据L具体是通过对多个第一损失数据/>以及乘以平衡参数α后的第二损失数据/>进行求和计算得到。其中，总损失数据L，用于对第二检测模型进行梯度反传，以更新第二检测模型的模型参数，最终获得训练好的质量检测模型。
在一个实施例中，在获得总损失数据后，进一步判断总损失数据是否达到模型训练结束条件。其中，若确定总损失数据达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
具体地，通过获取预设损失函数阈值，并将预设损失函数阈值和总损失数据进行比对，当模型训练过程中的总损失数据达到预设损失函数阈值时，则确定达到模型训练结束条件，此时模型训练结束，进而将训练结束时的第二检测模型，确定为训练好的质量检测模型。
在一个实施例中，如图9所示，提供了一种获得质量检测模型的过程示意图，参照图9可知，预先标注的不携带噪声数据的标准数据集，用于对第一检测模型进行预训练，即用于对第一检测模型的各第一卷积层和第一全连接层进行训练，使得第一检测模型的各第一卷积层和第一全连接层具有可靠的、不携带噪声因素的权重数据。而携带噪声的训练样本集，用于对经标准数据集训练后的第一检测模型的第一全连接层进行二次权重更新，即在利用携带噪声的训练样本集，对第一检测模型进行训练时，除第一全连接层外的其他各卷积层的权重数据固定，不进行更新。
进一步地，参照图9可知，在利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新时，同步根据训练样本集对第二检测模型进行训练，具体是对第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据，进行更新，以实现第一检测模型和第二检测模型的协同训练，进而达到在根据训练样本集对第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练的目的。
同样地，参照图9可知，在根据训练样本集对第二检测模型的训练过程中，同步利用第一检测模型的各第一卷积层的权重数据，分别对第二检测模型的各第二卷积层进行第一层监督训练，以及利用第一检测模型的第一全连接层的输出概率，对第二检测模型的第二连接层的输出概率，进行第二层监督训练，从而在确定达到训练结束条件时，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
其中，在第一层监督训练过程中，确定出第一检测模型的各第一卷积层的权重数据、以及第二监测模型各第二卷积层的权重数据之间的第一损失数据，以及在在第二层监督训练过程中，确定第一全连接层的输出概率以及第二全连接层的输出概率之间的第二损失数据，以进一步基于第一损失数据以及第二损失数据，确定总损失数据。而总损失数据，具体用于更新第二检测模型的模型参数，直至达到模型训练结束条件时，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
本实施例中，根据训练样本集，对第二检测模型进行训练，更新第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据，并在根据训练样本集对第二检测模型的训练过程中，利用训练好的第一检测模型的各第一卷积层的权重数据，分别对第二检测模型中与第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练，以及根据第一全连接层的输出概率，对第二全连接层的输出概率进行第二层监督训练。进一步地，若确定达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。实现了利用第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率、以及训练样本集，对第二检测模型的监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果。
在一个实施例中，如图10所示，训练得到质量检测模型的方式，具体包括以下步骤：
步骤S1001，获取预先标注的标准数据集、以及携带噪声的训练样本集。
步骤S1002，根据标准数据集，更新第一检测模型的各第一卷积层和第一全连接层的权重数据，并利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新，获得训练好的第一检测模型。
步骤S1003，获取训练好的第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率。
步骤S1004，根据训练样本集，对第二检测模型进行训练，更新第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据。
步骤S1005，在根据训练样本集对第二检测模型的训练过程中，利用训练好的第一检测模型的各第一卷积层的权重数据，分别对第二检测模型中与第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练。
步骤S1006，根据第一全连接层的输出概率，对第二全连接层的输出概率进行第二层监督训练。
步骤S1007，获取第一层监督训练过程中的第一损失函数、以及第二层监督训练过程中的第二损失函数。
步骤S1008，基于第一损失数据以及第二损失数据，确定总损失数据。
步骤S1009，若确定总损失数据达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
本实施例中，实现了利用第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率、以及训练样本集，对第二检测模型的监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果。
在一个实施例中，如图11所示，提供了一种物品质量检测方法，具体包括以下步骤：
步骤S1101，获取预先标注的标准数据集、以及携带噪声的训练样本集。
步骤S1102，根据标准数据集，更新第一检测模型的各第一卷积层和第一全连接层的权重数据，并利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新，获得训练好的第一检测模型。
步骤S1103，根据训练样本集，对第二检测模型进行训练，更新第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据。
步骤S1104，在根据训练样本集对第二检测模型的训练过程中，利用训练好的第一检测模型的各第一卷积层的权重数据，分别对第二检测模型中与第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练。
步骤S1105，在根据训练样本集对第二检测模型的训练过程中，根据第一全连接层的输出概率，对第二全连接层的输出概率进行第二层监督训练。
步骤S1106，获取第一层监督训练过程中的第一损失函数、以及第二层监督训练过程中的第二损失函数，并基于第一损失数据以及第二损失数据，确定总损失数据。
步骤S1107，若确定总损失数据达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
步骤S1108，获取待检测的物品图像数据。
步骤S1109，利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的缺陷置信度数据。
步骤S1110，获取预设置信度阈值，并将缺陷置信度数据和预设置信度阈值进行比对，生成对应的比对结果。
步骤S1111，若根据比对结果，确定缺陷置信度数据大于预设置信度阈值，确定与物品图像数据对应的质量检测结果为缺陷物品。
步骤S1112，若根据比对结果，确定缺陷置信度数据不大于预设置信度阈值，确定与物品图像数据对应的质量检测结果为正常物品。
上述物品质量检测方法中，根据预先标注的不含噪声数据的标准数据集训练得到第一检测模型，并利用训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练，获得训练好的质量检测模型。进一步地，通过获取待检测的物品图像数据，并利用训练好的质量检测模型，对物品图像数据进行质量检测，快速、准确获得与物品图像数据对应的质量检测结果。而由于第一检测模型和第二检测模型的卷积层一一对应，则具体是利用训练好的第一检测模型的各卷积层的权重数据，对第二检测模型中与第一检测模型中的卷积层一一对应的卷积层的权重数据进行监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果，进一步提升了对产品或物品的质量检测结果的准确度。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的物品质量检测方法的物品质量检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个物品质量检测装置实施例中的具体限定可以参见上文中对于物品质量检测方法的限定，在此不再赘述。
在一个实施例中，如图12所示，提供了一种物品质量检测装置，包括：物品图像数据获取模块1202、以及质量检测结果生成模块1204，其中：
物品图像数据获取模块1202，用于获取待检测的物品图像数据。
质量检测结果生成模块1204，用于利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的质量检测结果。其中，训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，第一检测模型和第二检测模型的卷积层一一对应，第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
上述物品质量检测装置中，根据预先标注的不含噪声数据的标准数据集训练得到第一检测模型，并利用训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练，获得训练好的质量检测模型。进一步地，通过获取待检测的物品图像数据，并利用训练好的质量检测模型，对物品图像数据进行质量检测，快速、准确获得与物品图像数据对应的质量检测结果。而由于第一检测模型和第二检测模型的卷积层一一对应，则具体是利用训练好的第一检测模型的各卷积层的权重数据，对第二检测模型中与第一检测模型中的卷积层一一对应的卷积层的权重数据进行监督训练，从而实现将利用不含噪声数据的标准数据集训练得到的第一检测模型的卷积层权重和输出概率，对第二检测模型进行监督训练时，可克服传统上利用携带噪声的数据对第二检测模型的训练方式，所带来的模型性能影响，使得训练所得的质量检测模型可以输出稳定、可靠的质量检测结果，进一步提升了对产品或物品的质量检测结果的准确度。
在一个实施例中，提供了一种质量检测模型训练模块，包括：
第一获取模块，用于获取预先标注的标准数据集、以及携带噪声的训练样本集；
第一检测模型训练模块，用于根据标准数据集和训练样本集，对第一检测模型进行训练，获得训练好的第一检测模型；
第二获取模块，用于获取训练好的第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率；
监督训练模块，用于根据训练样本集、各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型。
在一个实施例中，第一检测模型训练模块，还用于：根据标准数据集，更新第一检测模型的各第一卷积层和第一全连接层的权重数据，并利用训练样本集，对第一检测模型的第一全连接层进行二次权重更新，获得训练好的第一检测模型。
在一个实施例中，监督训练模块，还用于：根据训练样本集对第二检测模型进行训练，且在根据训练样本集对第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型。
在一个实施例中，监督训练模块，还用于：根据训练样本集，对第二检测模型进行训练，更新第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据；在根据训练样本集对第二检测模型的训练过程中，利用训练好的第一检测模型的各第一卷积层的权重数据，分别对第二检测模型中与第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练；根据第一全连接层的输出概率，对第二全连接层的输出概率进行第二层监督训练；若确定达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
在一个实施例中，监督训练模块，还用于：获取第一层监督训练过程中的第一损失函数、以及第二层监督训练过程中的第二损失函数；基于第一损失数据以及第二损失数据，确定总损失数据；若确定总损失数据达到模型训练结束条件，将训练结束时的第二检测模型，确定为训练好的质量检测模型。
在一个实施例中，质量检测结果生成模块，还用于：利用训练好的质量检测模型，对物品图像数据进行质量检测，获得与物品图像数据对应的缺陷置信度数据；获取预设置信度阈值，并将缺陷置信度数据和预设置信度阈值进行比对，生成对应的比对结果；若根据比对结果，确定缺陷置信度数据大于预设置信度阈值，确定与物品图像数据对应的质量检测结果为缺陷物品；若根据比对结果，确定缺陷置信度数据不大于预设置信度阈值，确定与物品图像数据对应的质量检测结果为正常物品。
上述物品质量检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图13所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待检测的物品图像数据、训练好的质量检测模型、质量检测结果、第一检测模型、第一检测模型的各卷积层的权重数据和输出概率、第二检测模型以及标准数据集等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种物品质量检测方法。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了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各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (11)

1.一种物品质量检测方法，其特征在于，所述方法包括：
获取待检测的物品图像数据；
利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；
其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
2.根据权利要求1所述的方法，其特征在于，训练得到所述质量检测模型的方式，包括：
获取预先标注的标准数据集、以及携带噪声的训练样本集；
根据所述标准数据集和所述训练样本集，对所述第一检测模型进行训练，获得训练好的第一检测模型；
获取训练好的所述第一检测模型的各第一卷积层的权重数据和第一全连接层的输出概率；
根据所述训练样本集、各第一卷积层的权重数据和第一全连接层的输出概率，对所述第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述标准数据集和所述训练样本集，对所述第一检测模型进行训练，获得训练好的第一检测模型，包括：
根据所述标准数据集，更新所述第一检测模型的各第一卷积层和第一全连接层的权重数据，并利用所述训练样本集，对所述第一检测模型的第一全连接层进行二次权重更新，获得训练好的第一检测模型。
4.根据权利要求2或3所述的方法，其特征在于，所述根据所述训练样本集、各第一卷积层的权重数据和第一全连接层的输出概率，对所述第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型，包括：
根据所述训练样本集对所述第二检测模型进行训练，且在根据所述训练样本集对所述第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对所述第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型。
5.根据权利要求4所述的方法，其特征在于，所述根据所述训练样本集对所述第二检测模型进行训练，且在根据所述训练样本集对所述第二检测模型的训练过程中，利用各第一卷积层的权重数据和第一全连接层的输出概率，对所述第二检测模型进行信息编码和监督训练，获得训练好的质量检测模型，包括：
根据所述训练样本集，对所述第二检测模型进行训练，更新所述第二检测模型的各第二卷积层的权重数据、以及第二全连接层的权重数据；
在根据所述训练样本集对所述第二检测模型的训练过程中，利用训练好的所述第一检测模型的各第一卷积层的权重数据，分别对所述第二检测模型中与所述第一卷积层一一对应的第二卷积层的权重数据，进行第一层监督训练；
根据所述第一全连接层的输出概率，对所述第二全连接层的输出概率进行第二层监督训练；
若确定达到模型训练结束条件，将训练结束时的所述第二检测模型，确定为训练好的质量检测模型。
6.根据权利要求5所述的方法，其特征在于，所述若确定达到模型训练结束条件，将训练结束时的所述第二检测模型，确定为训练好的质量检测模型，包括：
获取第一层监督训练过程中的第一损失函数、以及第二层监督训练过程中的第二损失函数；
基于所述第一损失数据以及第二损失数据，确定总损失数据；
若确定所述总损失数据达到模型训练结束条件，将训练结束时的所述第二检测模型，确定为训练好的质量检测模型。
7.根据权利要求1至3任意一项所述的方法，其特征在于，所述利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果，包括：
利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的缺陷置信度数据；
获取预设置信度阈值，并将所述缺陷置信度数据和所述预设置信度阈值进行比对，生成对应的比对结果；
若根据所述比对结果，确定所述缺陷置信度数据大于所述预设置信度阈值，确定与所述物品图像数据对应的质量检测结果为缺陷物品；
若根据所述比对结果，确定所述缺陷置信度数据不大于所述预设置信度阈值，确定与所述物品图像数据对应的质量检测结果为正常物品。
8.一种物品质量检测装置，其特征在于，所述装置包括：
物品图像数据获取模块，用于获取待检测的物品图像数据；
质量检测结果生成模块，用于利用训练好的质量检测模型，对所述物品图像数据进行质量检测，获得与所述物品图像数据对应的质量检测结果；其中，所述训练好的质量检测模型，是根据预先训练好的第一检测模型的各卷积层的权重数据和输出概率，对第二检测模型进行监督训练得到的，所述第一检测模型和所述第二检测模型的卷积层一一对应；所述第一检测模型是根据预先标注的不含噪声数据的标准数据集训练得到的。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品，包括计算机程序，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7中任一项所述的方法的步骤。
CN202211573241.6A 2022-12-08 2022-12-08 物品质量检测方法、装置、设备、存储介质和程序产品 Pending CN117011219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211573241.6A CN117011219A (zh) 2022-12-08 2022-12-08 物品质量检测方法、装置、设备、存储介质和程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211573241.6A CN117011219A (zh) 2022-12-08 2022-12-08 物品质量检测方法、装置、设备、存储介质和程序产品

Publications (1)

Publication Number Publication Date
CN117011219A true CN117011219A (zh) 2023-11-07

Family

ID=88564197

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211573241.6A Pending CN117011219A (zh) 2022-12-08 2022-12-08 物品质量检测方法、装置、设备、存储介质和程序产品

Country Status (1)

Country Link
CN (1) CN117011219A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726241A (zh) * 2024-02-18 2024-03-19 深圳市建匠工程有限公司 建筑结构质量检测方法、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726241A (zh) * 2024-02-18 2024-03-19 深圳市建匠工程有限公司 建筑结构质量检测方法、设备及存储介质
CN117726241B (zh) * 2024-02-18 2024-05-10 深圳市建匠工程有限公司 建筑结构质量检测方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113936339B (zh) 基于双通道交叉注意力机制的打架识别方法和装置
CN112966074B (zh) 一种情感分析方法、装置、电子设备以及存储介质
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN111027576B (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN114332578A (zh) 图像异常检测模型训练方法、图像异常检测方法和装置
CN113592007B (zh) 一种基于知识蒸馏的不良图片识别系统、方法、计算机及存储介质
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
CN111738054A (zh) 一种基于时空自编码器网络和时空cnn的行为异常检测方法
CN116310850B (zh) 基于改进型RetinaNet的遥感图像目标检测方法
CN115439694A (zh) 一种基于深度学习的高精度点云补全方法及装置
CN113269224A (zh) 一种场景图像分类方法、系统及存储介质
CN110111365B (zh) 基于深度学习的训练方法和装置以及目标跟踪方法和装置
CN114611617A (zh) 基于原型网络的深度领域自适应图像分类方法
CN116258990A (zh) 一种基于跨模态亲和力的小样本参考视频目标分割方法
CN117456480B (zh) 一种基于多源信息融合的轻量化车辆再辨识方法
CN117011219A (zh) 物品质量检测方法、装置、设备、存储介质和程序产品
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN116977265A (zh) 缺陷检测模型的训练方法、装置、计算机设备和存储介质
CN116958624A (zh) 指定材质的识别方法、装置、设备、介质及程序产品
CN116467930A (zh) 一种基于Transformer的结构化数据通用建模方法
CN117036843A (zh) 目标检测模型训练方法、目标检测方法和装置
CN114898339B (zh) 驾驶行为预测模型的训练方法、装置、设备、存储介质
CN116977262A (zh) 对象质量检测方法、质量检测模型的构建方法、和装置
CN112580658B (zh) 图像语义描述方法、装置、计算设备及计算机存储介质
CN116977769A (zh) 标签标注方法、图像分类模型的构建方法和图像分类方法

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