CN117132174B - 一种应用于工业流水线质量检测的模型训练方法与系统 - Google Patents
一种应用于工业流水线质量检测的模型训练方法与系统 Download PDFInfo
- Publication number
- CN117132174B CN117132174B CN202311396010.7A CN202311396010A CN117132174B CN 117132174 B CN117132174 B CN 117132174B CN 202311396010 A CN202311396010 A CN 202311396010A CN 117132174 B CN117132174 B CN 117132174B
- Authority
- CN
- China
- Prior art keywords
- product
- sample
- quality inspection
- inspected
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000007689 inspection Methods 0.000 claims abstract description 217
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 49
- 238000012545 processing Methods 0.000 claims description 47
- 238000003860 storage Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000004064 recycling Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000009776 industrial production Methods 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000000919 ceramic Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011027 product recovery Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种应用于工业流水线质量检测的模型训练方法与系统,涉及视觉识别技术领域。该方法应用于检测平台,该方法包括:由样本产品的多个产品类别,从联网的预设模型数据库中匹配出目标质检模型,然后再获取工业流水线上多个样本产品各自对应的样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,从而完成样本产品的质检模型的训练过程,该过程无需再重新训练一个全新的质检模型,大大降低了新产品对应的质检模型的训练时间,不仅降低了质检工作的时间成本,并且无需技术工人具有较高的专业能力即可完成质检模型的训练,对于大部分中小型工厂而言具备更高的适应性。
Description
技术领域
本申请涉及视觉识别技术领域,具体涉及一种基于图像识别的工业流水线质量检测方法与系统。
背景技术
随着人工智能的快速发展,大量的产品逐渐趋向于自动化生产,同时促进了无人化工厂的大规模普及。
目前,针对于产品的质量检测主要采用视觉质检,其通过在质检产线上设置用于拍摄产品图像的摄像头,质检平台通过将拍摄的待质检产品的产品图像输入至预先训练好的质检模型中,最后根据质检模型的输出结果确定待质检产品是否合格。
然而,当需要进行新产品的质检工作时,需要对新产品进行采样训练质检模型,这个过程将会花费大量的时间;对于中小型企业来说,往往会存在许多种类的新产品的质检工作,而训练质检模型花费的大量时间会大大增加质检工作的时间成本。
发明内容
针对中小型企业来说,往往会存在许多种类的新产品的质检工作,而训练质检模型花费的大量时间会大大增加质检工作的时间成本的问题,本申请提供了一种应用于工业流水线质量检测的模型训练方法与系统。
第一方面,本申请提供一种应用于工业流水线质量检测的模型训练方法,应用于检测平台,方法包括:获取样本产品的多个产品类别;将多个产品类别与预设模型数据库进行匹配,得到多个第一质检模型以及多个第一质检模型各自对应的匹配度值;遍历多个匹配度值中的最大值,将匹配度值为最大值对应的第一质检模型作为目标质检模型,目标质检模型包括产品类别与质检模型之间的对应关系;获取工业流水线上多个样本产品各自对应的样本图像;将多张样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,当目标质检模型的损失函数值小于或等于预设损失函数阈值,则确定目标质检模型训练完成,此时停止训练,产品标签为合格标签或不合格标签。
通过采用上述技术方案,由样本产品的多个产品类别,从联网的预设模型数据库中匹配出目标质检模型,此时目标质检模型经过样本产品的多个产品类型筛选已经完成了大部分具备样本产品特点的训练集的训练,仅需再将目标质检模型根据样本产品的新的产品特点进行进一步训练即可;然后再获取工业流水线上多个样本产品各自对应的样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,从而完成样本产品的质检模型的训练过程,该过程无需再重新训练一个全新的质检模型,大大降低了新产品对应的质检模型的训练时间,不仅降低了质检工作的时间成本,并且无需技术工人具有较高的专业能力即可完成质检模型的训练,对于大部分中小型工厂而言具备更高的适应性。
第二方面,本申请提供一种应用于工业流血线质量检测的模型训练装置,系统为检测平台,检测平台包括获取模块与处理模块,其中:
获取模块,用于获取样本产品的多个产品类别;
处理模块,用于将多个产品类别与预设模型数据库进行匹配,得到多个第一质检模型以及多个第一质检模型各自对应的匹配度值;遍历多个匹配度值中的最大值,将匹配度值为最大值对应的第一质检模型作为目标质检模型,目标质检模型包括产品类别与质检模型之间的对应关系;
获取模块,还用于获取工业流水线上多个样本产品各自对应的样本图像;
处理模块,还用于将多张样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,当目标质检模型的损失函数值小于或等于预设损失函数阈值,则确定目标质检模型训练完成,此时停止训练,产品标签为合格标签或不合格标签。
可选的,处理模块将多个产品类别与预设产品类别等级库进行匹配,得到多个产品类别各自对应的产品等级;基于多个产品类别各自对应的产品等级,按照预设比例为每个产品等级划分对应的产品类别数量;将多个产品类别与预设模型数据库进行匹配,得到多个第二质检模型;基于每个产品等级划分对应的产品类别数量,从多个第二质检模型筛选出多个第一质检模型。
通过采用上述技术方案,将样本产品的多个产品类别与预设产品类别等级库进行匹配,得到多个产品类别各自对应的产品等级,从而确定样本产品的多个产品类型的上下级关系;然后按照预设比例为每个产品等级划分对应的产品类别数量,最后根据个产品等级划分对应的产品类别数量从多个第二质检模型筛选出多个第一质检模型,从而使得匹配度值最高的第一质检模型所质检产品的多个产品类型不会过于集中同一属性,提升第一质检模型所质检产品的多个产品类型在样本产品的多个产品类型的占比。
可选的,获取模块获取目标质检模型的样本训练比例;统计第一样本图像的数量以及第二样本图像的数量,第一样本图像为产品标签为合格标签的样本图像,第二样本图像为产品标签为不合格标签的样本图像;处理模块计算第一样本图像的数量与第二样本图像的数量的样本数量比值;若样本训练比值等于样本训练比例,且第一样本图像的数量大于或等于预设第一数量阈值,第二样本图像的数量大于或等于预设第二数量阈值,则获取多张第一样本图像与多张第二样本图像。
通过采用上述技术方案,由于目标质检模型并非根据样本产品训练而来,因此在采集样本产品的图像作为训练集时,通过统计作为正样本的第一样本图像的数量与作为负样本的第二样本图像的数量,然后计算正样本与负样本的样本数量比值,当样本数量比值与目标质检模型一致时,此时停止样本图像采集,将采集的第一样本图像与第二样本作为目标质检模型的训练集,由此与目标质检模型的样本训练比例贴合,从而提升目标质检模型的效率以及准确率。
可选的,获取模块获取待质检产品的产品图像;处理模块将产品图像输入至目标质检模型中,得到待质检产品对应的产品标签;若待质检产品对应的产品标签为合格标签,则允许待质检产品进入下一工序;若待质检产品对应的产品标签为不合格标签,则将待质检产品流入不良品流水线进行精准检测。
通过采用上述技术方案,在完成目标质检模型的训练后,由于样本产品在真实生产的过程存在诸多因素影响样本产品的各项参数,因此,为了进一步提升目标质检模型对样本产品的质检准确性,通过对不合格的待质检产品进行精准检测,从而减少误检的情况发生。
可选的,获取模块响应于用户对待质检产品的标记操作,标记为通过标记或不通过标记;若待质检产品的标记为通过标记,则确定待质检产品为合格产品,处理模块将待质检产品对应的产品标签由不合格标签修改为合格标签,并允许待质检产品进入下一工序;若待质检产品的标记为不通过标记,则确定待质检产品为不合格产品,则对待质检产品进行回收处理。
通过采用上述技术方案,对于目标质检模型检测不合格的待质检产品,若技术人员判断其为合格产品,则可以确定目标质检模型识别错误,此时将待质检产品有不合格标记更改为合格标记,并针对后续质检的类似的待质检产品判断为合格产品,从而防止误检的情况发生。
可选的,获取模块获取具有通过标记的待质检产品的样本图像;
处理模块将具有通过标记的待质检产品的样本图像及其对应的合格标签输入至目标质检模型进行模型训练,直至确定目标质检模型训练完成。
通过采用上述技术方案,针对于目标质检模型质检错误的待质检产品,通过采集其样本图像,并将样本图像作为训练集输入至目标质检模型进行训练,从而提升目标质检模型的质检精准度。
可选的,将多张样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练之前,方法还包括:获取模块将多张样本图像以及多张样本图像各自对应的产品标签作为训练样本集;处理模块计算训练样本集的样本总量;将训练样本集的样本总量与预设损失函数值阈值库进行匹配,得到预设损失函数阈值,预设损失函数值阈值库包括样本总量与损失函数值阈值之间的对应关系。
通过采用上述技术方案,由于目标质检模型原始的损失函数阈值只有针对其原始的训练样本量才具有较好的训练效果,此时计算需要新训练的多张样本图像以及多张样本图像各自对应的产品标签的样本总量,再根据样本总量重新设置目标质检模型的损失函数值,从而避免目标质检模型过拟合或训练不足。
第三方面,本申请提供一种电子设备,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如第一方面中任意一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质存储有指令,当所述指令被执行时,执行如第一方面中任意一项所述的方法。
综上所述,本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、由样本产品的多个产品类别,从联网的预设模型数据库中匹配出目标质检模型,此时目标质检模型经过样本产品的多个产品类型筛选已经完成了大部分具备样本产品特点的训练集的训练,仅需再将目标质检模型根据样本产品的新的产品特点进行进一步训练即可;然后再获取工业流水线上多个样本产品各自对应的样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,从而完成样本产品的质检模型的训练过程,该过程无需再重新训练一个全新的质检模型,大大降低了新产品对应的质检模型的训练时间,不仅降低了质检工作的时间成本,并且无需技术工人具有较高的专业能力即可完成质检模型的训练,对于大部分中小型工厂而言具备更高的适应性
2、将样本产品的多个产品类别与预设产品类别等级库进行匹配,得到多个产品类别各自对应的产品等级,从而确定样本产品的多个产品类型的上下级关系;然后按照预设比例为每个产品等级划分对应的产品类别数量,最后根据个产品等级划分对应的产品类别数量从多个第二质检模型筛选出多个第一质检模型,从而使得匹配度值最高的第一质检模型所质检产品的多个产品类型不会过于集中同一属性,提升第一质检模型所质检产品的多个产品类型在样本产品的多个产品类型的占比。
附图说明
图1是本申请实施例提供的一种应用于工业流水线质量检测的模型训练方法的流程示意图。
图2是本申请实施例提供的一种工业流水线的采样示意图。
图3是本申请实施例提供的一种应用于工业流水线质量检测的模型训练系统的结构示意图。
图4是本申请实施例提供的一种电子设备的结构示意图。
附图标记说明:301、获取模块;302、处理模块;400、电子设备;401、处理器;402、通信总线;403、用户接口;404、网络接口;405、存储器。
具体实施方式
为了使本领域的技术人员更好地理解本说明书中的技术方案,下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。
在本申请实施例的描述中,“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
随着科技的高速发展,生产力也大幅度提升。许多需要大量人力的工作逐渐由机器替代,在该背景下,无人化工厂的大规模普及已经成为一种必然趋势。
目前,工厂在自动化产线中检测某件产品是否合格时主要采用视觉检测,视觉检测可以理解为用机器人代替人眼做测量和判断,其通过机器视觉产品,即图像摄取装置,将被摄取目标转换成图像信号,然后图像摄取装置将图像信号传输给专用的图像处理系统,图像处理系统根据像素分布、亮度以及颜色等信息,将图像信号转变成数字化信号;图像处理系统对数字化信号进行各种运算来抽取被摄取目标的特征,进而根据判别的结果来确定被摄取目标是否为合格产品,并控制现场的设备动作。该机制造就了视觉检测在检测缺陷和防止缺陷产品被配送到消费者的功能方面具有不可估量的价值。
上述视觉检测的功能实现离不开一个训练效果较好的质检模型,通过将抽取的被摄取目标的特征输入至质检模型中,质检模型根据已经学习的合格产品对应的特征与不合格产品对应的特征,从而判断出被摄取目标是否为合格品。
然而,对于中小型企业来说,由于产能有限,无法满足大批量订单的供应,因此大部分中小型企业选择小批量的订单,而小批量订单也意味着需要承接多个种类的新产品的质检工作,此时则需要重新对新产品进行采样训练质检模型,这个过程将花费大量的时间,从而大大增加了质检工作的时间成本。
为了解决上述技术问题,本申请提供一种应用于工业流水线质量检测的模型训练方法,该方法应用于检测平台,如图1所示,该方法包括步骤S101至步骤S105。
S101、获取样本产品的多个产品类别。
在上述步骤中,对于即将需要检测的样本产品,由技术人员对样本产品的产品类别进行标记,当然也可将样本产品的产品名称与预设的产品类别库进行匹配,借助于预设的产品类别库内存储的产品名称与产品类别之间的对应关系,从而快速为样本产品进行产品类别的标记。产品类别可以理解为产品的属性,举例来说,以杯子为例,多个产品类别可以为塑料杯、小杯、儿童水杯、圆形以及xx品牌等。
S102、将多个所述产品类别与所述预设模型数据库进行匹配,得到多个第一质检模型以及多个所述第一质检模型各自对应的匹配度值。
在上述步骤中,样本产品对应的多个产品类别反映了样本产品的唯一性,可以理解的是产品类别的数量越多则唯一性则越强。因此,基于该特性将样本产品的多个产品类别与预设模型数据库进行匹配,从而得到目标质检模型,预设模型数据库存储有大量的质检模型,并根据每种质检模型的质检对象,将质检对象的产品类别与质检模型构建为对应关系;质检模型可以理解为根据产品图像判断产品是否合格的神经网络模型。由于预设模型数据库中的质检模型并非根据样本产品训练而来,因此将样本产品的多个产品类别与预设模型数据库进行匹配后,可以得到了多个与样本产品的多个产品类别相似的第一质检模型以及多个第一质检模型各自对应的产品类型与样本产品的多个产品类别的匹配度值。
例如,杯子为例,多个产品类别可以为塑料杯、小杯、儿童水杯以及圆形。则多个第一质检模型中可能存在一个第一质检模型对应的产品类型为陶瓷杯、小杯、儿童保温杯以及圆形。而多个第一质检模型中可能存在另一个第一质检模型对应的产品类型为不锈钢杯、小杯、儿童保温杯以及圆形。
S103、遍历多个匹配度值中的最大值,将匹配度值为最大值对应的第一质检模型作为所述目标质检模型,所述目标质检模型包括产品类别与质检模型之间的对应关系。
在上述步骤中,为了提升目标质检模型与样本产品的相关性,遍历多个第一质检模型的匹配度值,将匹配度值为最大值对应的第一质检模型作为目标质检模型。
此外,由于样本产品的多个产品类别中可能存在多个同属性的产品类别,例如,以杯子为例,咖啡杯与马克杯。因此,目标质检模型质检的产品的产品类型可能包含样本产品的多个同属性产品类别。为了使目标质检模型能够针对样本产品的各项属性质检更加全面。因此,将样本产品的多个产品类别与预设产品类别等级库进行匹配,得到多个产品类别各自对应的产品等级,产品等级可以理解为产品属性的上下级关系,上级产品属性包含下级产品属性,产品属性的上下级关系由人工定义并存储在预设产品类别等级库中。例如,以杯子为例,若杯子对的多个产品类型为陶瓷杯、咖啡杯、马克杯、圆形水杯、小杯,中杯,会议水杯,此时,圆形水杯为小杯与中杯的上级,小杯与中杯为会议水杯上级,会议水杯为陶瓷杯上级,陶瓷杯为咖啡杯与马克杯的上级。此时再基于多个产品类别各自对应的产品等级,按照预设比例为每个产品等级划分对应的产品类别数量。预设比例可以理解为可以体现样本产品多个属性特点的每种产品等级对应产品类别的数量,以上述杯子为例,杯子包含了5个产品等级,第一等级为圆形水杯、第二等级为中杯与小杯、第三等级为会议水杯、第四等级为陶瓷杯、第五等级为咖啡杯与马克杯。此时,第一等级对应的产品类别数量为1,第二产品等级对应的产品类别数量为1,第三产品等级对应的产品类别数量为1,第四产品等级对应的产品类别数量为1,第五产品等级对应的产品类别数量为2。然后,将样本产品的多个产品等级与预设模型数据库匹配,得到多个第二质检模型,然后根据多个产品等级各自对应的数量,从多个第二质检模型中筛选出多个第一质检模型,此时,第一质检模型质检产品的产品类型至少包含样本产品的多个产品等级各自对应的数量,从而使得第一质检模型能够充分反映样本产品的各项属性特点。
S104、获取工业流水线上多个样本产品各自对应的样本图像。
在上述步骤中,在确定目标质检模型后,由于目标质检模型并非根据样本产品训练而来,因此无法直接使用目标质检模型质检样本产品是否合格。此时,在任意一条工业流水线上随机流入多个样本产品,在该工业流水线上包含样本产品以及其它产品,并且在工业流水线安装有取样的取样摄像头。当取样摄像头拍摄其它产品时,则根据其它产品对应的质检模型判断其它产品是否合格,当取样摄像头拍摄样本产品时,无论样本产品是否合格均对样本产品进行回收,由此实现对样本产品的动态采样。
举例来说,如图2所示,图2为本申请提供的一种工业流水线的采样示意图。其中包含3条运输轨道,1号轨道为主轨道,2号轨道为采样轨道,3号轨道为其他产品不合格时的回收轨道。2号轨道设置有样本产品回收存放间,样本产品回收存放间按照预设的固定时间间隔向主轨道输送样本产品,并回收已经经过采样的样本产品,1号轨道安装有取样摄像头用于拍摄流经的产品。样本产品回收存放间经过多次重复取样,从而获取样本产品的样本集。
然后,为了使目标质检模型实现对样本产品的样本集具有较好的训练效果,通过获取目标质检模型的样本训练比例,即正样本的数量与负样本的数量的比例,从而确定样本产品的样本集中正样本与负样本的比例。此时,在对样本产品产品动态采样的过程中,统计第一样本图像的数量以及第二样本图像的数量,第一样本图像为产品标签为合格标签的样本图像,第二样本图像为产品标签为不合格标签的样本图像;然后计算第一样本图像的数量与第二样本图像的数量的样本数量比值,当样本数量比值等于目标质检模型的样本训练比例时,此时确定采样完成。另外,为了进一步保证目标质检模型对样本产品的样本集具有较好的训练效果,样本本产品的样本集中的正样本数量与负样本数量不宜过少,因此,在确定采样完成之前还需保证第一样本图像的数量大于或等于预设第一数量阈值,第二样本图像的数量大于或等于预设第二数量阈值。
S105、将多张样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,当目标质检模型的损失函数值小于或等于预设损失函数阈值,则确定目标质检模型训练完成,此时停止训练,产品标签为合格标签或不合格标签。
在上述步骤中,将多张样本图像以及多张样本图像各自对应的产品标签作为训练集,输入至目标质检模型中进行训练,此时当目标质检模型的损失函数值小于或等于预设损失函数阈值,则确定目标质检模型训练完成,此时停止训练。经过样本产品的多个产品类型筛选出的目标质检模型此时已经完成了大部分具备样本产品特点的训练集的训练,仅需再将目标质检模型根据样本产品的新的产品特点进行进一步训练即可,无需再重新训练一个全新的质检模型,大大降低了新产品对应的质检模型的训练时间,从而降低了质检工作的时间成本。
在一种可能的实施方式中,由于目标质检模型原始的损失函数阈值只有针对其原始的训练样本量才具有较好的训练效果,因此为了防止目标质检模型在训练过程新的样本集时出现过拟合或训练不足的问题,将多张样本图像以及多张样本图像各自对应的产品标签作为训练样本集;然后计算训练样本集的样本总量。最后将训练样本集的样本总量与预设损失函数值阈值库进行匹配,得到目标质检模型的预设损失函数阈值,预设损失函数值阈值库包括样本总量与损失函数值阈值之间的对应关系。在本申请实施例中,当样本总量为100至500时,预设损失函数值阈值优选为0.1至0.3;当样本总量为500至5000时,预设损失函数值阈值优选为0.01至0.1;当样本总量为5000至10000时,预设损失函数值阈值优选为0.001至0.01。
在一种可能的实施方式中,在完成目标质检模型的训练后,由于样本产品在真实生产的过程存在诸多因素影响样本产品的各项参数,因此,为了进一步提升目标质检模型对样本产品的质检准确性,在进行待质检产品的质检工作时,获取待质检产品的产品图像,可以理解的是,待质检产品与样本产品为同一种产品,样本产品用于为目标质检模型提供训练样本,待质检产品为需进行出库合格检测的产品。然后,将待质检产品的产品图像输入至目标质检模型中,得到待质检产品对应的产品标签,若待质检产品对应的产品标签为合格标签,则允许待质检产品进入下一工序,进行下一步加工或质检。若待质检产品对应的产品标签为不合格标签,则将待质检产品流入不良品流水线进行精准检测,精准检测可以理解为对不合格的待质检产品进行人工复检。此时,若人工复检确定不合格的待质检产品为合格产品,则说明目标质检模型对于该待质检产品的合格判断存在误差,技术人员在质检平台将待质检产品标记为通过标记,并将质检产品对应的产品标签由不合格标签修改为合格标签,允许待质检产品进入下一工序,然后,质检平台获取具有通过标记的待质检产品的样本图像,将具有通过标记的待质检产品的样本图像及其对应的合格标签输入至目标质检模型进行模型训练,直至确定所述目标质检模型训练完成,从而完成提升目标质检模型对待质检产品的质检准确性。另外,若待质检产品的标记为不通过标记,则确定待质检产品为不合格产品,此时对待质检产品进行回收处理。
本申请还提供一种应用于工业流水线质量检测的模型训练系统,该系统为检测平台,如图3所示,检测平台包括获取模块301与处理模块302,其中:
获取模块301,用于获取样本产品的多个产品类别;
处理模块302,用于将多个产品类别与预设模型数据库进行匹配,得到多个第一质检模型以及多个第一质检模型各自对应的匹配度值;遍历多个匹配度值中的最大值,将匹配度值为最大值对应的第一质检模型作为目标质检模型,目标质检模型包括产品类别与质检模型之间的对应关系;
获取模块301,还用于获取工业流水线上多个样本产品各自对应的样本图像;
处理模块302,还用于将多张样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练,当目标质检模型的损失函数值小于或等于预设损失函数阈值,则确定目标质检模型训练完成,此时停止训练,产品标签为合格标签或不合格标签。
在一种可能的实施方式中,处理模块302将多个产品类别与预设产品类别等级库进行匹配,得到多个产品类别各自对应的产品等级;基于多个产品类别各自对应的产品等级,按照预设比例为每个产品等级划分对应的产品类别数量;将多个产品类别与预设模型数据库进行匹配,得到多个第二质检模型;基于每个产品等级划分对应的产品类别数量,从多个第二质检模型筛选出多个第一质检模型。
在一种可能的实施方式中,获取模块301获取目标质检模型的样本训练比例;统计第一样本图像的数量以及第二样本图像的数量,第一样本图像为产品标签为合格标签的样本图像,第二样本图像为产品标签为不合格标签的样本图像;处理模块302计算第一样本图像的数量与第二样本图像的数量的样本数量比值;若样本训练比值等于样本训练比例,且第一样本图像的数量大于或等于预设第一数量阈值,第二样本图像的数量大于或等于预设第二数量阈值,则获取多张第一样本图像与多张第二样本图像。
在一种可能的实施方式中,获取模块301获取待质检产品的产品图像;处理模块302将产品图像输入至目标质检模型中,得到待质检产品对应的产品标签;若待质检产品对应的产品标签为合格标签,则允许待质检产品进入下一工序;若待质检产品对应的产品标签为不合格标签,则将待质检产品流入不良品流水线进行精准检测。
在一种可能的实施方式中,获取模块301响应于用户对待质检产品的标记操作,标记为通过标记或不通过标记;若待质检产品的标记为通过标记,则确定待质检产品为合格产品,处理模块302将待质检产品对应的产品标签由不合格标签修改为合格标签,并允许待质检产品进入下一工序;若待质检产品的标记为不通过标记,则确定待质检产品为不合格产品,则对待质检产品进行回收处理。
在一种可能的实施方式中,获取模块301获取具有通过标记的待质检产品的样本图像;
处理模块302将具有通过标记的待质检产品的样本图像及其对应的合格标签输入至目标质检模型进行模型训练,直至确定目标质检模型训练完成。
在一种可能的实施方式中,将多张样本图像以及多张样本图像各自对应的产品标签输入至目标质检模型进行训练之前,方法还包括:获取模块301将多张样本图像以及多张样本图像各自对应的产品标签作为训练样本集;处理模块302计算训练样本集的样本总量;将训练样本集的样本总量与预设损失函数值阈值库进行匹配,得到预设损失函数阈值,预设损失函数值阈值库包括样本总量与损失函数值阈值之间的对应关系。
需要说明的是:上述实施例提供的装置在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置和方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本申请还提供一种电子设备。参照图4,图4是本申请实施例的公开的一种电子设备的结构示意图。该电子设备400可以包括:至少一个处理器401,至少一个网络接口404,用户接口403,存储器405,至少一个通信总线402。
其中,通信总线402用于实现这些组件之间的连接通信。
其中,用户接口403可以包括显示屏(Display)、摄像头(Camera),可选用户接口403还可以包括标准的有线接口、无线接口。
其中,网络接口404可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中,处理器401可以包括一个或者多个处理核心。处理器401利用各种接口和线路连接整个服务器内的各个部分,通过运行或执行存储在存储器405内的指令、程序、代码集或指令集,以及调用存储在存储器405内的数据,执行服务器的各种功能和处理数据。可选的,处理器401可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器401可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器401中,单独通过一块芯片进行实现。
其中,存储器405可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。可选的,该存储器405包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器405可用于存储指令、程序、代码、代码集或指令集。存储器405可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及的数据等。存储器405可选的还可以是至少一个位于远离前述处理器401的存储装置。参照图4,作为一种计算机存储介质的存储器405中可以包括操作系统、网络通信模块、用户接口模块以及一种应用于工业流水线质量检测的模型训练方法的应用程序。
在图4所示的电子设备400中,用户接口403主要用于为用户提供输入的接口,获取用户输入的数据;而处理器401可以用于调用存储器405中存储一种应用于工业流水线质量检测的模型训练方法的应用程序,当由一个或多个处理器401执行时,使得电子设备400执行如上述实施例中一个或多个所述的方法。需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必需的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几种实施方式中,应该理解到,所披露的装置,可通过其他的方式实现。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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元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,也可以采用软件功能单元的形式实现。
集成的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取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述者,仅为本公开的示例性实施例,不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰,皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践真理的公开后,将容易想到本公开的其他实施方案。
本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的范围和精神由权利要求限定。
Claims (5)
1.一种应用于工业流水线质量检测的模型训练方法,其特征在于,应用于检测平台,所述方法包括:
获取样本产品的多个产品类别;
将多个所述产品类别与预设产品类别等级库进行匹配,得到多个所述产品类别各自对应的产品等级;
基于多个所述产品类别各自对应的产品等级,按照预设比例为每个产品等级划分对应的产品类别数量;
将多个所述产品类别与预设模型数据库进行匹配,得到多个第二质检模型;
基于每个产品等级划分对应的产品类别数量,从多个所述第二质检模型筛选出多个第一质检模型以及多个所述第一质检模型各自对应的匹配度值;
遍历多个所述匹配度值中的最大值,将匹配度值为最大值对应的第一质检模型作为目标质检模型,所述目标质检模型包括产品类别与质检模型之间的对应关系;
获取所述目标质检模型的样本训练比例;
统计第一样本图像的数量以及第二样本图像的数量,所述第一样本图像为产品标签为合格标签的样本图像,所述第二样本图像为产品标签为不合格标签的样本图像;
计算所述第一样本图像的数量与第二样本图像的数量的样本数量比值;
若所述样本训练比值等于所述样本训练比例,且所述第一样本图像的数量大于或等于预设第一数量阈值,所述第二样本图像的数量大于或等于预设第二数量阈值,则获取多张所述第一样本图像与多张所述第二样本图像;
将多张样本图像以及多张样本图像各自对应的产品标签作为训练样本集;
计算所述训练样本集的样本总量;
将所述训练样本集的样本总量与预设损失函数值阈值库进行匹配,得到预设损失函数阈值,所述预设损失函数值阈值库包括样本总量与损失函数值阈值之间的对应关系;
将多张样本图像以及多张所述样本图像各自对应的产品标签输入至所述目标质检模型进行训练,当所述目标质检模型的损失函数值小于或等于所述预设损失函数阈值,则确定所述目标质检模型训练完成,此时停止训练,所述产品标签为合格标签或不合格标签;
获取待质检产品的产品图像;
将所述产品图像输入至所述目标质检模型中,得到所述待质检产品对应的产品标签;
若所述待质检产品对应的产品标签为合格标签,则允许所述待质检产品进入下一工序;
若所述待质检产品对应的产品标签为不合格标签,则响应于用户对所述待质检产品添加标记的操作,所述标记为通过标记或不通过标记;
若所述待质检产品的标记为通过标记,则确定所述待质检产品为合格产品,将所述待质检产品对应的产品标签由不合格标签修改为合格标签,并允许所述待质检产品进入下一工序;
若所述待质检产品的标记为不通过标记,则确定所述待质检产品为不合格产品,则对所述待质检产品进行回收处理。
2.根据权利要求1所述的方法,其特征在于,若所述待质检产品对应的产品标签为不合格标签,则响应于用户对所述待质检产品添加标记的操作,还包括:
获取具有通过标记的待质检产品的样本图像;
将所述具有通过标记的待质检产品的样本图像及其对应的合格标签输入至所述目标质检模型进行模型训练,直至确定所述目标质检模型训练完成。
3.一种应用于工业流水线质量检测的模型训练系统,其特征在于,所述系统为检测平台,所述检测平台包括获取模块与处理模块,其中:
所述获取模块,用于获取样本产品的多个产品类别;
所述处理模块,用于将多个所述产品类别与预设产品类别等级库进行匹配,得到多个所述产品类别各自对应的产品等级;
所述处理模块,还用于基于多个所述产品类别各自对应的产品等级,按照预设比例为每个产品等级划分对应的产品类别数量;
所述处理模块,还用于将多个所述产品类别与预设模型数据库进行匹配,得到多个第二质检模型;
所述处理模块,还用于基于每个产品等级划分对应的产品类别数量,从多个所述第二质检模型筛选出多个第一质检模型以及多个所述第一质检模型各自对应的匹配度值;
所述处理模块,还用于遍历多个所述匹配度值中的最大值,将匹配度值为最大值对应的第一质检模型作为目标质检模型,所述目标质检模型包括产品类别与质检模型之间的对应关系;
所述获取模块,还用于获取所述目标质检模型的样本训练比例;
所述处理模块,还用于统计第一样本图像的数量以及第二样本图像的数量,所述第一样本图像为产品标签为合格标签的样本图像,所述第二样本图像为产品标签为不合格标签的样本图像;
所述处理模块,还用于计算所述第一样本图像的数量与第二样本图像的数量的样本数量比值;
所述获取模块,还用于若所述样本训练比值等于所述样本训练比例,且所述第一样本图像的数量大于或等于预设第一数量阈值,所述第二样本图像的数量大于或等于预设第二数量阈值,则获取多张所述第一样本图像与多张所述第二样本图像;
所述处理模块,还用于将多张样本图像以及多张样本图像各自对应的产品标签作为训练样本集;
所述处理模块,还用于计算所述训练样本集的样本总量;
所述处理模块,还用于将所述训练样本集的样本总量与预设损失函数值阈值库进行匹配,得到预设损失函数阈值,所述预设损失函数值阈值库包括样本总量与损失函数值阈值之间的对应关系;
所述处理模块,还用于将多张样本图像以及多张所述样本图像各自对应的产品标签输入至所述目标质检模型进行训练,当所述目标质检模型的损失函数值小于或等于所述预设损失函数阈值,则确定所述目标质检模型训练完成,此时停止训练,所述产品标签为合格标签或不合格标签;
所述获取模块,还用于获取待质检产品的产品图像;
所述处理模块,还用于将所述产品图像输入至所述目标质检模型中,得到所述待质检产品对应的产品标签;
所述处理模块,还用于若所述待质检产品对应的产品标签为合格标签,则允许所述待质检产品进入下一工序;
所述处理模块,还用于若所述待质检产品对应的产品标签为不合格标签,则响应于用户对所述待质检产品添加标记的操作,所述标记为通过标记或不通过标记;
所述处理模块,还用于若所述待质检产品的标记为通过标记,则确定所述待质检产品为合格产品,将所述待质检产品对应的产品标签由不合格标签修改为合格标签,并允许所述待质检产品进入下一工序;
所述处理模块,还用于若所述待质检产品的标记为不通过标记,则确定所述待质检产品为不合格产品,则对所述待质检产品进行回收处理。
4.一种电子设备,其特征在于,包括处理器、存储器、用户接口及网络接口,所述存储器用于存储指令,所述用户接口和网络接口用于给其他设备通信,所述处理器用于执行所述存储器中存储的指令,以使所述电子设备执行如权利要求1至2任意一项所述的方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有指令,当所述指令被执行时,执行如权利要求1至2任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311396010.7A CN117132174B (zh) | 2023-10-26 | 2023-10-26 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311396010.7A CN117132174B (zh) | 2023-10-26 | 2023-10-26 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132174A CN117132174A (zh) | 2023-11-28 |
CN117132174B true CN117132174B (zh) | 2024-01-30 |
Family
ID=88858621
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311396010.7A Active CN117132174B (zh) | 2023-10-26 | 2023-10-26 | 一种应用于工业流水线质量检测的模型训练方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132174B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006252333A (ja) * | 2005-03-11 | 2006-09-21 | Nara Institute Of Science & Technology | データ処理方法、データ処理装置およびそのプログラム |
JP2019095217A (ja) * | 2017-11-17 | 2019-06-20 | ファナック株式会社 | 外観検査装置 |
WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技(深圳)有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
CN112163637A (zh) * | 2020-10-19 | 2021-01-01 | 平安国际智慧城市科技股份有限公司 | 基于非平衡数据的图像分类模型训练方法、装置 |
WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN113906451A (zh) * | 2019-08-19 | 2022-01-07 | Lg电子株式会社 | 基于ai的预训练模型决定系统及利用该系统的用于产品生产线的基于ai的视觉检查管理系统 |
CN113924594A (zh) * | 2019-08-19 | 2022-01-11 | Lg电子株式会社 | 用于产品生产线上的视觉检查的基于ai的新学习模型生成系统 |
CN114037277A (zh) * | 2021-08-09 | 2022-02-11 | 承德石油高等专科学校 | 基于深度学习的钢厂无人车间监控方法和系统 |
WO2022083401A1 (zh) * | 2020-10-22 | 2022-04-28 | 百果园技术(新加坡)有限公司 | 资源审核模型的训练方法、装置、服务器和存储介质 |
CN114463656A (zh) * | 2020-10-22 | 2022-05-10 | 北京鸿享技术服务有限公司 | 检测模型训练方法、装置、设备及存储介质 |
CN114462465A (zh) * | 2021-09-30 | 2022-05-10 | 马上消费金融股份有限公司 | 一种分类模型的训练方法、质检预测方法及对应装置 |
CN114648656A (zh) * | 2020-12-18 | 2022-06-21 | Tcl科技集团股份有限公司 | 图像识别方法、装置、终端设备及可读存储介质 |
CN115439734A (zh) * | 2022-09-06 | 2022-12-06 | 电子科技大学中山学院 | 质量评估模型训练方法、装置、电子设备及存储介质 |
CN115935229A (zh) * | 2022-11-22 | 2023-04-07 | 歌尔股份有限公司 | 产品异常检测方法、装置、设备及存储介质 |
CN116245193A (zh) * | 2022-12-06 | 2023-06-09 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9430743B2 (en) * | 2014-03-06 | 2016-08-30 | Kla-Tencor Corp. | Composite defect classifier |
KR102492318B1 (ko) * | 2015-09-18 | 2023-01-26 | 삼성전자주식회사 | 모델 학습 방법 및 장치, 및 데이터 인식 방법 |
CN112529204A (zh) * | 2019-09-17 | 2021-03-19 | 华为技术有限公司 | 模型训练方法、装置及系统 |
CN113326764B (zh) * | 2021-05-27 | 2022-06-07 | 北京百度网讯科技有限公司 | 训练图像识别模型和图像识别的方法和装置 |
-
2023
- 2023-10-26 CN CN202311396010.7A patent/CN117132174B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006252333A (ja) * | 2005-03-11 | 2006-09-21 | Nara Institute Of Science & Technology | データ処理方法、データ処理装置およびそのプログラム |
JP2019095217A (ja) * | 2017-11-17 | 2019-06-20 | ファナック株式会社 | 外観検査装置 |
WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技(深圳)有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
WO2021017261A1 (zh) * | 2019-08-01 | 2021-02-04 | 平安科技(深圳)有限公司 | 识别模型训练方法、图像识别方法、装置、设备及介质 |
CN113924594A (zh) * | 2019-08-19 | 2022-01-11 | Lg电子株式会社 | 用于产品生产线上的视觉检查的基于ai的新学习模型生成系统 |
CN113906451A (zh) * | 2019-08-19 | 2022-01-07 | Lg电子株式会社 | 基于ai的预训练模型决定系统及利用该系统的用于产品生产线的基于ai的视觉检查管理系统 |
CN112163637A (zh) * | 2020-10-19 | 2021-01-01 | 平安国际智慧城市科技股份有限公司 | 基于非平衡数据的图像分类模型训练方法、装置 |
WO2022083401A1 (zh) * | 2020-10-22 | 2022-04-28 | 百果园技术(新加坡)有限公司 | 资源审核模型的训练方法、装置、服务器和存储介质 |
CN114463656A (zh) * | 2020-10-22 | 2022-05-10 | 北京鸿享技术服务有限公司 | 检测模型训练方法、装置、设备及存储介质 |
CN114648656A (zh) * | 2020-12-18 | 2022-06-21 | Tcl科技集团股份有限公司 | 图像识别方法、装置、终端设备及可读存储介质 |
CN114037277A (zh) * | 2021-08-09 | 2022-02-11 | 承德石油高等专科学校 | 基于深度学习的钢厂无人车间监控方法和系统 |
CN114462465A (zh) * | 2021-09-30 | 2022-05-10 | 马上消费金融股份有限公司 | 一种分类模型的训练方法、质检预测方法及对应装置 |
CN115439734A (zh) * | 2022-09-06 | 2022-12-06 | 电子科技大学中山学院 | 质量评估模型训练方法、装置、电子设备及存储介质 |
CN115935229A (zh) * | 2022-11-22 | 2023-04-07 | 歌尔股份有限公司 | 产品异常检测方法、装置、设备及存储介质 |
CN116245193A (zh) * | 2022-12-06 | 2023-06-09 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117132174A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036755B (zh) | 一种建筑工程质量检测的监管方法及系统 | |
CN109767418A (zh) | 检査装置、数据生成装置、数据生成方法及存储介质 | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN109544548A (zh) | 餐盒的缺陷检测方法、装置、服务器、设备和存储介质 | |
CN103308523B (zh) | 多尺度瓶口缺陷检测方法及装置 | |
CN109983482A (zh) | 已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序 | |
CN110186375A (zh) | 智能化高铁白车身焊接装配特征检测装置及检测方法 | |
CN111681234A (zh) | 门店货架上摆放试用装产品规范检测方法、系统及设备 | |
CN111415339A (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN113763348A (zh) | 图像质量确定方法、装置、电子设备及存储介质 | |
CN115471487A (zh) | 绝缘子缺陷检测模型构建及绝缘子缺陷检测方法、装置 | |
CN108787486A (zh) | 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置 | |
CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
CN109741295A (zh) | 产品质量检测方法及装置 | |
CN115376074A (zh) | 输电线路监拍装置识别效果评估方法及系统 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN102967265A (zh) | 基于机器视觉的汽车连杆裂解槽检测方法 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN117132174B (zh) | 一种应用于工业流水线质量检测的模型训练方法与系统 | |
CN116071335A (zh) | 墙面验收方法、装置、设备及存储介质 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
CN110399804A (zh) | 一种基于深度学习的食品检测识别方法 | |
CN112184636A (zh) | 一种电路板中固定件的检测方法及检测装置 | |
TW202219494A (zh) | 缺陷檢測方法及檢測裝置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |