CN117197051A - 一种缺陷分级方法、装置、电子设备及存储介质 - Google Patents
一种缺陷分级方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117197051A CN117197051A CN202311044408.4A CN202311044408A CN117197051A CN 117197051 A CN117197051 A CN 117197051A CN 202311044408 A CN202311044408 A CN 202311044408A CN 117197051 A CN117197051 A CN 117197051A
- Authority
- CN
- China
- Prior art keywords
- defect
- classification
- grading
- model
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 315
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000013145 classification model Methods 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种缺陷分级方法、装置、设备及存储介质。该方法包括:获取待分级缺陷图像;将待分级缺陷图像输入至预先训练的分级模型;根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别;其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。本技术方案解决了缺陷分级精细化程度低的问题,可以在实现细粒度缺陷分级的同时,有效提高缺陷分级的准确性,以满足用户的多样化工件需求。
Description
技术领域
本发明涉及缺陷检测技术领域,尤其涉及一种缺陷分级方法、装置、电子设备及存储介质。
背景技术
工件缺陷检测通常采用AOI(Automatic Optic Inspection,自动光学检测)设备进行缺陷检测,输出缺陷图像。在将缺陷检测之后,需要对缺陷进行分级。缺陷分级可以是根据缺陷的严重程度,确定缺陷级别,严重程度的评估指标包括但不局限于缺陷的长、宽、面积、深度以及颜色等特征。依据缺陷划分结果,可以将工件分配至不同需求的用户。
目前,缺陷分级方案主要包括图形学算法分类和深度学习算法分类,图形学算法分类采用缺陷面积、缺陷区域的灰度差、缺陷长宽以及缺陷个数等特征进行缺陷分级。因此,在图形学算法分类过程中,缺陷特征维度有限,难以实现缺陷的准确划分。深度学习算法分类虽然在一定程度上提升了缺陷分级精度,但是需要对缺陷图像进行标签,利用带有标签的缺陷图像训练分级模型。因此,深度学习算法分类受到人工识别能力的限制,难以突破人工分类局限,实现缺陷的细粒度划分。
发明内容
本发明提供了一种缺陷分级方法、装置、设备及存储介质,以解决缺陷分级精细化程度低的问题,可以在实现细粒度缺陷分级的同时,有效提高缺陷分级的准确性,以满足用户的多样化工件需求。
根据本发明的一方面,提供了一种缺陷分级方法,所述方法包括:
获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型;
根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别;
其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。
根据本发明的另一方面,提供了一种缺陷分级装置,该装置包括:
待分级图像获取模块,用于获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型;
缺陷级别确定模块,用于根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别;
其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。
根据本发明的另一方面,提供了一种电子设备,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本发明任一实施例所述的缺陷分级方法。
根据本发明的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的缺陷分级方法。
本发明实施例的技术方案,将回归结构与分类结构结合,通过对粗分类标签的缺陷分级数据集进行学习,实现待分级缺陷图像的细粒度分类。该技术方案解决了缺陷分级精细化程度低的问题,可以在实现细粒度缺陷分级的同时,有效提高缺陷分级的准确性,以满足用户的多样化工件需求。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种缺陷分级方法的流程图;
图2是根据本发明实施例二提供的一种缺陷分级方法的流程图;
图3是根据本发明实施例三提供的一种缺陷分级装置的结构示意图;
图4是实现本发明实施例的缺陷分级方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,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他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
实施例一
图1为本发明实施例一提供了一种缺陷分级方法的流程图,本实施例可适用于精细化的工业器件的缺陷分级场景,尤其是人眼难以进行分辨的缺陷分级情况。该方法可以由缺陷分级装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型。
本方案可以由缺陷检测设备执行。缺陷检测设备可以直接拍摄工件缺陷处的图像,将该图像作为待分级缺陷图像。为了实现更加精准的缺陷分级,缺陷检测设备也可以对工件图像进行目标检测,标记工件图像中的缺陷所在区域,根据缺陷区域在工件图像中截取缺陷图像。
在获取待分级缺陷图像之后,缺陷检测设备可以将待分级缺陷图像输入至预先训练好的分级模型,以进行缺陷分级。其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。
需要说明的是,缺陷图像样本的参考级别可以是由人工进行分辨得到的,也可以是基于聚类、机器学习分类等算法对缺陷图像样本进行处理得到的。本方案中参考级别和缺陷级别可以是针对缺陷程度进行的划分得到的类别。由于人工和现有分类算法可以区分的缺陷级别有限,参考级别是对缺陷图像样本的粗分类。本方案可以在粗分类结果上实现缺陷的细粒度分类,因此参考级别的数量小于缺陷级别的数量。
分级网络可以是基于卷积神经网络构建的,可以包括特征提取结构、回归结构和分类结构。可以理解的,特征提取结构可以包括卷积层、池化层等层次结构。特征提取器可以提取缺陷图像样本的缺陷特征,将缺陷特征传递至回归结构和分类结构。回归结构可以根据缺陷特征,确定缺陷图像样本匹配的缺陷分级预测结果。分类结构可以格局缺陷特征,输出缺陷图像样本匹配的参考级别的分类概率。根据缺陷分级预测结果、缺陷图像样本的参考级别以及参考级别的分类概率,可以计算模型损失。在迭代训练过程中,通过向特征提取结构反馈模型损失,可以使分级网络得到学习,输出满足缺陷分级要求的分级模型。
S120、根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别。
在得到分级模型之后,缺陷检测设备可以将待分级缺陷图像输入至分级模型,根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别,以得到待分级缺陷图像匹配的细粒度分类结果。
本发明实施例的技术方案,将回归结构与分类结构结合,通过对粗分类标签的缺陷图像样本进行学习,实现待分级缺陷图像的细粒度分类。该技术方案解决了缺陷分级精细化程度低的问题,可以在实现细粒度缺陷分级的同时,有效提高缺陷分级的准确性,以满足用户的多样化工件需求。
实施例二
图2为本发明实施例二提供的一种缺陷分级方法的流程图,本实施例以上述实施例为基础对分级模型的训练过程进行细化。如图2所示,该方法包括:
S210、将缺陷分级数据集中缺陷图像样本输入至特征提取结构,得到缺陷特征。
缺陷检测设备可以将缺陷分级数据集中全部或部分缺陷图像样本输入至特征提取结构进行特征提取,得到缺陷特征。
S220、将缺陷特征输入至回归结构,输出缺陷图像样本匹配的缺陷分级预测结果;以及,将缺陷特征输入至分类结构,输出缺陷图像样本匹配的参考级别的分类概率。
本方案中,回归结构可以包括卷积层、回归层等层次结构,分类结构可以包括全连接层、分类层等层次结构。回归结构可以根据缺陷特征,确定缺陷图像样本匹配的缺陷分级预测结果。分类结构可以根据缺陷特征,确定缺陷图像样本匹配的参考级别的分类概率。
S230、根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果。
缺陷检测设备可以根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,计算模型损失。基于模型损失,缺陷检测设备可以通过反馈对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果。其中,每次迭代训练的训练结果可以包括本次迭代训练得到的分级模型以及分级模型匹配的评估指标。所述评估指标可以对训练得到的分级模型进行验证得到的,可以包括验证损失、准确率等。验证损失可以包括分类损失和回归损失。
本方案中,可选的,所述根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果,包括:
根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,计算模型损失;
根据模型损失,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果;
其中,所述模型损失包括回归损失和分类损失。
具体的,回归损失可以是基于绝对值损失、平方损失等损失函数确定的,分类损失可以是基于交叉熵损失、铰链损失等损失函数确定的。在迭代训练过程中,每次迭代训练的回归损失可以使缺陷分级预测结果在参考级别的基础上不断精细化,每次迭代训练的分类损失有利于将回归结构输出的缺陷分级预测结果约束至合理的参考级别范围内,以避免缺陷分级预测结果误差过大,产生参考级别的偏差。
以一个具体的例子来说,参考级别包括R1、R2和R3三类,参考级别R1、R2和R3的类别编码分别为1,2和3。缺陷图像样本A的参考级别为R2,某次迭代训练输出的缺陷分级预测结果为3.2。则说明缺陷分级预测结果误差过大,产生了参考级别的偏差。
在上述方案的基础上,所述模型损失的计算公式为:
其中,yi为第i个缺陷图像样本的参考级别,为回归结构输出的第i个缺陷图像样本的缺陷级别预测结果,pi为分类结构输出的第i个缺陷图像样本的参考级别的分类概率,n表示缺陷图像样本数量,λ1和λ2分别为第一系数和第二系数。
容易理解的,分类损失可以是基于缺陷图像样本的参考级别以及参考级别的分类概率计算得到的;分类损失可以表示为回归损失可以是根据缺陷图像样本的参考级别以及缺陷图像样本的缺陷级别预测结果计算得到的;回归损失可以表示为
通过本方案的模型损失计算公式,可以实现分级网络的快速收敛,得到分类效果稳定可靠、分类结果精细准确的分级模型。
S240、根据各次迭代训练的训练结果,确定分级模型。
本实施例中,可选的,所述根据各次迭代训练的训练结果,确定分级模型,包括:
将最后一次迭代训练得到的分级网络作为分级模型;或者,将满足预设评估指标的分级网络作为分级模型。
分级网络的迭代训练是一个模型损失逐渐趋向稳定的过程,因此,缺陷检测设备可以预先设置迭代次数,例如100代,在训练结束之后,将最后一次迭代训练得到的分级网络作为分级模型。
缺陷检测设备也可以对各次迭代训练得到的分级网络进行验证,得到验证结果,根据各分级模型的验证结果,将符合预设评估指标的分级网络作为分级模型。例如将验证损失小于预设损失阈值的分级网络作为分级模型。
S250、获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型。
S260、根据分级模型中回归结构输出的缺陷级别预测结果,确定待分级缺陷图像的缺陷级别。
缺陷检测设备可以根据分级模型中回归结构输出的缺陷级别预测结果,在参考级别的基础上,划分待分级缺陷图像的缺陷级别。
在一个具体的例子中,参考级别包括R1、R2和R3三类,预将缺陷分为Q1-Q10共十个类别。参考级别R1、R2和R3的类别编码分别为1,2和3。Q1-Q10的类别编码区间分别为[0.5,0.8),[0.8,1.1),[1.1,1.4),[1.4,1.7),[1.7,2),[2,2.3),[2.3,2.6),[2.6,2.9),[2.9,3.2)和[3.2,3.5)。待分级缺陷图像的缺陷分级预测结果为2.5,缺陷检测设备可以确定待分级缺陷图像的缺陷级别为Q8。
在一个可行的方案中,在将缺陷分级数据集中缺陷图像样本输入至特征提取结构之前,所述方法还包括:
对缺陷分级数据集中各组缺陷分级数据进行数据均衡化处理,以使各缺陷分级的缺陷分级数据均匀分布。
该方案在模型训练之前,缺陷检测设备可以对缺陷分级数据集中的各组缺陷分级数据进行数据均衡化处理,以使各参考级别的缺陷分级数据数量分布均匀。基于均衡化处理后的缺陷分级数据集对分级网络进行训练,有利于保证分级网络充分学习各参考级别的缺陷图像样本的缺陷特征,提高分级模型的稳定性和可靠性。
本发明实施例的技术方案,将回归结构与分类结构结合,通过对粗分类标签的缺陷图像样本进行学习,实现待分级缺陷图像的细粒度分类。该技术方案解决了缺陷分级精细化程度低的问题,可以在实现细粒度缺陷分级的同时,有效提高缺陷分级的准确性,以满足用户的多样化工件需求。
实施例三
图3为本发明实施例三提供的一种缺陷分级装置的结构示意图。如图3所示,该装置包括:
待分级图像获取模块310,用于获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型;
缺陷级别确定模块320,用于根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别;
其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。
本方案中,可选的,所述装置还包括模型训练模块,所述模型训练模块包括:
缺陷特征提取单元,用于将缺陷分级数据集中缺陷图像样本输入至特征提取结构,得到缺陷特征;
预测结果确定单元,用于将缺陷特征输入至回归结构,输出缺陷图像样本匹配的缺陷分级预测结果;
分类概率确定单元,用于将缺陷特征输入至分类结构,输出缺陷图像样本匹配的参考级别的分类概率;
训练结果确定单元,用于根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果;
分级模型确定单元,用于根据各次迭代训练的训练结果,确定分级模型。
在一个可行的方案中,所述训练结果确定单元,具体用于:
根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,计算模型损失;
根据模型损失,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果;
其中,所述模型损失包括回归损失和分类损失。
在上述方案的基础上,可选的,所述模型损失的计算公式为:
其中,yi为第i个缺陷图像样本的参考级别,fyi为回归结构输出的第i个缺陷图像样本的缺陷级别预测结果,pi为分类结构输出的第i个缺陷图像样本的参考级别的分类概率,n表示缺陷图像样本数量,λ1和λ2分别为第一系数和第二系数。
本实施例中,可选的,所述缺陷级别确定模块320,具体用于:
根据分级模型中回归结构输出的缺陷级别预测结果,确定待分级缺陷图像的缺陷级别。
可选的,所述装置还包括:
数据均衡化模块,用于对缺陷分级数据集中各组缺陷分级数据进行数据均衡化处理,以使各缺陷分级的缺陷分级数据均匀分布。
本方案中,可选的,所述分级模型确定单元,具体用于:
将最后一次迭代训练得到的分级网络作为分级模型;或者,将满足预设评估指标的分级网络作为分级模型。
本发明实施例所提供的缺陷分级装置可执行本发明任意实施例所提供的缺陷分级方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备410的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备410包括至少一个处理器411,以及与至少一个处理器411通信连接的存储器,如只读存储器(ROM)412、随机访问存储器(RAM)413等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器411可以根据存储在只读存储器(ROM)412中的计算机程序或者从存储单元418加载到随机访问存储器(RAM)413中的计算机程序,来执行各种适当的动作和处理。在RAM 413中,还可存储电子设备410操作所需的各种程序和数据。处理器411、ROM 412以及RAM 413通过总线414彼此相连。输入/输出(I/O)接口415也连接至总线414。
电子设备410中的多个部件连接至I/O接口415,包括:输入单元416,例如键盘、鼠标等;输出单元417,例如各种类型的显示器、扬声器等;存储单元418,例如磁盘、光盘等;以及通信单元419,例如网卡、调制解调器、无线通信收发机等。通信单元419允许电子设备410通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器411可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器411的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器411执行上文所描述的各个方法和处理,例如缺陷分级方法。
在一些实施例中,缺陷分级方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元418。在一些实施例中,计算机程序的部分或者全部可以经由ROM 412和/或通信单元419而被载入和/或安装到电子设备410上。当计算机程序加载到RAM 413并由处理器411执行时,可以执行上文描述的缺陷分级方法的一个或多个步骤。备选地,在其他实施例中,处理器411可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行缺陷分级方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程缺陷分级装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种缺陷分级方法,其特征在于,所述方法包括:
获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型;
根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别;
其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。
2.根据权利要求1所述的方法,其特征在于,所述分级模型的训练过程包括:
将缺陷分级数据集中缺陷图像样本输入至特征提取结构,得到缺陷特征;
将缺陷特征输入至回归结构,输出缺陷图像样本匹配的缺陷分级预测结果;以及,将缺陷特征输入至分类结构,输出缺陷图像样本匹配的参考级别的分类概率;
根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果;
根据各次迭代训练的训练结果,确定分级模型。
3.根据权利要求2所述的方法,其特征在于,所述根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果,包括:
根据缺陷分级预测结果、参考级别的分类概率以及缺陷分级数据集中缺陷图像样本匹配的参考级别,计算模型损失;
根据模型损失,对分级网络进行至少一次迭代训练,得到各次迭代训练的训练结果;
其中,所述模型损失包括回归损失和分类损失。
4.根据权利要求3所述的方法,其特征在于,所述模型损失的计算公式为:
其中,yi为第i个缺陷图像样本的参考级别,为回归结构输出的第i个缺陷图像样本的缺陷级别预测结果,pi为分类结构输出的第i个缺陷图像样本的参考级别的分类概率,n表示缺陷图像样本数量,λ1和λ2分别为第一系数和第二系数。
5.根据权利要求2所述的方法,其特征在于,所述根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别,包括:
根据分级模型中回归结构输出的缺陷级别预测结果,确定待分级缺陷图像的缺陷级别。
6.根据权利要求2所述的方法,其特征在于,在将缺陷分级数据集中缺陷图像样本输入至特征提取结构之前,所述方法还包括:
对缺陷分级数据集中各组缺陷分级数据进行数据均衡化处理,以使各缺陷分级的缺陷分级数据均匀分布。
7.根据权利要求2所述的方法,其特征在于,所述根据各次迭代训练的训练结果,确定分级模型,包括:
将最后一次迭代训练得到的分级网络作为分级模型;或者,将满足预设评估指标的分级网络作为分级模型。
8.一种缺陷分级装置,其特征在于,包括:
待分级图像获取模块,用于获取待分级缺陷图像,将待分级缺陷图像输入至预先训练的分级模型;
缺陷级别确定模块,用于根据分级模型的输出结果,确定待分级缺陷图像的缺陷级别;
其中,所述分级模型是基于缺陷分级数据集对预先构建的分级网络进行训练得到的;所述分级网络包括特征提取结构、回归结构和分类结构;缺陷分级数据集包括至少一组缺陷分级数据,每组缺陷分级数据包括缺陷图像样本以及缺陷图像样本匹配的参考级别;参考级别的数量小于缺陷级别的数量。
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权利要求1-7中任一项所述的缺陷分级方法。
10.一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计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的缺陷分级方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311044408.4A CN117197051A (zh) | 2023-08-18 | 2023-08-18 | 一种缺陷分级方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311044408.4A CN117197051A (zh) | 2023-08-18 | 2023-08-18 | 一种缺陷分级方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117197051A true CN117197051A (zh) | 2023-12-08 |
Family
ID=88998867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311044408.4A Pending CN117197051A (zh) | 2023-08-18 | 2023-08-18 | 一种缺陷分级方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197051A (zh) |
-
2023
- 2023-08-18 CN CN202311044408.4A patent/CN117197051A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN116952958B (zh) | 缺陷检测方法、装置、电子设备及存储介质 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
CN113643260A (zh) | 用于检测图像质量的方法、装置、设备、介质和产品 | |
CN115471476A (zh) | 一种部件缺陷检测方法、装置、设备及介质 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN117333443A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
CN114866437B (zh) | 一种节点检测方法、装置、设备及介质 | |
CN116244619A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN115471772A (zh) | 一种关键帧的提取方法、装置、设备及介质 | |
CN117197051A (zh) | 一种缺陷分级方法、装置、电子设备及存储介质 | |
CN114255540A (zh) | 一种污损纸币的识别方法、装置、设备和存储介质 | |
CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117571321B (zh) | 轴承故障检测方法、装置、设备及存储介质 | |
CN117112445B (zh) | 一种机器学习模型稳定性检测方法、装置、设备及介质 | |
CN114037058B (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN117611324A (zh) | 信用评级方法、装置、电子设备和存储介质 | |
CN113409288B (zh) | 一种图像清晰度的检测方法、装置、设备和存储介质 | |
CN116596941A (zh) | 一种图像分割方法、装置、设备及存储介质 | |
CN116167978A (zh) | 一种模型更新方法、装置、电子设备及存储介质 | |
CN116597209A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
CN118365990A (zh) | 应用于违禁品检测的模型训练方法、装置及电子设备 | |
CN118277916A (zh) | 企业所属行业识别方法、装置、设备及存储介质 | |
CN117274361A (zh) | 一种物料表面积测量方法、装置、电子设备以及介质 |
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 |