CN117274965A - 图像识别模型的训练方法、喷丝板检测方法及装置 - Google Patents
图像识别模型的训练方法、喷丝板检测方法及装置 Download PDFInfo
- Publication number
- CN117274965A CN117274965A CN202311564507.5A CN202311564507A CN117274965A CN 117274965 A CN117274965 A CN 117274965A CN 202311564507 A CN202311564507 A CN 202311564507A CN 117274965 A CN117274965 A CN 117274965A
- Authority
- CN
- China
- Prior art keywords
- micropore
- state information
- spinneret
- spinneret plate
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 title claims abstract description 47
- 238000002372 labelling Methods 0.000 claims abstract description 75
- 238000003384 imaging method Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 62
- 230000015654 memory Effects 0.000 claims description 26
- 238000012797 qualification Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 14
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000036962 time dependent Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 229920000728 polyester Polymers 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 239000000835 fiber Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000007711 solidification Methods 0.000 description 4
- 230000008023 solidification Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 239000000499 gel Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000155 melt Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of 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
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/145—Illumination specially adapted for pattern recognition, e.g. using gratings
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本公开提供了一种图像识别模型的训练方法、喷丝板检测方法及装置，涉及计算机技术领域，尤其涉及图像识别、深度学习技术领域。具体实现方案为：基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，其中，喷丝板样本图像为光源发出的光经过喷丝板样本的各个微孔，并经放大件放大后在成像件上形成的投影图像，各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，通过目标图像识别模型可以自动对喷丝板的各个微孔的状态信息进行检测，从而确定喷丝板的检测结果，节省人力，提高了检测效率。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及图像识别、深度学习技术领域，具体涉及一种图像识别模型的训练方法、喷丝板检测方法及装置。
背景技术
在纺丝生产工艺中，喷丝板将粘流态的高聚物熔体或溶液，通过微孔转变成有特定截面状的细流，经过凝固介质或凝固浴固化而形成丝条。熔体中存在的机械杂质、凝胶、碳纤、热裂等微粒，往往会堵塞喷丝板的微孔，从而造成原丝纤度不匀，产生注头、丝细、丝毛等疵点，因此需要定期对喷丝板进行检测。
发明内容
本公开提供了一种图像识别模型的训练方法、喷丝板检测方法及装置，以解决或缓解现有技术中的一项或更多项技术问题。
第一方面，本公开提供了一种图像识别模型的训练方法，包括：
基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，其中，喷丝板样本图像为光源发出的光经过喷丝板样本的各个微孔，并经放大件放大后在成像件上形成的投影图像，各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；
基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，目标图像识别模型用于对喷丝板投影图像进行处理，以得到喷丝板中各个微孔的状态信息。
第二方面，本公开提供了一种喷丝板检测方法，用于喷丝板检测设备，喷丝板检测设备包括夹持件、光源、成像件以及放大件，夹持件用于夹持喷丝板，光源和成像件分别位于夹持件的两侧，放大件位于成像件和夹持件之间，光源发出的光能够经过喷丝板的各个待测微孔，并经放大件放大后在成像件上形成喷丝板投影图像；方法包括：
获取成像件上的喷丝板投影图像；
利用目标图像识别模型对喷丝板投影图像进行处理，得到喷丝板中各个待测微孔的状态信息，其中，目标图像识别模型为根据上述实施例中任一项的训练方法训练得到的；
基于各个待测微孔的状态信息，确定喷丝板的检测结果。
第三方面，提供了一种图像识别模型的训练装置，包括：
处理单元，用于基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，其中，喷丝板样本图像为光源发出的光经过喷丝板样本的各个微孔，并经放大件放大后在成像件上形成的投影图像，各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；
训练单元，用语言基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，目标图像识别模型用于对喷丝板投影图像进行处理，以得到喷丝板中各个微孔的状态信息。
第四方面，提供了一种喷丝板检测装置，用于喷丝板检测设备，喷丝板检测设备包括夹持件、光源、成像件以及放大件，夹持件用于夹持喷丝板，光源和成像件分别位于夹持件的两侧，放大件位于成像件和夹持件之间，光源发出的光能够经过喷丝板的各个待测微孔，并经放大件放大后在成像件上形成喷丝板投影图像；装置包括：
获取单元，获取成像件上的喷丝板投影图像；
预测单元，用于利用目标图像识别模型对喷丝板投影图像进行处理，得到喷丝板中各个待测微孔的状态信息，其中，目标图像识别模型为根据上述任一项的训练方法训练得到的；
确定单元，用于基于各个待测微孔的状态信息，确定喷丝板的检测结果。
第五方面，提供了一种喷丝板检测设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法。
第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
根据本公开实施例提供的图像识别模型的训练方法、喷丝板检测方法及装置，能够自动对喷丝板的各个待测微孔的状态信息进行检测，从而确定喷丝板的检测结果，无需人工检测，节省人力，提高了检测效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本公开提供的一些实施方式，而不应将其视为是对本公开范围的限制。
图1是本公开一实施例提供的喷丝板检测设备的结构示意图；
图2是图1中喷丝板的结构示意图；
图3是本公开另一实施例提供的图像识别模型的训练方法的流程示意图；
图4是本公开一实施例提供的喷丝板检测方法的流程示意图；
图5是本公开一实施例提供的图像识别模型的训练装置的示意性框图；
图6是本公开另一实施例提供的喷丝板检测装置的示意性框图；
图7是用来实现本公开实施例的图像识别模型的训练方法或喷丝板检测方法的喷丝板检测设备的框图。
具体实施方式
下面将参考附图对本公开作进一步地详细描述。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路等未作详细描述，以便于凸显本公开的主旨。
相关技术中，喷丝板的检测需要人工完成，工作人员需要检查喷丝板上每个微孔是否有堵塞或者开裂等问题，但是，由于喷丝板上的微孔数量众多，且微孔的尺寸较小，导致喷丝板的检测费时费力。
为了解决上述问题中的至少一个，本公开实施例提供一种图像识别模型的训练方法、喷丝板检测方法及装置，通过基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，其中，喷丝板样本图像为光源发出的光依次透过喷丝板样本以及放大件，并在成像件上形成的投影图像，各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，目标图像识别模型用于对喷丝板投影图像进行处理，以得到喷丝板中各个微孔的状态信息。利用目标图像识别模型能够自动对喷丝板的各个微孔的状态信息进行检测，从而确定喷丝板的检测结果，无需人工检测，节省人力，提高了检测效率。
以下结合附图对本公开实施进行说明。
图1是本公开一实施例提供的喷丝板检测设备的结构示意图；图2是图1中喷丝板的结构示意图。
请参照图1和图2，本公开实施例提供一种喷丝板检测设备，喷丝板检测设备包括夹持件110、光源120、成像件130以及放大件140，夹持件110用于夹持喷丝板200，光源120和成像件130分别位于夹持件110的两侧，放大件140位于成像件130和夹持件110之间，光源120发出的光能够经过喷丝板200的各个待测微孔210、并经放大件140放大后在成像件130上形成喷丝板投影图像。
可以理解，喷丝板200上可以具有多个微小的孔，简称微孔，待检测喷丝板的微孔称为待测微孔210，待测微孔210的形状可以为圆形、三角形、米字形、一字形、毛毛虫形等多种形状。
由于在纤维丝加工过程中，喷丝板将粘流态的高聚物熔体或溶液，通过微孔转变成有特定截面状的细流，经过凝固介质或凝固浴固化而形成丝条。熔体中存在的机械杂质、凝胶、碳纤、热裂等微粒，往往会堵塞喷丝板的微孔（造成微孔形状不规则，面积缩小），或者造成微孔开裂（微孔形状不规则，面积扩大）等问题，这些问题将会导致微孔的形状发生变化，进而影响形成的纤维丝的质量。
本公开实施例的方案中涉及的纤维丝的主要类型可以包括预取向丝（PartiallyOriented Yarns，POY）、全牵伸丝（Fully Drawn Yarns，FDY）、涤纶短纤维（PolyesterStaple Fiber）等的一种或多种。例如，丝的类型具体可以包括涤纶预取向丝（PolyesterPartially Oriented Yarns）、涤纶全牵伸丝（Polyester Fully Drawn Yarns）、涤纶牵伸丝（Polyester Drawn Yarns）、涤纶短纤维（Polyester Staple Fiber）等。
喷丝板检测设备的夹持件110可以用来夹持或者固定喷丝板，其可以为夹爪等结构。
光源120为能够发出光束的结构，例如其可以为发光二极管等，在一些实施例中，光源120可以发出平行光，光源的直径可以大于喷丝板的直径，且两者的中心线可以重合。
放大件140可以为常见的能够实现光信号放大的器件，例如凸透镜等结构。
成像件130可以为幕布等能够呈现图像的结构等，其可以与光源发出的光的轴线垂直。
光源120发出的光可以透过喷丝板200，可以理解，光可以穿过喷丝板200的待测微孔210形成成像光束，成像光束能够经过放大件140进行放大，然后照射成像件130上进行成像，从而可以将各个待测微孔的形状都放大并投影呈现在成像件130上。通过喷丝板检测设备检测喷丝板样本时，能将成像件130上的投影图像作为喷丝板样本图像，并对预设图像识别模型进行训练，可以得到能够准确输出喷丝板中各个待测微孔的状态信息的目标图像识别模型。
以下对图像识别模型的训练方法进行说明。图3是本公开另一实施例提供的图像识别模型的训练方法的流程示意图；请参照图3，本公开实施例还提供一种图像识别模型的训练方法300，包括以下步骤S301至步骤S302。
步骤S301，基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，其中，喷丝板样本图像为光源发出的光经过喷丝板样本的各个微孔、并经放大件放大后在成像件上形成的投影图像，各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；
步骤S302，基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，目标图像识别模型用于对喷丝板投影图像进行处理，以得到喷丝板中各个微孔的状态信息。
喷丝板样本图像可以为经过上述喷丝板检测装置得到的喷丝板的投影图像，该投影图像中包含了喷丝板样本中各个微孔的形状，并且由于微孔通常尺寸小，如果直接利用喷丝板图像作为样本图像，样本质量差，容易影响最终训练得到的模型的精度。而本实施例中的喷丝板投影图像经过了放大件的放大，可以提高样本的质量，从而提高目标图像识别模型的精度。
第一图像识别模型可以为图像识别、目标检测或图像分割模型，例如其可以为分割一切（Segment Anything，SA）模型，或者也可以为YOLOv8（you only look onceversion8，浏览一次版本8）模型等。利用这些模型可以较为快速识别出图像中的微孔以及微孔的标注状态信息，该微孔的标注状态信息可以用于表征微孔的形状状态，以圆形微孔为例，其标注状态信息可以为正圆形，对于堵塞或开裂的微孔为例，其标注状态信息可以为非正圆形。当然，微孔还可以为其他形状，以此类推。
可以理解，第一图像识别模型可以为相关技术中训练好的模型，其可以较为准确的得到微孔的标注状态信息。
步骤S301可以将喷丝板样本图像输入第一图像识别模型，从而得到各个微孔的标注状态信息。
通过第一图像识别模型可以快速得到喷丝板样本图像中各个微孔的标注状态信息，无需人工标注。
步骤S302可以利用喷丝板样本图像和标注状态信息对预设图像识别模型进行训练，从而得到训练好的图像识别模型，即目标图像识别模型。
可以理解，目标图像识别模型可以用于对利用喷丝板检测设备得到的喷丝板投影图像进行处理，从而得到各个微孔的状态信息，进而可以检测该喷丝板是否合格，该过程无需人工检测，省时省力，检测效率和准确率更高。
在一些实施例中，步骤S301中，基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，包括以下步骤：
将喷丝板样本图像输入第一图像识别模型中的第一子模型，得到各个微孔的第一信息集合，第一信息集合包括各个微孔的第一状态信息、各个微孔的第一位置信息以及各个微孔的第一状态信息对应的第一置信度；
将喷丝板样本图像输入第一图像识别模型中的第二子模型，得到各个微孔的第二信息集合，第二信息集合包括各个微孔的第二状态信息、各个微孔的第二位置信息以及各个微孔的第二状态信息对应的第二置信度；
基于第一信息集合以及第二信息集合，确定各个微孔的标注状态信息。
本实施例中，第一图像识别模型可以包括两个子模型，例如第一子模型和第二子模型，两者可以为不同的模型。
利用第一子模型对喷丝板样本图像进行处理，可以得到第一信息集合，该第一信息集合可以包括每个微孔的第一状态信息、第一位置信息以及第一置信度。
其中，第一状态信息用于表征该微孔的形状状态，第一位置信息即该微孔在喷丝板样本图像中的位置，可以理解，由于喷丝板中的微孔数量较多，通过第一位置信息可以分辨各个微孔。第一置信度为第一状态信息的概率，若第一状态信息为正圆形，则第一置信度为该正圆形的概率。
同理利用第二子模型对喷丝板样本图像进行处理，可以得到第二信息集合，该第二信息集合可以包括每个微孔的第二状态信息、第二位置信息以及第二置信度。
其中，第二状态信息用于表征该微孔的形状状态，第二位置信息即该微孔在喷丝板样本图像中的位置，可以理解，由于喷丝板中的微孔数量较多，通过第二位置信息可以分辨各个微孔。第二置信度为第二状态信息的概率，若第二状态信息为正圆形，则第二置信度为该正圆形的概率。
通过第一信息集合和第二信息集合，可以得到各个微孔的标注状态信息。
可以理解，通过不同模型对喷丝板样本图像进行识别，然后根据两者的结果综合得到各个微孔的标注状态信息，可以提高标注状态信息的准确性，以提高样本质量。
在一个实施例中，第一子模型例如可以为分割一切模型，可以获得较高的第一信息集合的准确度，第二子模型例如可以为YOLOv8模型，可以较快速得到第二信息集合。
在其他实施例中，第一图像识别模型可以为利用人工标注的样本进行训练得到的能够输出微孔的标注状态信息的模型。
在一些实施例中，基于第一信息集合以及第二信息集合，确定各个微孔的标注状态信息，包括：
基于第一信息集合中的第一位置信息以及第二信息集合中的第二位置信息，确定各个微孔的状态信息子集，状态信息子集包括同一微孔的第一状态信息以及第二状态信息；
针对各个微孔中的第一微孔的状态信息子集，在第一微孔的第一状态信息与第一微孔的第二状态信息不匹配的情况下，基于第一状态信息对应的第一置信度以及第二状态信息对应的第二置信度，确定第一微孔的综合置信度；
基于第一微孔的综合置信度以及置信度阈值，确定第一微孔的标注状态信息；
至少基于第一微孔的标注状态信息，确定各个微孔的标注状态信息。
可以理解，由于第一子模型和第二子模型都是对喷丝板样本图像进行处理，因此，两者得到的位置信息可以位于同一坐标系中。
通过将微孔的第一位置信息和微孔的第二位置信息进行匹配，可以确定两个微孔是否属于同一微孔，若两者属于同一微孔，可以确定将该微孔的第一状态信息和第二状态信息加入该微孔的状态信息子集，从而可以针对每个微孔都确定一个状态信息子集。
并且以各个微孔中的第一微孔为例，该第一微孔的状态信息子集中，若第一微孔中的第一状态信息和第二状态信息相互匹配（两者含义相同），则将该第一状态信息作为第一微孔的标注状态信息。若第一微孔中的第一状态信息和第二状态信息不相匹配（两者含义不同，例如一个为正圆形，另一个为非正圆形），则可以获取第一微孔的第一置信度和其的第二置信度，然后根据第一置信度和第二置信度确定第一微孔的综合置信度。
例如第一置信度表明该第一微孔为正圆形的概率为85%，第二置信度表明该第一微孔为非正圆形的概率为65%，可以利用1-65%=35%，得到第一微孔为正圆形的概率为35%，然后基于85%和35%，可以通过幂次相加的方式得到第一微孔的综合置信度，综合置信度确定该第一微孔为正圆形的综合概率，该方式综合考虑各个置信度，得到的综合置信度较为准确。然后将综合置信度阈值与置信度阈值进行比较，从而确定该第一微孔的最终状态信息，即标注状态信息。
通过对每个微孔进行上述处理，可以得到各个微孔的标注状态信息。本实施例中，在第一状态信息和第二状态信息不匹配时，通过确定综合置信度可以得到较为准确的标注状态信息，有利于提高样本的质量，提高训练好的模型的精度。
在一些实施例中，步骤S302中，基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，包括：
基于预设图像识别模型对喷丝板样本图像进行处理，得到各个微孔的预测状态信息；
基于各个微孔的预测状态信息以及各个微孔的标注状态信息，确定第一损失函数；
将温度标量添加至第一损失函数，得到第二损失函数，温度标量用于平衡预设图像检测模型对不同形状状态的微孔之间差异的敏感性；
基于第二损失函数，对预设图像识别模型的参数进行调整，得到目标图像识别模型。
本实施例可以将喷丝板样本图像输入预设图像识别模型中，得到各个微孔的预测状态信息，即各个微孔的预测形状状态。
然后可以根据各个微孔的预测状态信息以及标注状态信息，确定第一损失函数。
温度标量用于调整所述第一损失函数中的温度参数，以用于平衡预设图像检测模型对不同形状类别的微孔之间差异的敏感性，提高分类和识别的准确度。温度参数是指用于控制类别之间相对距离的参数。
本实施例中，第一损失函数可以利用下方公式实现：
其中，表示第一损失函数，/>表示第i个喷丝板样本图像的预测状态信息，即第i个喷丝板样本图像中各个微孔的预测状态信息，/>表示各个喷丝板样本图像中各个微孔的预测状态信息的集合，/>。/>表示第i个喷丝板样本图像中的标注状态信息，即第i个喷丝板样本图像中各个微孔的标注状态信息，并且/>表示各个喷丝板样本图像中各个微孔的标注状态信息的集合，/>，/>表示第i个喷丝板样本图像中预测状态信息的置信度，/>表示第i个样本图像中标注状态信息的置信度， N表示喷丝板样本图像数量，/>为大于等于1小于等于N的正整数。
将温度标量添加至第一损失函数/>，即将温度标量/>作为第二损失函数中的可调节的变量添加至第二损失函数，得到的第二损失函数/>可以利用下方公式实现：
通过上述实施例的第二损失函数可以对预设图像识别模型的参数进行调整，从而得到目标损失函数。温度标量可以增加损失函数的灵活性，有利于进一步提升模型的性能。
在一些实施例中，将温度标量添加至第一损失函数，得到第二损失函数，包括：
基于温度标量，确定动态温度函数，动态温度函数用于表征温度标量随时间的变化关系；
将动态温度函数添加至第一损失函数，得到第二损失函数。
本实施例中，还可以通过温度标量，引入动态温度函数/>，/>，其中，/>为多项式系数的三元组，/>可以为多项式的系数，/>表示归一化微调迭代指标，与时间正相关，其可以为大于等于0且小于等于1。
将动态温度函数添加至第一损失函数，可以得到第二损失函数为：
其中，为/>对应的分类缩放系数，/>为/>对应的分类缩放系数。
由于温度可以随时间升高或降低，带有动态温度函数的第二损失函数可以使预测分布更平滑或更锐利，有助于实现第二损失函数的收敛。
在一些实施例中，基于各个微孔的预测状态信息以及各个微孔的标注状态信息，确定第一损失函数，包括：基于各个微孔的预测状态信息、各个微孔的标注状态信息以及第一图像识别模型的损失函数，确定第一损失函数。
本实施例中，还可以结合第一图像识别模型的损失函数，得到第一损失函数，例如将第一图像识别模型的损失函数作为第一损失函数的一个参考项，从而结合能够参考第一图像识别模型，来得到第一损失函数，以简化损失函数的确定过程。
图4是本公开一实施例提供的喷丝板检测方法的流程示意图；请参照图1、图2和图4，本公开实施例提供一种喷丝板检测方法400，用于喷丝板检测设备，喷丝板检测设备包括夹持件110、光源120、成像件130以及放大件140，夹持件110用于夹持喷丝板200，光源120和成像件130分别位于夹持件110的两侧，放大件140位于成像件130和夹持件110之间，光源120发出的光能够经过喷丝板200的各个待测微孔210、并经放大件140放大后在成像件130上形成喷丝板投影图像；方法400包括步骤S401至步骤S403。
步骤S401，获取成像件上的喷丝板投影图像；
步骤S402，利用目标图像识别模型对喷丝板投影图像进行处理，得到喷丝板中各个待测微孔的状态信息，其中，目标图像识别模型为根据上述任一项的训练方法训练得到的；
步骤S403，基于各个待测微孔的状态信息，确定喷丝板的检测结果。
喷丝板检测装置的结构可以参考上述实施例的说明，不再赘述，步骤S401，可以通过喷丝板检测装置中的拍摄件例如摄像头等，拍摄成像件上的投影图像，从而获得喷丝板投影图像。
接着可以利用训练好的目标图像识别模型对喷丝板投影图像进行处理，该目标图像识别模型为采用上述训练方法训练得到的，其可以输出喷丝板中各个待测微孔的状态信息，即各个待测微孔的形状状态。
步骤S403可以根据各个待测微孔的状态信息，得到喷丝板的检测结果。
可以理解，本实施例提供的检测方法利用目标图像识别模型可以对喷丝板投影图像进行处理，从而得到各个待测微孔的状态信息，进而可以检测该喷丝板是否合格，该过程无需人工检测，省时省力，检测效率和准确率更高。
在一些实施例中，步骤S403中，基于各个待测微孔的状态信息，确定喷丝板的检测结果，可以包括：
基于各个待测微孔的状态信息，确定微孔合格率，微孔合格率为状态信息与预设状态相匹配的待测微孔的数量占待测微孔总数量的比率；
基于微孔合格率以及合格率阈值，确定喷丝板的检测结果。
预设状态可以为待测微孔的标准状态，即未堵塞也未开裂的待测微孔的形状。通过各个待测微孔的状态信息，可以确定与预设状态相匹配的待测微孔的数量，即形状未发生变化的待测微孔的数量。利用该数量除以待测微孔的总数量，可以得到微孔的合格率。
合格率阈值可以根据实际情况进行设置，例如可以为1，也可以为0.98等，具体可以根据情况进行设置。若合格率阈值选择1，则表示所有待测微孔都未发生形状变化，才表示该喷丝板合格，除此之外，该喷丝板属于不合格产品，需要进行清洗或更换。
在一些实施例中，方法400还包括：在检测结果满足预设合格条件的情况下，控制喷丝板检测设备中的机械臂将喷丝板移动至用于放置合格喷丝板的第一区域。
请参照图1，喷丝板检测设备中还可以设置有机械臂150，机械臂150可以为常见的能够实现多自由度运动的结构。
检测结果满足预设合格条件，可以为微孔合格率大于或等于合格率阈值。在该条件下，还可以通过机械臂150搬运该喷丝板至第一区域中，第一区域可以为合格喷丝板的存放区域。
通过机械臂搬运喷丝板可以在实现喷丝板检测的同时，对喷丝板进行分类，进一步简化人力成本。
在一些实施例中，方法400还包括：
在检测结果未满足预设合格条件的情况下，控制喷丝板检测设备中的机械臂将喷丝板移动至用于放置未合格喷丝板的第二区域；
发送用于表征喷丝板未合格的第一通知，第一通知包括喷丝板的编号。
当检测结果不满足预设合格条件的情况下，可以通过机械臂150将喷丝板搬运至第二区域中，第二区域可以为不合格喷丝板的存放区域，从而可以方便工作人员及时对该部分喷丝板进行清洗等等。
另外，在搬运至第二区域的同时，还可以将第一通知发送至工作人员，通知工作人员第二区域存在不合格的喷丝板，同时，第一通知还可以包括喷丝板的编号等信息，以方便对喷丝板进行管理。
在一些实施例中，请参照图1，喷丝板检测设备包括第一摄像件161以及第二摄像件162，第一摄像件161和第二摄像件162分别位于成像件130中轴线的两侧。
步骤S401中，获取成像件上的喷丝板投影图像，包括：
控制第一摄像件拍摄成像件上的第一投影图像；
控制第二摄像件拍摄成像件上的第二投影图像，其中，第一投影图像和第二投影图像为同一喷丝板的投影图像；
基于第一投影图像和第二投影图像，确定喷丝板投影图像。
本实施例中，喷丝板检测设备可以包括两个拍摄件，两个拍摄件可以分别位于成像件130的两侧，例如左右两侧从而可以从不同角度拍摄成像件130上的喷丝板投影图像。
获取成像件上的喷丝板投影图像，可以分别通过第一拍摄件获取成像件上的第一投影图像，通过第二拍摄件获取成像件上的第二投影图像。第一投影图像和第二投影图像拍摄的为同一个喷丝板不同角度的投影图像。
然后可以根据第一投影图像和第二投影图像，来得到喷丝板投影图像，从而可以根据不同角度的投影图像，提高喷丝板投影图像的准确性。
在一些实施例中，基于第一投影图像和第二投影图像，确定喷丝板投影图像，包括：
对第一投影图像进行透视矫正，得到第一矫正图像；
对第二投影图像进行透视矫正，得到第二矫正图像；
对第一矫正图像和第二矫正图像进行融合，得到喷丝板投影图像。
可以理解，由于第一投影图像和第二投影图像分别位于成像件中轴线的两侧，第一投影图像和第二投影图像会因视角产生一定形变，可以先通过透视矫正对投影图像分别进行处理，从而可以得到第一矫正图像和第二矫正图像。第一矫正图像和第二矫正图像可以与喷丝板在成像件130上的正投影图像视角相同。
接着可以将第一矫正图像和第二矫正图像进行融合，例如将两者所呈现的投影的边缘进行叠加，以提高喷丝板投影图像的清晰度和准确度，有利于提高检测结果的准确性。
图5是本公开一实施例提供的图像识别模型的训练装置的示意性框图，请参照图5，本公开实施例提供一种图像识别模型的训练装置500，包括：
处理单元501，用于基于第一图像识别模型对喷丝板样本图像进行处理，得到喷丝板样本图像中各个微孔的标注状态信息，其中，喷丝板样本图像为光源发出的光依次经过喷丝板样本的各个微孔，并经放大件放大后在成像件上形成的投影图像，各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；
训练单元502，用语言基于喷丝板样本图像以及各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，目标图像识别模型用于对喷丝板投影图像进行处理，以得到喷丝板中各个微孔的状态信息。
在一些实施例中，处理单元501还用于：
将喷丝板样本图像输入第一图像识别模型中的第一子模型，得到各个微孔的第一信息集合，第一信息集合包括各个微孔的第一状态信息、各个微孔的第一位置信息以及各个微孔的第一状态信息对应的第一置信度；
将喷丝板样本图像输入第一图像识别模型中的第二子模型，得到各个微孔的第二信息集合，第二信息集合包括各个微孔的第二状态信息、各个微孔的第二位置信息以及各个微孔的第二状态信息对应的第二置信度；
基于第一信息集合以及第二信息集合，确定各个微孔的标注状态信息。
在一些实施例中，处理单元501还用于：
基于第一信息集合中的第一位置信息以及第二信息集合中的第二位置信息，确定各个微孔的状态信息子集，状态信息子集包括同一微孔的第一状态信息以及第二状态信息；
针对各个微孔中的第一微孔的状态信息子集，在第一微孔的第一状态信息与第一微孔的第二状态信息不匹配的情况下，基于第一状态信息对应的第一置信度以及第二状态信息对应的第二置信度，确定第一微孔的综合置信度；
基于第一微孔的综合置信度以及置信度阈值，确定第一微孔的标注状态信息；
至少基于第一微孔的标注状态信息，确定各个微孔的标注状态信息。
在一些实施例中，训练单元502还用于：
基于预设图像识别模型对喷丝板样本图像进行处理，得到各个微孔的预测状态信息；
基于各个微孔的预测状态信息以及各个微孔的标注状态信息，确定第一损失函数；
将温度标量添加至第一损失函数，得到第二损失函数，温度标量用于平衡预设图像检测模型对不同形状状态的微孔之间差异的敏感性；
基于第二损失函数，对预设图像识别模型的参数进行调整，得到目标图像识别模型。
在一些实施例中，训练单元502还用于：
基于温度标量，确定动态温度函数，动态温度函数用于表征温度标量随时间的变化关系；
将动态温度函数添加至第一损失函数，得到第二损失函数。
在一些实施例中，训练单元502还用于：
基于各个微孔的预测状态信息、各个微孔的标注状态信息以及第一图像识别模型的损失函数，确定第一损失函数。
图6是本公开另一实施例提供的喷丝板检测装置的示意性框图，请参照图6，本公开实施例提供一种喷丝板检测装置600，用于喷丝板检测设备，喷丝板检测设备包括夹持件110、光源120、成像件130以及放大件140，夹持件110用于夹持喷丝板，光源120和成像件130分别位于夹持件110的两侧，放大件140位于成像件130和夹持件110之间，光源120发出的光能够经过喷丝板200的各个待测微孔210，并经放大件140放大后在成像件130上形成喷丝板投影图像；装置600包括：
获取单元601，获取成像件上的喷丝板投影图像；
预测单元602，用于利用目标图像识别模型对喷丝板投影图像处理预测，得到喷丝板中各个待测微孔的状态信息，其中，目标图像识别模型为根据以上任一项实施例的训练方法训练得到的；
确定单元603，用于基于各个待测微孔的状态信息，确定喷丝板的检测结果。
在一些实施例中，确定单元603还用于：
在检测结果满足预设合格条件的情况下，控制喷丝板检测设备中的机械臂将喷丝板移动至用于放置合格喷丝板的第一区域。
在一些实施例中，确定单元603还用于：
在检测结果未满足预设合格条件的情况下，控制喷丝板检测设备中的机械臂将喷丝板移动至用于放置未合格喷丝板的第二区域；
发送用于表征喷丝板未合格的第一通知，第一通知包括喷丝板的编号。
在一些实施例中，喷丝板检测设备包括第一摄像件以及第二摄像件，第一摄像件和第二摄像件分别位于成像件中轴线的两侧；
获取单元601还用于：
控制第一摄像件拍摄成像件上的第一投影图像；
控制第二摄像件拍摄成像件上的第二投影图像，其中，第一投影图像和第二投影图像为同一喷丝板的投影图像；
基于第一投影图像和第二投影图像，确定喷丝板投影图像。
在一些实施例中，获取单元601还用于：
对第一投影图像进行透视矫正，得到第一矫正图像；
对第二投影图像进行透视矫正，得到第二矫正图像；
对第一矫正图像和第二矫正图像进行融合，得到喷丝板投影图像。
在一些实施例中，确定单元603还用于：
基于各个待测微孔的状态信息，确定微孔合格率，微孔合格率为状态信息与预设状态相匹配的待测微孔的数量占待测微孔总数量的比率；
基于微孔合格率以及合格率阈值，确定喷丝板的检测结果。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开实施例提供一种喷丝板检测设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项实施例的方法。
本公开实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据上述任一项实施例的方法。
图7是用来实现本公开实施例的图像识别模型的训练方法或喷丝板检测方法的喷丝板检测设备的框图。如图7所示，该喷丝板检测设备包括：存储器710和处理器720，存储器710内存储有可在处理器720上运行的计算机程序。存储器710和处理器720的数量可以为一个或多个。存储器710可以存储一个或多个计算机程序，当该一个或多个计算机程序被该喷丝板检测设备执行时，使得该喷丝板检测设备执行上述方法实施例提供的方法。该喷丝板检测设备还可以包括：通信接口730，用于与外界设备进行通信，进行数据交互传输。
如果存储器710、处理器720和通信接口730独立实现，则存储器710、处理器720和通信接口730可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器710、处理器720及通信接口730集成在一块芯片上，则存储器710、处理器720及通信接口730可以通过内部接口完成相互间的通信。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(Advanced RISC Machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic Random Access Memory ，DRAM) 、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct RAMBUS RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质，或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))或半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。值得注意的是，本公开提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本公开实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本公开实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
在本公开实施例的描述中，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的数量。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。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (16)
1.一种图像识别模型的训练方法，包括：
基于第一图像识别模型对喷丝板样本图像进行处理，得到所述喷丝板样本图像中各个微孔的标注状态信息，其中，所述喷丝板样本图像为光源发出的光经过所述喷丝板样本的各个微孔、并经放大件放大后在成像件上形成的投影图像，所述各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；
基于所述喷丝板样本图像以及所述各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，所述目标图像识别模型用于对喷丝板投影图像进行处理，以得到所述喷丝板中各个微孔的状态信息。
2.根据权利要求1所述的方法，其中，基于第一图像识别模型对喷丝板样本图像进行处理，得到所述喷丝板样本图像中各个微孔的标注状态信息，包括：
将所述喷丝板样本图像输入所述第一图像识别模型中的第一子模型，得到所述各个微孔的第一信息集合，所述第一信息集合包括所述各个微孔的第一状态信息、所述各个微孔的第一位置信息以及所述各个微孔的第一状态信息对应的第一置信度；
将所述喷丝板样本图像输入所述第一图像识别模型中的第二子模型，得到所述各个微孔的第二信息集合，所述第二信息集合包括所述各个微孔的第二状态信息、所述各个微孔的第二位置信息以及所述各个微孔的第二状态信息对应的第二置信度；
基于所述第一信息集合以及所述第二信息集合，确定所述各个微孔的标注状态信息。
3.根据权利要求2所述的方法，其中，基于所述第一信息集合以及所述第二信息集合，确定所述各个微孔的标注状态信息，包括：
基于所述第一信息集合中的第一位置信息以及所述第二信息集合中的第二位置信息，确定所述各个微孔的状态信息子集，所述状态信息子集包括同一微孔的第一状态信息以及第二状态信息；
针对所述各个微孔中的第一微孔的状态信息子集，在所述第一微孔的第一状态信息与所述第一微孔的第二状态信息不匹配的情况下，基于所述第一状态信息对应的第一置信度以及所述第二状态信息对应的第二置信度，确定所述第一微孔的综合置信度；
基于所述第一微孔的综合置信度以及置信度阈值，确定所述第一微孔的标注状态信息；
至少基于所述第一微孔的标注状态信息，确定所述各个微孔的标注状态信息。
4.根据权利要求1-3中任一项所述的方法，其中，基于所述喷丝板样本图像以及所述各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，包括：
基于预设图像识别模型对所述喷丝板样本图像进行处理，得到各个微孔的预测状态信息；
基于所述各个微孔的预测状态信息以及所述各个微孔的标注状态信息，确定第一损失函数；
将温度标量添加至所述第一损失函数，得到第二损失函数，所述温度标量用于平衡所述预设图像检测模型对不同形状状态的微孔之间差异的敏感性；
基于所述第二损失函数，对所述预设图像识别模型的参数进行调整，得到所述目标图像识别模型。
5.根据权利要求4所述的方法，其中，将温度标量添加至所述第一损失函数，得到第二损失函数，包括：
基于温度标量，确定动态温度函数，所述动态温度函数用于表征所述温度标量随时间的变化关系；
将所述动态温度函数添加至所述第一损失函数，得到所述第二损失函数。
6.根据权利要求4所述的方法，其中，基于所述各个微孔的预测状态信息以及所述各个微孔的标注状态信息，确定第一损失函数，包括：
基于所述各个微孔的预测状态信息、所述各个微孔的标注状态信息以及所述第一图像识别模型的损失函数，确定第一损失函数。
7.一种喷丝板检测方法，用于喷丝板检测设备，所述喷丝板检测设备包括夹持件、光源、成像件以及放大件，所述夹持件用于夹持喷丝板，光源和成像件分别位于所述夹持件的两侧，所述放大件位于所述成像件和所述夹持件之间，所述光源发出的光能够经过所述喷丝板的各个待测微孔、并经所述放大件放大后在所述成像件上形成喷丝板投影图像；所述方法包括：
获取所述成像件上的喷丝板投影图像；
利用目标图像识别模型对所述喷丝板投影图像进行处理，得到所述喷丝板中各个待测微孔的状态信息，其中，所述目标图像识别模型为根据权利要求1-6中任一项所述的训练方法训练得到的；
基于所述各个待测微孔的状态信息，确定所述喷丝板的检测结果。
8.根据权利要求7所述的方法，还包括：
在所述检测结果满足预设合格条件的情况下，控制所述喷丝板检测设备中的机械臂将所述喷丝板移动至用于放置合格喷丝板的第一区域。
9.根据权利要求7所述的方法，还包括：
在所述检测结果未满足预设合格条件的情况下，控制喷丝板检测设备中的机械臂将所述喷丝板移动至用于放置未合格喷丝板的第二区域；
发送用于表征所述喷丝板未合格的第一通知，所述第一通知包括所述喷丝板的编号。
10.根据权利要求7-9中任一项所述的方法，其中，喷丝板检测设备包括第一摄像件以及第二摄像件，所述第一摄像件和所述第二摄像件分别位于所述成像件中轴线的两侧；
获取所述成像件上的喷丝板投影图像，包括：
控制所述第一摄像件拍摄所述成像件上的第一投影图像；
控制所述第二摄像件拍摄所述成像件上的第二投影图像，其中，所述第一投影图像和所述第二投影图像为同一喷丝板的投影图像；
基于所述第一投影图像和所述第二投影图像，确定所述喷丝板投影图像。
11.根据权利要求10所述的方法，其中，基于所述第一投影图像和所述第二投影图像，确定所述喷丝板投影图像，包括：
对所述第一投影图像进行透视矫正，得到第一矫正图像；
对所述第二投影图像进行透视矫正，得到第二矫正图像；
对所述第一矫正图像和所述第二矫正图像进行融合，得到所述喷丝板投影图像。
12.根据权利要求7-9中任一项所述的方法，其中，基于所述各个待测微孔的状态信息，确定所述喷丝板的检测结果，包括：
基于所述各个待测微孔的状态信息，确定微孔合格率，所述微孔合格率为状态信息与预设状态相匹配的待测微孔的数量占待测微孔总数量的比率；
基于所述微孔合格率以及合格率阈值，确定所述喷丝板的检测结果。
13.一种图像识别模型的训练装置，包括：
处理单元，用于基于第一图像识别模型对喷丝板样本图像进行处理，得到所述喷丝板样本图像中各个微孔的标注状态信息，其中，所述喷丝板样本图像为光源发出的光依次经过喷丝板样本的各个微孔，并经放大件放大后在成像件上形成的投影图像，所述各个微孔的标注状态信息用于表征与其对应各个微孔的形状状态；
训练单元，用语言基于所述喷丝板样本图像以及所述各个微孔的标注状态信息，对预设图像识别模型进行训练，得到目标图像识别模型，所述目标图像识别模型用于对喷丝板投影图像进行处理，以得到所述喷丝板中各个微孔的状态信息。
14.一种喷丝板检测装置，用于喷丝板检测设备，所述喷丝板检测设备包括夹持件、光源、成像件以及放大件，所述夹持件用于夹持喷丝板，光源和成像件分别位于所述夹持件的两侧，所述放大件位于所述成像件和所述夹持件之间，所述光源发出的光能够经过所述喷丝板的各个待测微孔，并经所述放大件放大后在所述成像件上形成喷丝板投影图像；所述装置包括：
获取单元，获取所述成像件上的喷丝板投影图像；
预测单元，用于利用目标图像识别模型对所述喷丝板投影图像处理预测，得到所述喷丝板中各个待测微孔的状态信息，其中，所述目标图像识别模型为根据权利要求1-6中任一项所述的训练方法训练得到的；
确定单元，用于基于所述各个待测微孔的状态信息，确定所述喷丝板的检测结果。
15.一种喷丝板检测设备，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指令，所述指令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1-12中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311564507.5A CN117274965B (zh) | 2023-11-21 | 2023-11-21 | 图像识别模型的训练方法、喷丝板检测方法及装置 |
| JP2024100541A JP7535682B1 (ja) | 2023-11-21 | 2024-06-21 | 画像認識モデルのトレーニング方法、紡糸口金検査方法、画像認識モデルのトレーニングデバイス、紡糸口金検査デバイス、電子デバイス及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311564507.5A CN117274965B (zh) | 2023-11-21 | 2023-11-21 | 图像识别模型的训练方法、喷丝板检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274965A true CN117274965A (zh) | 2023-12-22 |
| CN117274965B CN117274965B (zh) | 2024-03-05 |
Family
ID=89209131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311564507.5A Active CN117274965B (zh) | 2023-11-21 | 2023-11-21 | 图像识别模型的训练方法、喷丝板检测方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7535682B1 (zh) |
| CN (1) | CN117274965B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819157A (zh) * | 2010-04-27 | 2010-09-01 | 东华大学 | 一种喷丝板检测仪 |
| US20200250845A1 (en) * | 2019-01-31 | 2020-08-06 | Fujitsu Limited | Evaluation method and information processing apparatus |
| CN111798449A (zh) * | 2020-09-09 | 2020-10-20 | 江苏恒力化纤股份有限公司 | 一种基于图像技术的喷丝板残留杂质检测方法 |
| CN112068215A (zh) * | 2020-09-25 | 2020-12-11 | 淄博一凡针织有限公司 | 一种喷丝板的堵孔检测装置 |
| CN112730437A (zh) * | 2020-12-28 | 2021-04-30 | 中国纺织科学研究院有限公司 | 基于深度可分离卷积神经网络的喷丝板表面缺陷检测方法、装置、存储介质及设备 |
| CN113780469A (zh) * | 2021-09-28 | 2021-12-10 | 杭州网易智企科技有限公司 | 图像识别模型的训练方法、介质、装置和计算设备 |
| CN114004818A (zh) * | 2021-11-04 | 2022-02-01 | 中国联合网络通信集团有限公司 | 喷丝嘴缺陷检测方法、装置、电子设备及可读存储介质 |
| CN114234796A (zh) * | 2021-10-26 | 2022-03-25 | 深圳市裕展精密科技有限公司 | 检测孔的方法、孔检测装置及孔检测设备 |
| CN116129348A (zh) * | 2022-12-10 | 2023-05-16 | 富鼎电子科技(嘉善)有限公司 | 异物检测方法、装置、电子设备及计算机可读存储介质 |
| CN116128829A (zh) * | 2022-12-31 | 2023-05-16 | 成都云天励飞技术有限公司 | 异形孔检测方法、装置、电子设备及存储介质 |
| CN116228710A (zh) * | 2023-03-01 | 2023-06-06 | 深圳市鑫路远电子设备有限公司 | 一种多制式电源板的生产质量监测方法及系统 |
| CN116935368A (zh) * | 2023-06-14 | 2023-10-24 | 北京百度网讯科技有限公司 | 深度学习模型训练方法、文本行检测方法、装置及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5296643B2 (ja) | 2009-09-08 | 2013-09-25 | 帝人株式会社 | 紡糸口金の異常検査装置及び異常検査方法 |
| JP6651085B1 (ja) | 2019-07-03 | 2020-02-19 | Ａｗｌ株式会社 | 属性認識システム、学習サーバ、及び属性認識プログラム |
-
2023
- 2023-11-21 CN CN202311564507.5A patent/CN117274965B/zh active Active
-
2024
- 2024-06-21 JP JP2024100541A patent/JP7535682B1/ja active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101819157A (zh) * | 2010-04-27 | 2010-09-01 | 东华大学 | 一种喷丝板检测仪 |
| US20200250845A1 (en) * | 2019-01-31 | 2020-08-06 | Fujitsu Limited | Evaluation method and information processing apparatus |
| CN111798449A (zh) * | 2020-09-09 | 2020-10-20 | 江苏恒力化纤股份有限公司 | 一种基于图像技术的喷丝板残留杂质检测方法 |
| CN112068215A (zh) * | 2020-09-25 | 2020-12-11 | 淄博一凡针织有限公司 | 一种喷丝板的堵孔检测装置 |
| CN112730437A (zh) * | 2020-12-28 | 2021-04-30 | 中国纺织科学研究院有限公司 | 基于深度可分离卷积神经网络的喷丝板表面缺陷检测方法、装置、存储介质及设备 |
| CN113780469A (zh) * | 2021-09-28 | 2021-12-10 | 杭州网易智企科技有限公司 | 图像识别模型的训练方法、介质、装置和计算设备 |
| CN114234796A (zh) * | 2021-10-26 | 2022-03-25 | 深圳市裕展精密科技有限公司 | 检测孔的方法、孔检测装置及孔检测设备 |
| CN114004818A (zh) * | 2021-11-04 | 2022-02-01 | 中国联合网络通信集团有限公司 | 喷丝嘴缺陷检测方法、装置、电子设备及可读存储介质 |
| CN116129348A (zh) * | 2022-12-10 | 2023-05-16 | 富鼎电子科技(嘉善)有限公司 | 异物检测方法、装置、电子设备及计算机可读存储介质 |
| CN116128829A (zh) * | 2022-12-31 | 2023-05-16 | 成都云天励飞技术有限公司 | 异形孔检测方法、装置、电子设备及存储介质 |
| CN116228710A (zh) * | 2023-03-01 | 2023-06-06 | 深圳市鑫路远电子设备有限公司 | 一种多制式电源板的生产质量监测方法及系统 |
| CN116935368A (zh) * | 2023-06-14 | 2023-10-24 | 北京百度网讯科技有限公司 | 深度学习模型训练方法、文本行检测方法、装置及设备 |
Non-Patent Citations (3)
| Title |
|---|
| PEI FENG等: "The study of the development of the spinneret automatic fine machine based on properties of mechanical materials", APPLIED MECHANICS AND MATERIALS, 30 June 2013 (2013-06-30) * |
| 谭志银: "非织造熔纺喷丝板自动化检测与加工技术的研究", 中国优秀硕士学位论文全文数据库工程科技I辑, no. 04, 15 April 2013 (2013-04-15) * |
| 贺聪: "碳纤维原丝纺丝工艺的智能监测系统", 中国优秀硕士学位论文全文数据库工程科技I辑, no. 05, 15 May 2014 (2014-05-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7535682B1 (ja) | 2024-08-16 |
| CN117274965B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11341626B2 (en) | Method and apparatus for outputting information | |
| US9824432B2 (en) | Peripheral inspection system and method | |
| CN106949848B (zh) | 一种高精度激光3d轮廓手机结构件检测方法 | |
| JP7200113B2 (ja) | 深くスタック化された層を有するウェハにおいて欠陥分類器を訓練して適用するためのシステムと方法 | |
| CN112352149A (zh) | 用于自动分析空气样品的系统和方法 | |
| WO2018121269A1 (zh) | 膜片的检测系统、检测方法和装置 | |
| CN109632809B (zh) | 产品质量检测方法及装置 | |
| TW202121251A (zh) | 活體檢測方法及裝置、儲存介質 | |
| CN113870172A (zh) | 指示用于训练的缺陷图像的数目的工件检查和缺陷检测系统 | |
| JP2023551398A (ja) | Ｉｃパッケージ搭載板のマルチスケール外観欠陥検査方法及びその装置、デバイス及び媒体 | |
| TW202006608A (zh) | 遞迴性深度學習系統的訓練方法與檢測系統 | |
| CN117274965B (zh) | 图像识别模型的训练方法、喷丝板检测方法及装置 | |
| CN117197087A (zh) | 样本数据的处理方法、装置、电子设备和存储介质 | |
| CN116625239B (zh) | 一种基于图像处理的台阶孔检测方法、装置及系统 | |
| TW201404120A (zh) | 測試系統、成像裝置以及測試方法 | |
| WO2020162409A1 (ja) | プラスチック光ファイバのコア径計測方法およびそれに用いるプラスチック光ファイバのコア径計測装置、プラスチック光ファイバの欠陥検出方法およびそれに用いるプラスチック光ファイバの欠陥検出装置 | |
| JP2010139379A (ja) | 欠陥検出方法、欠陥検出装置、これらを用いたフィルムの製造方法及び装置 | |
| JP6708695B2 (ja) | 検査装置 | |
| TWI793883B (zh) | 用於線材皮膜的缺陷檢測方法及系統 | |
| TW201317587A (zh) | 尺寸檢測裝置及方法 | |
| JP7272419B2 (ja) | 画像撮影装置 | |
| CN115685576A (zh) | 一种镜头调芯方法和设备 | |
| JP2022052003A (ja) | 解析装置、解析方法および解析プログラム | |
| CN106706641B (zh) | 一种多晶硅薄膜的质量检测方法和系统 | |
| CN112782176A (zh) | 一种产品外观检测方法及装置 |
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 |