CN117422690A - 一种多模型的自动化更新方法及装置 - Google Patents
一种多模型的自动化更新方法及装置 Download PDFInfo
- Publication number
- CN117422690A CN117422690A CN202311429983.6A CN202311429983A CN117422690A CN 117422690 A CN117422690 A CN 117422690A CN 202311429983 A CN202311429983 A CN 202311429983A CN 117422690 A CN117422690 A CN 117422690A
- Authority
- CN
- China
- Prior art keywords
- model
- defect detection
- defect
- detection sub
- over
- 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
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000007547 defect Effects 0.000 claims abstract description 250
- 238000001514 detection method Methods 0.000 claims abstract description 215
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000007689 inspection Methods 0.000 claims description 21
- 238000002372 labelling Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种多模型的自动化更新方法及装置,属于工业检测技术领域,所述方法包括:利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。本发明基于过漏检图像的类别自动划分、缺陷检测子模型优选等方法,实现多模型的自动化迭代,替代了人工进行模型训练的相关工作,显著减轻算法调试的工作量,提升工业缺陷检测的工作效率。
Description
技术领域
本发明涉及工业检测技术领域,尤其涉及一种多模型的自动化更新方法及装置。
背景技术
在工业检测领域,特别是针对复杂背景、缺陷种类多、缺陷对比度低等情况,使用深度学习算法可以取得更好的效果。在使用深度学习模型的过程中,要完成一个缺陷检测任务,依赖单个模型很难达成客户要求的检出指标,通常是基于多个模型的组合来实现客户要求的指标,多模型级联已经成为项目实际落地的重要方法。
在工业检测实际应用过程中,单个模型无法有效的达成满足要求的过漏检指标,一般会采用多模型组合的方式来形成算法方案来达成检出要求,经常会用到分割+检测+分类的多模型组合,针对一些复杂项目,使用的模型数量会多达十几个,甚至几十个,因此针对几十个模型的维护是一个费时费力且枯燥的工作,而且这个过程中,大部分的步骤是没有技术难度的重复工作,因此如何高效、自动化的完成模型迭代工作是当前的迫切需求。
发明内容
本发明提供一种多模型的自动化更新方法及装置,用以解决现有技术中难以自动的对多模型进行迭代更新的缺陷。
第一方面,本发明提供一种多模型的自动化更新方法,应用于缺陷检测模型的更新,所述缺陷检测模型包括多个缺陷检测子模型,在确定每个缺陷检测子模型的过漏检图像集之后,采用以下方法步骤对每个缺陷检测子模型进行更新:利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
根据本发明提供的多模型的自动化更新方法,确定每个缺陷检测子模型的过漏检图像集,包括:将样本图像集输入至缺陷检测模型,获取每个缺陷检测子模型的全流程缺陷图像数据以及输出图像集的缺陷识别结果数据;所述全流程缺陷图像数据包括输入图像集和输出图像集,所述缺陷识别结果数据包括每个识别出的缺陷所属的样本图像的身份标识信息和相对于样本图像的缺陷位置信息;基于所述缺陷识别结果数据与样本图像集的标注数据,进行全流程缺陷图像数据与样本图像集之间的图像缺陷比对,以确定每个缺陷检测子模型的过漏检图像集;所述标注数据包括每个样本图像的身份标识信息以及缺陷真实位置信息。
根据本发明提供的多模型的自动化更新方法,所述过漏检图像集包括过检图像和漏检图像;所述基于所述缺陷识别结果数据与样本图像集的标注数据,进行全流程缺陷图像数据与样本图像集之间的图像缺陷比对,以确定每个缺陷检测子模型的过漏检图像集,包括:根据图像缺陷比对的比对结果,从缺陷识别结果数据中确定缺陷识别错误的缺陷位置信息,作为过检位置信息;以及,从标注数据中确定未被检出的缺陷真实位置信息,作为漏检位置信息;根据所述过检位置信息,从输入图像集中确定出过检图像;以及,根据所述漏检位置信息,从输入图像集中确定出漏检图像。
根据本发明提供的多模型的自动化更新方法,所述基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型,包括:以更新后的缺陷检测子模型的过检图像的个数小于第一预设值,漏检图像的个数小于第二预设值为训练目标,利用更新后的输入图像集,对所述缺陷检测子模型进行训练,以生成目标缺陷检测子模型。
根据本发明提供的多模型的自动化更新方法,所述基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型,还包括:利用更新后的输入图像集,对所述缺陷检测子模型进行训练,获取在训练过程中生成的所有的新缺陷检测子模型;对所有的新缺陷检测子模型进行过漏检统计,并根据过检图像的个数以及漏检图像的个数对每个新缺陷检测子模型进行加权评价,得到加权评价分数;根据每个新缺陷检测子模型的加权评价分数,确定出目标缺陷检测子模型。
根据本发明提供的多模型的自动化更新方法,所述数据类别预测模型包括第一预测模型和第二预测模型;所述第一预测模型用于对漏检图像进行数据类别预测;所述第一预测模型是基于未通过检测的缺陷图像样本与所述缺陷图像样本对应的样本类别标签训练获取的;所述第二预测模型用于对过检图像进行数据类别预测;所述第二预测模型是基于通过检测的正常图像样本与所述正常图像样本对应的样本类别标签训练获取的。
根据本发明提供的多模型的自动化更新方法,所述缺陷检测子模型的类别包括分割模型和分类模型。
第二方面,本发明还提供一种多模型的自动化更新装置,应用于缺陷检测模型,所述缺陷检测模型包括多个缺陷检测子模型,在确定每个缺陷检测子模型的过漏检图像集之后,采用以下功能模块对所述缺陷检测子模型进行更新:
第一处理模块,用于利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;
第二处理模块,用于根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;
第三处理模块,用于在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
第三方面,本发明提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述多模型的自动化更新方法的步骤。
第四方面,本发明还提供一种非暂态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如上述任一种所述多模型的自动化更新方法的步骤。
本发明提供的多模型的自动化更新方法及装置,基于过漏检图像的类别自动划分、缺陷检测子模型优选等方法,实现多模型的自动化迭代,替代了人工进行模型训练的相关工作,显著减轻算法调试的工作量,提升工业缺陷检测的工作效率。
基于本发明的技术方案,人工只需要完成测试图档的标注,即可自动化的完成缺陷检测模型的调试工作,显著提升了缺陷检测模型的调试效率。
本发明提出了一种自动对过漏检图像进行自动类别划分的方法,以更新训练数据集,提高了模型的训练精度。
本发明提出一种缺陷检测子模型的优选的方法,从而选择表现优秀的目标缺陷检测子模型,实现模型的自动化优选。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的多模型的自动化更新方法的流程示意图;
图2是本发明提供的获取目标缺陷检测子模型的方法的流程示意图;
图3是本发明提供的多模型的自动化更新装置的结构示意图;
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本发明实施例的描述中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不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,以便本申请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,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
下面结合图1-图4描述本发明实施例所提供的多模型的自动化更新方法和装置。
需要说明的是,本发明中的缺陷检测模型包括多个缺陷检测子模型,缺陷检测子模型的类别包括但不限于分割模型和分类模型。缺陷检测模型相当于缺陷检测的配方,用于对待检测图像进行缺陷检测。
例如,所述缺陷检测模型包括第一缺陷检测子模型、第二缺陷检测子模型和第三缺陷检测子模型;其中,将所述第一缺陷检测子模型的输出输入给第二缺陷检测子模型;将第二缺陷检测子模型的输出输入给第三缺陷检测子模型,最终基于第三缺陷检测子模型的输出图像集得到缺陷识别结果数据等其他所需数据,以实现缺陷检测。
图1是本发明提供的多模型的自动化更新方法的流程示意图,如图1所示,在确定每个缺陷检测子模型的过漏检图像集之后,包括但不限于以下步骤,以对每个缺陷检测子模型进行更新:
步骤101:利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;
其中,过漏检图像的种类可能为过检图像或者漏检图像,即为过检图像和漏检图像的统称。
可选地,本发明在缺陷检测子模型的更新之前,对本发明利用无标签自蒸馏(self-distillation with no labels,DINO)模型结合K最近邻(k-Nearest Neighbor,KNN)分类算法建立数据类别预测模型,以完成对过漏检图像的分类预测。
步骤102:根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新。
可以理解的是,假设输入图像集包括以下类别的图像数据:点缺陷图像、线缺陷图像、面缺陷图像、边缘区域正常图像以及中间区域正常图像等数据。通过数据类别预测结果与现有的输入图像集对应的数据类别进行比对,将过漏检图像添加至相同类别的集合中,以便于提高后续对缺陷检测子模型的训练效率。
步骤103:在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
可选地,本发明可以将预设数量设置为N,在过漏检图像的个数大于等于N的情况下,触发被更新训练数据集(即输入图像集)的缺陷检测子模型的更新,以获取目标缺陷检测子模型。
本发明可以根据显卡数量配置串行训练/并行训练的方式,以迭代训练缺陷检测子模型,并且要确保在创建初始模型的过程中,训练参数已经正常配置。
本发明基于过漏检图像的类别自动划分、缺陷检测子模型优选等方法,实现多模型的自动化迭代,替代了人工进行模型训练的相关工作,显著减轻算法调试的工作量,提升工业缺陷检测的工作效率。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的多模型的自动化更新方法,确定每个缺陷检测子模型的过漏检图像集,包括:将样本图像集输入至缺陷检测模型,获取每个缺陷检测子模型的全流程缺陷图像数据以及输出图像集的缺陷识别结果数据;基于所述缺陷识别结果数据与样本图像集的标注数据,进行全流程缺陷图像数据与样本图像集之间的图像缺陷比对,以确定每个缺陷检测子模型的过漏检图像集。
其中,所述全流程缺陷图像数据包括输入图像集和输出图像集。输入图像集即为输入至缺陷检测子模型的图像数据的合集,输出图像集即为缺陷检测子模型的输出图像的合集。
所述缺陷识别结果数据包括但不限于每个识别出的缺陷所属的样本图像的身份标识信息、相对于样本图像的缺陷位置信息以及缺陷类型信息等;所述标注数据包括但不限于每个样本图像的身份标识信息、缺陷真实位置信息以及缺陷类型信息等。
可选地,本发明可以将缺陷检测子模型的名称作为文件的一级目录,在一级目录下可以存入全流程缺陷图像数据;其中,全流程缺陷图像数据的文件下还包括:输入图像集和输出图像集对应的文件;进一步地,输出图像集具有对应的缺陷识别结果数据。
可以理解的是,标注数据是人工标注的真值数据便于与后续的缺陷检测模型的缺陷识别结果进行比对。本发明中样本图像的身份标识信息是唯一确定的,在利用缺陷检测子模型对样本图像进行更加细致的分割或者分类生成新的图像后,新的图像也会一致保留上述身份标识信息,以便于基于身份标识信息进行信息溯源比对。
其中,过检是指不存在缺陷的正常图像被错误识别为缺陷图像,漏检是指存在缺陷的缺陷图像被错误识别为正常图像。由于标注数据相当于真值数据,基于对标注数据和缺陷识别结果数据,通过图像缺陷比对的方式,可以非常容易的根据比对结果,确定出过漏检对象,以及过漏检指标对应的位置信息。
在进行图像缺陷比对时,对比方法主要考虑缺陷类别和并交比IOU(Intersectionover Union,IOU),当缺陷类别一致,且IOU大于阈值,则判断为同一缺陷。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的多模型的自动化更新方法,所述过漏检图像集包括过检图像和漏检图像;基于所述缺陷识别结果数据与样本图像集的标注数据,进行全流程缺陷图像数据与样本图像集之间的图像缺陷比对,以确定每个缺陷检测子模型的过漏检图像集,包括:根据图像缺陷比对的比对结果,从缺陷识别结果数据中确定缺陷识别错误的缺陷位置信息,作为过检位置信息;以及,从标注数据中确定未被检出的缺陷真实位置信息,作为漏检位置信息;根据所述过检位置信息,从输入图像集中确定出过检图像;以及,根据所述漏检位置信息,从输入图像集中确定出漏检图像。
具体地,根据比对结果从缺陷识别结果数据中确定缺陷识别错误的缺陷位置信息,作为过检对象对应的过检位置信息;以及,根据比对结果从标注数据中确定未被检出的缺陷真实位置信息,作为漏检对象对应的漏检位置信息。
可选地,基于相同的身份标识信息,对输出图像的缺陷位置信息与样本图像的缺陷真实位置信息进行位置匹配,获取位置匹配失败的目标输出图像,以确定出对应的目标输入图像作为所述过检图像。
基于相同的身份标识信息,对输入图像的漏检位置信息与样本图像的缺陷真实位置信息进行位置匹配,获取位置匹配成功的目标输入图像作为所述漏检图像。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的多模型的自动化更新方法,所述数据类别预测模型包括第一预测模型和第二预测模型;所述第一预测模型用于对漏检图像进行数据类别预测;所述第一预测模型是基于未通过检测的缺陷图像样本与所述缺陷图像样本对应的样本类别标签训练获取的;所述第二预测模型用于对过检图像进行数据类别预测;所述第二预测模型是基于通过检测的正常图像样本与所述正常图像样本对应的样本类别标签训练获取的。
其中,未通过检测的缺陷图像样本属于工业缺陷检测领域中的NG图像,所述NG图像也具有不同的类别;通过检测的正常图像样本属于工业缺陷检测领域中的OK图像,所述OK图像也具有不同的类别。
基于上述实施例的内容,作为一种可选的实施例,本发明提供的多模型的自动化更新方法,所述基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型,包括:以更新后的缺陷检测子模型的过检图像的个数小于第一预设值,漏检图像的个数小于第二预设值为训练目标,利用更新后的输入图像集,对所述缺陷检测子模型进行训练,以生成目标缺陷检测子模型。
可选地,本发明可以从训练数据集和测试数据集两方面同时进行上述实施例的实施,在实际实施的过程中,可以根据需要进行选择。
以训练数据集为例,设置正整数N1(第一预设值)以及N2(第二预设值);以测试数据集为例,设置正整数N3(第一预设值)以及N3(第二预设值)。
在训练数据集和/或测试数据集满足训练目标后,即过检图像的个数小于第一预设值,漏检图像的个数小于第二预设值,确定最终生成的目标缺陷检测子模型。
图2是本发明提供的获取目标缺陷检测子模型的方法的流程示意图,如图2所示,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型,还包括:
步骤201:利用更新后的输入图像集,对所述缺陷检测子模型进行训练,获取在训练过程中生成的所有的新缺陷检测子模型;
步骤202:对所有的新缺陷检测子模型进行过漏检统计,并根据过检图像的个数以及漏检图像的个数对每个新缺陷检测子模型进行加权评价,得到加权评价分数。
例如,加权评价分数=过检图像的个数的倒数*W1+漏检图像的个数的倒数*W2;其中,W1为过检图像对应的权重,W2为漏检图像对应的权重。
加权平价分数的具体计算方式,可以根据需要进行设置,本发明对其计算方式不作唯一性限定。
步骤203:根据每个新缺陷检测子模型的加权评价分数,确定出目标缺陷检测子模型。
在本实施例中,上述加权评价分数越大,表明新缺陷检测子模型表现越好,本发明选择表现最佳的新缺陷检测子模型作为目标缺陷检测子模型。
图3是本发明提供的多模型的自动化更新装置的结构示意图,如图3所示,所述装置包括:第一处理模块301、第二处理模块302以及第三处理模块303。
其中,第一处理模块301,用于利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;
第二处理模块302,用于根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;
第三处理模块303,用于在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
需要说明的是,本发明实施例提供的多模型的自动化更新装置,在具体运行时,可以执行上述任一实施例所述的多模型的自动化更新方法,对此本实施例不作赘述。
综上所述,本发明提供的多模型的自动化更新方法及装置,具有以下有益效果:
(1)本发明提供的多模型的自动化更新方法及装置,基于过漏检图像的类别自动划分、缺陷检测子模型优选等方法,实现多模型的自动化迭代,替代了人工进行模型训练的相关工作,显著减轻算法调试的工作量,提升工业缺陷检测的工作效率。
(2)基于本发明的技术方案,人工只需要完成测试图档的标注,即可自动化的完成缺陷检测模型的调试工作,显著提升了缺陷检测模型的调试效率。
(3)本发明提出了一种自动对过漏检图像进行自动类别划分的方法,以更新训练数据集,提高了模型的训练精度。
(4)本发明提出一种缺陷检测子模型的优选的方法,从而选择表现优秀的目标缺陷检测子模型,实现模型的自动化优选。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行多模型的自动化更新方法,在确定每个缺陷检测子模型的过漏检图像集之后,采用以下方法步骤对每个缺陷检测子模型进行更新:在过漏检图像集中的过漏检图像的个数达到预设数量的情况下,利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
此外,上述的存储器430中的逻辑指令可以通过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介质中。基于这样的理解,本发明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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态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以执行上述各实施例提供的多模型的自动化更新方法,该方法包括:在确定每个缺陷检测子模型的过漏检图像集之后,采用以下方法步骤对每个缺陷检测子模型进行更新:在过漏检图像集中的过漏检图像的个数达到预设数量的情况下,利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
以上所描述的装置实施例仅仅是示意性的,其中所述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。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多模型的自动化更新方法,应用于缺陷检测模型的更新,所述缺陷检测模型包括多个缺陷检测子模型,其特征在于,在确定每个缺陷检测子模型的过漏检图像集之后,采用以下方法步骤对每个缺陷检测子模型进行更新:
利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;
根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;
在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
2.根据权利要求1所述的多模型的自动化更新方法,其特征在于,确定每个缺陷检测子模型的过漏检图像集,包括:
将样本图像集输入至缺陷检测模型,获取每个缺陷检测子模型的全流程缺陷图像数据以及缺陷识别结果数据;所述全流程缺陷图像数据包括输入图像集和输出图像集,所述缺陷识别结果数据包括每个识别出的缺陷所属的样本图像的身份标识信息和相对于样本图像的缺陷位置信息;
基于所述缺陷识别结果数据与样本图像集的标注数据,进行全流程缺陷图像数据与样本图像集之间的图像缺陷比对,以确定每个缺陷检测子模型的过漏检图像集;所述标注数据包括每个样本图像的身份标识信息以及缺陷真实位置信息。
3.根据权利要求2所述的多模型的自动化更新方法,其特征在于,所述过漏检图像集包括过检图像和漏检图像;所述基于所述缺陷识别结果数据与样本图像集的标注数据,进行全流程缺陷图像数据与样本图像集之间的图像缺陷比对,以确定每个缺陷检测子模型的过漏检图像集,包括:
根据图像缺陷比对的比对结果,从缺陷识别结果数据中确定缺陷识别错误的缺陷位置信息,作为过检位置信息;以及,从标注数据中确定未被检出的缺陷真实位置信息,作为漏检位置信息;
根据所述过检位置信息,从输入图像集中确定出过检图像;以及,
根据所述漏检位置信息,从输入图像集中确定出漏检图像。
4.根据权利要求3所述的多模型的自动化更新方法,其特征在于,所述基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型,包括:
以更新后的缺陷检测子模型的过检图像的个数小于第一预设值,漏检图像的个数小于第二预设值为训练目标,利用更新后的输入图像集,对所述缺陷检测子模型进行训练,以生成目标缺陷检测子模型。
5.根据权利要求1所述的多模型的自动化更新方法,其特征在于,所述基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型,还包括:
利用更新后的输入图像集,对所述缺陷检测子模型进行训练,获取在训练过程中生成的所有的新缺陷检测子模型;
对所有的新缺陷检测子模型进行过漏检统计,并根据过检图像的个数以及漏检图像的个数对每个新缺陷检测子模型进行加权评价,得到加权评价分数;
根据每个新缺陷检测子模型的加权评价分数,确定出目标缺陷检测子模型。
6.根据权利要求1所述的多模型的自动化更新方法,其特征在于,所述数据类别预测模型包括第一预测模型和第二预测模型;
所述第一预测模型用于对漏检图像进行数据类别预测;所述第一预测模型是基于未通过检测的缺陷图像样本与所述缺陷图像样本对应的样本类别标签训练获取的;
所述第二预测模型用于对过检图像进行数据类别预测;所述第二预测模型是基于通过检测的正常图像样本与所述正常图像样本对应的样本类别标签训练获取的。
7.根据权利要求1所述的多模型的自动化更新方法,其特征在于,所述缺陷检测子模型的类别包括分割模型和分类模型。
8.一种多模型的自动化更新装置,应用于缺陷检测模型,所述缺陷检测模型包括多个缺陷检测子模型,其特征在于,在确定每个缺陷检测子模型的过漏检图像集之后,采用以下功能模块对所述缺陷检测子模型进行更新:
第一处理模块,用于利用预先训练完成的数据类别预测模型对每个过漏检图像进行数据类别预测;
第二处理模块,用于根据每个过漏检图像的数据类别预测结果,将每个过漏检图像添加至所述缺陷检测子模型的输入图像集对应的数据类别中,以对所述输入图像集进行更新;
第三处理模块,用于在所述输入图像集中新增的过漏检图像的个数达到预设数量的情况下,基于更新后的输入图像集训练缺陷检测子模型,获取目标缺陷检测子模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述多模型的自动化更新方法的步骤。
10.一种非暂态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如权利要求1至7任一项所述多模型的自动化更新方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311429983.6A CN117422690A (zh) | 2023-10-30 | 2023-10-30 | 一种多模型的自动化更新方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311429983.6A CN117422690A (zh) | 2023-10-30 | 2023-10-30 | 一种多模型的自动化更新方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422690A true CN117422690A (zh) | 2024-01-19 |
Family
ID=89528061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311429983.6A Pending CN117422690A (zh) | 2023-10-30 | 2023-10-30 | 一种多模型的自动化更新方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422690A (zh) |
-
2023
- 2023-10-30 CN CN202311429983.6A patent/CN117422690A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI726364B (zh) | 電腦執行的車輛定損方法及裝置 | |
CN107067025B (zh) | 一种基于主动学习的文本数据自动标注方法 | |
TWI703510B (zh) | 車輛損壞識別方法、裝置及計算設備 | |
CN106201871B (zh) | 基于代价敏感半监督的软件缺陷预测方法 | |
CN111460250B (zh) | 用于画像的数据的清洗方法、装置、介质及电子设备 | |
CN109859164B (zh) | 一种通过快速型卷积神经网络对pcba外观检验的方法 | |
CN111353549B (zh) | 图像标签的核验方法及装置、电子设备、存储介质 | |
JP2016133895A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
CN110991657A (zh) | 一种基于机器学习的异常样本检测方法 | |
CN109389109B (zh) | 一种ocr全文本识别正确率的自动化测试方法及设备 | |
CN111626177B (zh) | 一种pcb元件识别方法及装置 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
CN111582358B (zh) | 户型识别模型的训练方法及装置、户型判重的方法及装置 | |
CN109145956B (zh) | 评分方法、装置、计算机设备及存储介质 | |
CN109871891B (zh) | 一种物体识别方法、装置和存储介质 | |
JP2020053073A (ja) | 学習方法、学習システム、および学習プログラム | |
CN114945940A (zh) | 计算机、识别器的学习方法以及分析系统 | |
CN112069069A (zh) | 缺陷自动定位分析方法、设备及可读存储介质 | |
CN113377484A (zh) | 弹窗处理方法及装置 | |
CN115136209A (zh) | 缺陷检测系统 | |
CN111190973A (zh) | 一种申报表的分类方法、装置、设备及存储介质 | |
CN114626457A (zh) | 一种目标检测方法、装置及电子设备 | |
CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
CN117422690A (zh) | 一种多模型的自动化更新方法及装置 |
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 |