CN117576077A - 一种缺陷检测方法、装置、设备和存储介质 - Google Patents
一种缺陷检测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117576077A CN117576077A CN202311719971.7A CN202311719971A CN117576077A CN 117576077 A CN117576077 A CN 117576077A CN 202311719971 A CN202311719971 A CN 202311719971A CN 117576077 A CN117576077 A CN 117576077A
- Authority
- CN
- China
- Prior art keywords
- image
- target
- defect
- sample
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 176
- 230000007547 defect Effects 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 65
- 238000004590 computer program Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 abstract description 20
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 230000002159 abnormal effect Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 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
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种缺陷检测方法、装置、设备和存储介质。该方法包括:获取待检测图像;将待检测图像输入目标检测模型,得到待检测图像对应的图像检测结果,其中,目标检测模型通过目标样本集迭代训练初始检测模型得到,目标样本集包括:目标正样本和目标负样本,目标正样本包括:不包含缺陷的图像样本和不包含缺陷的图像样本对应的检测结果,目标负样本包括:包含缺陷的图像样本和包含缺陷的图像样本对应的检测结果;根据待检测图像对应的图像检测结果确定待检测图像对应的目标缺陷。通过本发明的技术方案,能够用于无人机巡检时满足配电网巡检视频的自动缺陷识别的需求,实现输电线路设备异常状态的自动检测与识别。
Description
技术领域
本发明实施例涉及电力深度视觉技术领域,尤其涉及一种缺陷检测方法、装置、设备和存储介质。
背景技术
随着电网规模的不断扩大,人工巡检所需的人力和财力投入也在持续增长,同时,其潜在的危险性也不容忽视。为了应对这一挑战,各个电力研究机构都在积极推进无人机电力智能巡检的研究。这项研究主要聚焦于以下两个方面:一是无人机的飞行控制技术,也就是路径规划问题;二是针对配电网巡检的航拍图像的目标检测、故障识别以及图像重构等图像处理技术。无人机智能巡检技术的应用,可以有效降低人工成本,节省大量人力物力,提高工作效率,并具有较强的适应性。只需对采集到的配电网设备图像和视频进行处理,即可实现巡检目标,这不仅大大降低了人工巡检工作的难度和危险性,还具有广阔的应用前景。
在配电网的运行过程中,各种设备可能存在潜在的缺陷,如短路、接地、过载等。这些缺陷可能会导致设备损坏、停电等严重后果。因此,及时检测并处理这些缺陷是保障配电网安全运行的重要任务。在配电网中,一些重要的设备和部件尺寸较小,难以被传统的检测方法发现。因此,需要发展出针对超小目标的检测技术,以便更准确地发现并定位潜在的缺陷。此外,智能巡检技术的发展也是电网智能化进程的关键环节。基于深度学习和各种智能算法的缺陷和故障识别技术可以同时高效分析结构化和非结构化数据,这对加速实现输电设备异常的智能化检测与识别,以及提升整个电网系统的智能化水平都具有深远的影响。
发明内容
本发明实施例提供一种缺陷检测方法、装置、设备和存储介质,以实现能够用于无人机巡检时满足配电网巡检视频的自动缺陷识别的需求,实现输电线路设备异常状态的自动检测与识别。
根据本发明的一方面,提供了一种缺陷检测方法,包括:
获取待检测图像;
将所述待检测图像输入目标检测模型,得到所述待检测图像对应的图像检测结果,其中,所述目标检测模型通过目标样本集迭代训练初始检测模型得到,所述目标样本集包括:目标正样本和目标负样本,所述目标正样本包括:不包含缺陷的图像样本和所述不包含缺陷的图像样本对应的检测结果,所述目标负样本包括:包含缺陷的图像样本和所述包含缺陷的图像样本对应的检测结果;
根据所述待检测图像对应的图像检测结果确定所述待检测图像对应的目标缺陷。
根据本发明的另一方面,提供了一种缺陷检测装置,该装置包括:
获取模块,用于获取待检测图像;
输入模块,用于将所述待检测图像输入目标检测模型,得到所述待检测图像对应的图像检测结果,其中,所述目标检测模型通过目标样本集迭代训练初始检测模型得到,所述目标样本集包括:目标正样本和目标负样本,所述目标正样本包括:不包含缺陷的图像样本和所述不包含缺陷的图像样本对应的检测结果,所述目标负样本包括:包含缺陷的图像样本和所述包含缺陷的图像样本对应的检测结果;
确定模块,用于根据所述待检测图像对应的图像检测结果确定所述待检测图像对应的目标缺陷。
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检测方法。
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检测方法。
本发明实施例通过获取待检测图像,将待检测图像输入目标检测模型,得到待检测图像对应的图像检测结果,其中,目标检测模型通过目标样本集迭代训练初始检测模型得到,目标样本集包括:目标正样本和目标负样本,目标正样本包括:不包含缺陷的图像样本和不包含缺陷的图像样本对应的检测结果,目标负样本包括:包含缺陷的图像样本和包含缺陷的图像样本对应的检测结果,根据待检测图像对应的图像检测结果确定待检测图像对应的目标缺陷。通过本发明的技术方案,能够用于无人机巡检时满足配电网巡检视频的自动缺陷识别的需求,实现输电线路设备异常状态的自动检测与识别。
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的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明实施例中的一种缺陷检测方法的流程图;
图2是本发明实施例中的一种缺陷检测装置的结构示意图;
图3是实现本发明实施例的缺陷检测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。
实施例一
图1是本发明实施例中的一种缺陷检测方法的流程图,本实施例可适用于缺陷检测的情况,该方法可以由本发明实施例中的缺陷检测装置来执行,该装置可采用软件和/或硬件的方式实现,如图1所示,该方法具体包括如下步骤:
S101、获取待检测图像。
在本实施例中,待检测图像可以是无人机设备在无人机巡检时拍摄到的配电网设备图像。
具体的,获取配电网巡检的航拍图像,作为待检测图像,还可以是采集配电网设备视频,从视频里截取需要进行缺陷检测的图像,作为待检测图像。
S102、将待检测图像输入目标检测模型,得到待检测图像对应的图像检测结果。
在本实施例中,目标检测模型可以是用于对待检测图像中的超小目标缺陷进行识别检测的模型。优选的,目标检测模型例如可以是训练完成的YOLOv5模型。
其中,目标检测模型通过目标样本集迭代训练初始检测模型得到。
在实际操作过程中,目标样本集可以是利用某地实际巡检获取的配电网缺陷图像构建的。
优选的,在本实施例中,初始检测模型可以是未经训练的YOLOv5模型。
其中,目标样本集包括:目标正样本和目标负样本,目标正样本包括:不包含缺陷的图像样本和不包含缺陷的图像样本对应的检测结果,目标负样本包括:包含缺陷的图像样本和包含缺陷的图像样本对应的检测结果。
需要说明的是,在本实施例中,缺陷可以是配电网设备如短路、接地、过载等的缺陷。其中,不包含缺陷的图像样本可以是不存在缺陷或者缺陷不明显的图像样本,不包含缺陷的图像样本对应的检测结果例如可以是未检测出缺陷;包含缺陷的图像样本可以是有明显的遮挡的图像,包含缺陷的图像样本对应的检测结果例如可以是检测出缺陷并将缺陷用框框起来。
其中,待检测图像对应的图像检测结果可以是在待检测图像中框出缺陷所在后输入的结果。
具体的,利用某地实际巡检获取的配电网缺陷数据构建目标样本集,对目标样本集进行预处理,筛选出合格的图像样本作为模型的输入,例如可以是删除缺陷不明显或者有明显遮挡的图像数据,去除一些缺陷像素占比较大的图像,增加不同环境下的缺陷图像,增强输入图像的鲁棒性。然后按照训练集、验证集与测试集比例为7:2:1进行模型的训练与测试。
S103、根据待检测图像对应的图像检测结果确定待检测图像对应的目标缺陷。
其中,目标缺陷可以是在待检测图像中存在的配电网设备的缺陷。
具体的,根据目标检测模型输出的图像检测结果确定待检测图像中存在的目标缺陷。
本发明实施例通过获取待检测图像,将待检测图像输入目标检测模型,得到待检测图像对应的图像检测结果,其中,目标检测模型通过目标样本集迭代训练初始检测模型得到,目标样本集包括:目标正样本和目标负样本,目标正样本包括:不包含缺陷的图像样本和不包含缺陷的图像样本对应的检测结果,目标负样本包括:包含缺陷的图像样本和包含缺陷的图像样本对应的检测结果,根据待检测图像对应的图像检测结果确定待检测图像对应的目标缺陷。通过本发明的技术方案,能够用于无人机巡检时满足配电网巡检视频的自动缺陷识别的需求,实现输电线路设备异常状态的自动检测与识别。
可选的,通过目标样本集迭代训练初始检测模型,包括:
建立初始检测模型。
将目标样本集中的不包含缺陷的图像样本和包含缺陷的图像样本输入初始检测模型,得到每个图像样本对应的预测检测结果。
其中,每个图像样本包括每个不包含缺陷的图像样本和每个包含缺陷的图像样本,预测检测结果可以是初始检测模型输出的图像检测结果。
根据每个图像样本对应的预测检测结果和每个图像样本对应的检测结果形成的目标函数训练初始检测模型的参数。
其中,目标函数可以是根据每个图像样本对应的预测检测结果和每个图像样本对应的检测结果形成的,用于提升模型对超小目标缺陷识别精度的函数。示例性的,初始检测模型的参数可以是初始检测模型的权重。
返回执行将目标样本集中的不包含缺陷的图像样本和包含缺陷的图像样本输入初始检测模型,得到每个图像样本对应的预测检测结果的操作,直至得到目标检测模型。
可选的,包含缺陷的图像样本对应的检测结果包括至少一个目标框。
需要解释的是,目标框可以是针对包含缺陷的图像样本中的缺陷预先确定的框,即目标框为将包含缺陷的图像样本中存在的缺陷框出来。
根据每个图像样本对应的预测检测结果和每个图像样本对应的检测结果形成的目标函数训练初始检测模型的参数,包括:
获取包含缺陷的图像样本对应的预测检测结果。
其中,包含缺陷的图像样本对应的预测检测结果包括至少一个预测框。
其中,预测框可以是初始检测模型针对包含缺陷的图像样本中的缺陷确定的框。
根据包含缺陷的图像样本对应的至少一个预测框和包含缺陷的图像样本对应的至少一个目标框确定目标函数。
具体的,根据包含缺陷的图像样本中每个缺陷对应的预测框和目标框确定目标函数。
根据目标函数训练初始检测模型的参数。
可选的,根据包含缺陷的图像样本对应的至少一个预测框和包含缺陷的图像样本对应的至少一个目标框确定目标函数,包括:
根据包含缺陷的图像样本对应的至少一个预测框和包含缺陷的图像样本对应的至少一个目标框确定第一度量指标。
可选的,第一度量指标可以为交并比IoU(Intersection over Union,并集上的交集)。
在实际操作过程中,可以将包含缺陷的图像样本中每个缺陷对应的预测框和目标框的交集比上包含缺陷的图像样本中每个缺陷对应的预测框和目标框的并集的结果,作为YOLOv5模型的第一度量指标。
根据包含缺陷的图像样本对应的至少一个预测框确定第二度量指标。
可选的,第二度量指标可以为标准化瓦瑟斯坦距离NWD(Normalized WassersteinDistance,标准化瓦瑟斯坦距离)。
在实际操作过程中,对于较小的目标对象,由于大多数真实对象不能是标准矩形,因此边界框往往具有一些背景信息,目标对象的前景信息和背景信息分别集中在边界框的中心点和边界上。在为边界框构建二维高斯分布时,可以将边界框的中心像素设置为最高权重,然后从中心点逐渐减小到边界,对于边界框,它可以拟合到二维高斯分布中,由此可建立新的度量指标NWD。
根据第一度量指标和第二度量指标确定目标函数。
具体的,YOLOv5模型本身使用IoU作为度量指标,但该指标不能满足对超小目标检测的需求。YOLOv5模型是基于锚点的模型,锚定机构是一种用于小目标的技术,由于可以产生大量密集的锚框,因此网络可以进行目标分类和预测框坐标回归。而密集锚帧对网络的召回能力有一定的提升,对于小目标检测来说是一个很大的优势。为此同时融合NWD指标和IoU指标作为新的指标,解决YOLOv5模型中目标分配的正负样本在小目标检测中容易出错的问题,从而提高模型的性能。
可选的,根据第一度量指标和第二度量指标确定目标函数,包括:
获取第一权重、第二权重以及预设步长。
其中,第一权重可以是根据实际情况预先设置的第一度量指标对应的权重,第二权重可以是根据实际情况预先设置的第二度量指标对应的权重。在本实施例中,第一权重和第二权重满足和为1的约束条件,但第一权重和第二权重的具体数值可以是由用户自行设置的,本实施例不进行限定。优选的,第一权重例如可以是0.1,第二权重例如可以是0.9。
其中,预设步长可以是对第一权重和第二权重进行迭代更新计算的步长,本实施例对预设步长的具体数据不进行限定。优选的,预设步长例如可以是0.1。
根据第一权重、第一度量指标、第二权重以及第二度量指标确定初始函数。
在本实施例中,初始函数的具体表示方式例如可以是:第一权重×第一度量指标+第二权重×第二度量指标。
根据预设步长和初始函数确定目标函数。
具体的,按照预设步长对初始函数中的第一权重和第二权重进行迭代更新,最终确定目标函数。
可选的,根据预设步长和初始函数确定目标函数,包括:
获取初始函数对应的精准度。
在本实施例中,精准度可以是用来衡量模型检测结果是否准确的参数。示例性的,精准度具体可以是AP(Average Precision,平均精准度),也可以是mAP(mean AveragePrecision,对所有类别的AP值求平均值),本实施例对此不进行限定。
具体的,计算初始函数对应的精准度。
基于预设步长对初始函数中的第一权重和第二权重进行迭代更新,得到新的第一权重和第二权重,并获取每次迭代更新后函数对应的新的精准度。
示例性的,第一权重例如可以是0.1,第二权重例如可以是0.9,预设步长例如可以是0.1,初始函数为0.1×第一度量指标+0.9×第二度量指标,则第一次迭代更新后,函数可以更新为0.2×第一度量指标+0.8×第二度量指标,则第二次迭代更新后,函数可以更新为0.3×第一度量指标+0.7×第二度量指标,以此类推,得到每次迭代更新后的两个权重和新的函数,并计算每次迭代更新后函数对应的新的精准度。
将精准度最高时对应的第一权重和第二权重,以及第一度量指标和第二度量指标组成的函数确定为目标函数。
例如,第二次迭代更新后的函数0.3×第一度量指标+0.7×第二度量指标对应的精准度最高,则可以将0.3×第一度量指标+0.7×第二度量指标确定为目标函数,根据目标函数训练初始检测模型的参数,直至得到目标检测模型。
本发明实施例的技术方案,改进了YOLOv5的训练过程,并将其应用到配电网超小目标缺陷检测中,可实际用于无人机巡检,满足配电网巡检视频图像的自动缺陷识别的需求,实现了输电线路设备异常状态的自动检测与识别,对于提升电网智能化具有重要意义。
实施例二
图2是本发明实施例中的一种缺陷检测装置的结构示意图。本实施例可适用于缺陷检测的情况,该装置可采用软件和/或硬件的方式实现,该装置可集成在任何提供缺陷检测的功能的设备中,如图2所示,所述缺陷检测装置具体包括:获取模块201、输入模块202和确定模块203。
其中,获取模块201,用于获取待检测图像;
输入模块202,用于将所述待检测图像输入目标检测模型,得到所述待检测图像对应的图像检测结果,其中,所述目标检测模型通过目标样本集迭代训练初始检测模型得到,所述目标样本集包括:目标正样本和目标负样本,所述目标正样本包括:不包含缺陷的图像样本和所述不包含缺陷的图像样本对应的检测结果,所述目标负样本包括:包含缺陷的图像样本和所述包含缺陷的图像样本对应的检测结果;
确定模块203,用于根据所述待检测图像对应的图像检测结果确定所述待检测图像对应的目标缺陷。
可选的,所述输入模块202包括:
建立子模块,用于建立初始检测模型;
输入子模块,用于将所述目标样本集中的不包含缺陷的图像样本和包含缺陷的图像样本输入所述初始检测模型,得到每个图像样本对应的预测检测结果;
训练子模块,用于根据每个图像样本对应的预测检测结果和每个图像样本对应的检测结果形成的目标函数训练所述初始检测模型的参数;
执行子模块,用于返回执行将所述目标样本集中的不包含缺陷的图像样本和包含缺陷的图像样本输入所述初始检测模型,得到每个图像样本对应的预测检测结果的操作,直至得到目标检测模型。
可选的,所述包含缺陷的图像样本对应的检测结果包括至少一个目标框;
所述训练子模块包括:
获取单元,用于获取所述包含缺陷的图像样本对应的预测检测结果,其中,所述包含缺陷的图像样本对应的预测检测结果包括至少一个预测框;
确定单元,用于根据所述包含缺陷的图像样本对应的至少一个预测框和所述包含缺陷的图像样本对应的至少一个目标框确定目标函数;
训练单元,用于根据所述目标函数训练所述初始检测模型的参数。
可选的,所述确定单元包括:
第一确定子单元,用于根据所述包含缺陷的图像样本对应的至少一个预测框和所述包含缺陷的图像样本对应的至少一个目标框确定第一度量指标;
第二确定子单元,用于根据所述包含缺陷的图像样本对应的至少一个预测框确定第二度量指标;
第三确定子单元,用于根据所述第一度量指标和所述第二度量指标确定目标函数。
可选的,所述第三确定子单元包括:
获取元件,用于获取第一权重、第二权重以及预设步长;
第一确定元件,用于根据所述第一权重、所述第一度量指标、所述第二权重以及所述第二度量指标确定初始函数;
第二确定元件,用于根据所述预设步长和所述初始函数确定目标函数。
可选的,所述第二确定元件具体用于:
获取所述初始函数对应的精准度;
基于所述预设步长对所述初始函数中的所述第一权重和所述第二权重进行迭代更新,得到新的第一权重和第二权重,并获取每次迭代更新后函数对应的新的精准度;
将所述精准度最高时对应的第一权重和第二权重,以及所述第一度量指标和所述第二度量指标组成的函数确定为目标函数。
可选的,所述第一度量指标为交并比IoU,所述第二度量指标为标准化瓦瑟斯坦距离NWD。
上述产品可执行本发明任意实施例所提供的缺陷检测方法,具备执行缺陷检测方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例的电子设备30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3所示,电子设备30包括至少一个处理器31,以及与至少一个处理器31通信连接的存储器,如只读存储器(ROM)32、随机访问存储器(RAM)33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31可以根据存储在只读存储器(ROM)32中的计算机程序或者从存储单元38加载到随机访问存储器(RAM)33中的计算机程序,来执行各种适当的动作和处理。在RAM 33中,还可存储电子设备30操作所需的各种程序和数据。处理器31、ROM 32以及RAM 33通过总线34彼此相连。输入/输出(I/O)接口35也连接至总线34。
电子设备30中的多个部件连接至I/O接口35,包括:输入单元36,例如键盘、鼠标等;输出单元37,例如各种类型的显示器、扬声器等;存储单元38,例如磁盘、光盘等;以及通信单元39,例如网卡、调制解调器、无线通信收发机等。通信单元39允许电子设备30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31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31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31执行上文所描述的各个方法和处理,例如缺陷检测方法:
获取待检测图像;
将所述待检测图像输入目标检测模型,得到所述待检测图像对应的图像检测结果,其中,所述目标检测模型通过目标样本集迭代训练初始检测模型得到,所述目标样本集包括:目标正样本和目标负样本,所述目标正样本包括:不包含缺陷的图像样本和所述不包含缺陷的图像样本对应的检测结果,所述目标负样本包括:包含缺陷的图像样本和所述包含缺陷的图像样本对应的检测结果;
根据所述待检测图像对应的图像检测结果确定所述待检测图像对应的目标缺陷。
在一些实施例中,缺陷检测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38。在一些实施例中,计算机程序的部分或者全部可以经由ROM 32和/或通信单元39而被载入和/或安装到电子设备30上。当计算机程序加载到RAM 33并由处理器31执行时,可以执行上文描述的缺陷检测方法的一个或多个步骤。备选地,在其他实施例中,处理器31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检测方法。
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数据处理装置的处理器,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)
1.一种缺陷检测方法,其特征在于,包括:
获取待检测图像;
将所述待检测图像输入目标检测模型,得到所述待检测图像对应的图像检测结果,其中,所述目标检测模型通过目标样本集迭代训练初始检测模型得到,所述目标样本集包括:目标正样本和目标负样本,所述目标正样本包括:不包含缺陷的图像样本和所述不包含缺陷的图像样本对应的检测结果,所述目标负样本包括:包含缺陷的图像样本和所述包含缺陷的图像样本对应的检测结果;
根据所述待检测图像对应的图像检测结果确定所述待检测图像对应的目标缺陷。
2.根据权利要求1所述的方法,其特征在于,通过目标样本集迭代训练初始检测模型,包括:
建立初始检测模型;
将所述目标样本集中的不包含缺陷的图像样本和包含缺陷的图像样本输入所述初始检测模型,得到每个图像样本对应的预测检测结果;
根据每个图像样本对应的预测检测结果和每个图像样本对应的检测结果形成的目标函数训练所述初始检测模型的参数;
返回执行将所述目标样本集中的不包含缺陷的图像样本和包含缺陷的图像样本输入所述初始检测模型,得到每个图像样本对应的预测检测结果的操作,直至得到目标检测模型。
3.根据权利要求2所述的方法,其特征在于,所述包含缺陷的图像样本对应的检测结果包括至少一个目标框;
根据每个图像样本对应的预测检测结果和每个图像样本对应的检测结果形成的目标函数训练所述初始检测模型的参数,包括:
获取所述包含缺陷的图像样本对应的预测检测结果,其中,所述包含缺陷的图像样本对应的预测检测结果包括至少一个预测框;
根据所述包含缺陷的图像样本对应的至少一个预测框和所述包含缺陷的图像样本对应的至少一个目标框确定目标函数;
根据所述目标函数训练所述初始检测模型的参数。
4.根据权利要求3所述的方法,其特征在于,根据所述包含缺陷的图像样本对应的至少一个预测框和所述包含缺陷的图像样本对应的至少一个目标框确定目标函数,包括:
根据所述包含缺陷的图像样本对应的至少一个预测框和所述包含缺陷的图像样本对应的至少一个目标框确定第一度量指标;
根据所述包含缺陷的图像样本对应的至少一个预测框确定第二度量指标;
根据所述第一度量指标和所述第二度量指标确定目标函数。
5.根据权利要求4所述的方法,其特征在于,根据所述第一度量指标和所述第二度量指标确定目标函数,包括:
获取第一权重、第二权重以及预设步长;
根据所述第一权重、所述第一度量指标、所述第二权重以及所述第二度量指标确定初始函数;
根据所述预设步长和所述初始函数确定目标函数。
6.根据权利要求5所述的方法,其特征在于,根据所述预设步长和所述初始函数确定目标函数,包括:
获取所述初始函数对应的精准度;
基于所述预设步长对所述初始函数中的所述第一权重和所述第二权重进行迭代更新,得到新的第一权重和第二权重,并获取每次迭代更新后函数对应的新的精准度;
将所述精准度最高时对应的第一权重和第二权重,以及所述第一度量指标和所述第二度量指标组成的函数确定为目标函数。
7.根据权利要求4所述的方法,其特征在于,所述第一度量指标为交并比IoU,所述第二度量指标为标准化瓦瑟斯坦距离NWD。
8.一种缺陷检测装置,其特征在于,包括:
获取模块,用于获取待检测图像;
输入模块,用于将所述待检测图像输入目标检测模型,得到所述待检测图像对应的图像检测结果,其中,所述目标检测模型通过目标样本集迭代训练初始检测模型得到,所述目标样本集包括:目标正样本和目标负样本,所述目标正样本包括:不包含缺陷的图像样本和所述不包含缺陷的图像样本对应的检测结果,所述目标负样本包括:包含缺陷的图像样本和所述包含缺陷的图像样本对应的检测结果;
确定模块,用于根据所述待检测图像对应的图像检测结果确定所述待检测图像对应的目标缺陷。
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检测方法。
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检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311719971.7A CN117576077A (zh) | 2023-12-13 | 2023-12-13 | 一种缺陷检测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311719971.7A CN117576077A (zh) | 2023-12-13 | 2023-12-13 | 一种缺陷检测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117576077A true CN117576077A (zh) | 2024-02-20 |
Family
ID=89864274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311719971.7A Pending CN117576077A (zh) | 2023-12-13 | 2023-12-13 | 一种缺陷检测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576077A (zh) |
-
2023
- 2023-12-13 CN CN202311719971.7A patent/CN117576077A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112581463B (zh) | 图像缺陷的检测方法、装置、电子设备、存储介质及产品 | |
CN112801164A (zh) | 目标检测模型的训练方法、装置、设备及存储介质 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN115937101A (zh) | 质量检测方法、装置、设备及存储介质 | |
CN115359308A (zh) | 模型训练、难例识别方法、装置、设备、存储介质及程序 | |
CN116698874A (zh) | 一种电缆的缺陷检测方法、装置、设备及存储介质 | |
CN115951344A (zh) | 雷达与相机的数据融合方法、装置、电子设备及存储介质 | |
CN117576077A (zh) | 一种缺陷检测方法、装置、设备和存储介质 | |
CN115035481A (zh) | 一种图像物距融合方法、装置、设备及存储介质 | |
CN114581711A (zh) | 目标对象检测方法、装置、设备、存储介质以及程序产品 | |
CN116883488B (zh) | 一种圆形管的中心位置确定方法、装置、设备及介质 | |
CN115542100B (zh) | 绝缘子故障检测方法、装置、设备及介质 | |
CN116258714B (zh) | 一种缺陷识别方法、装置、电子设备和存储介质 | |
CN115327497B (zh) | 雷达检测范围确定方法、装置、电子设备及可读介质 | |
CN114092739B (zh) | 图像处理方法、装置、设备、存储介质和程序产品 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
CN114092874B (zh) | 目标检测模型的训练方法、目标检测方法及其相关设备 | |
CN116977879A (zh) | 架空输电线缺陷检测方法、装置、电子设备和存储介质 | |
CN117853789A (zh) | 一种图像检测方法和装置 | |
CN117271289A (zh) | 一种网页监测方法、装置、设备以及存储介质 | |
CN117172575A (zh) | 一种电力项目的建设评估方法、装置、电子设备以及介质 | |
CN117274361A (zh) | 一种物料表面积测量方法、装置、电子设备以及介质 | |
CN116977930A (zh) | 基于图像的油迹检测方法及装置 | |
CN116777871A (zh) | 一种基于x射线的缺陷检测方法、装置、设备及介质 |
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 |