CN117668686A - 产品检测模型训练方法、产品检测方法、装置和存储介质 - Google Patents
产品检测模型训练方法、产品检测方法、装置和存储介质 Download PDFInfo
- Publication number
- CN117668686A CN117668686A CN202311359722.1A CN202311359722A CN117668686A CN 117668686 A CN117668686 A CN 117668686A CN 202311359722 A CN202311359722 A CN 202311359722A CN 117668686 A CN117668686 A CN 117668686A
- Authority
- CN
- China
- Prior art keywords
- product
- defect
- good
- training
- feature
- 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 316
- 238000012549 training Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000007547 defect Effects 0.000 claims abstract description 338
- 230000002950 deficient Effects 0.000 claims abstract description 53
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 210000002569 neuron Anatomy 0.000 claims description 63
- 238000009826 distribution Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 32
- 238000007689 inspection Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 10
- 238000013140 knowledge distillation Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 411
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000013067 intermediate product Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请涉及一种产品检测模型训练方法、产品检测方法、装置和存储介质。该方法包括：获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本；采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；对多个中间检测模型进行融合处理，得到产品检测模型；产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。采用本方法能够提升产品检测的准确性。
Description
技术领域
本申请涉及人工智能技术领域，特别是涉及一种产品检测模型训练方法、产品检测方法、装置和存储介质。
背景技术
在工业质检中，产品会经过多道工序加工，导致缺陷产品的缺陷是复杂且种类繁多的。为了提高产品检测的效率，会采用相关深度学习模型检测产品是否为缺陷产品。
然而，现有的训练样本难以找出较多不常见的缺陷特征，且训练样本的特征分布通常是不规律的，导致训练出的深度学习模型在不同缺陷上的检测能力差异较大，例如对不常见和长尾分布的缺陷特征的预测能力较差。
因此，现针对深度学习质检模型的训练方法存在模型泛化能力较低、对各类缺陷产品检测的准确性和效率较差的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升产品检测准确性和效率，提升模型泛化能力的产品检测模型训练方法、产品检测方法、装置、存储介质和计算机程序产品。
第一方面，本申请提供了一种产品检测模型训练方法，包括：
获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；所述缺陷产品集合中包含多种缺陷类型的缺陷产品；
根据所述良品特征对所述缺陷特征进行重构得到重构特征，并获取所述良品特征和所述重构特征的集合，用作训练初始检测模型的训练样本；
采用所述训练样本训练多个所述初始检测模型，直至各所述初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个所述中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；
对所述多个中间检测模型进行融合处理，得到所述产品检测模型；所述产品检测模型用于输出所述待检测产品属于所述多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。
在其中一个实施例中，所述采用所述训练样本训练多个所述初始检测模型，包括：
针对各所述初始检测模型进行训练时，激活并训练所述初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，直至所述缺陷分类器的目标神经元和所述良品分类器的神经元满足训练完成条件，得到所述中间模型的第一缺陷分类器和第一良品分类器；
其中，所述缺陷分类器用于检测所述待检测产品为缺陷产品的第一概率，所述良品分类器用于检测所述待检测产品为良品的第二概率；所述缺陷分类器包括多个神经元，所述目标神经元对应于所述多种缺陷类型中的一种；所述良品分类器的神经元在多个所述初始检测模型的训练过程中共享。
在其中一个实施例中，所述激活并训练所述初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，包括：
根据所述第一概率与所述待检测产品为缺陷产品的真实概率之间的差异，以及所述第二概率与所述待检测产品为良品的真实概率之间的差异，构建第一损失函数；
基于所述第一损失函数，更新所述目标神经元和所述良品分类器的神经元。
在其中一个实施例中，每个所述中间检测模型包括用于提取一种缺陷类型的所述缺陷特征和所述良品特征的提取器；
所述对所述多个中间检测模型进行融合处理，得到所述产品检测模型，包括：
对所述多个中间检测模型的多个所述提取器进行知识蒸馏，并对多个所述中间检测模型的多个所述第一缺陷分类器的神经元进行合并处理，得到包括融合提取器、融合缺陷分类器和所述良品分类器的所述产品检测模型。
在其中一个实施例中，所述对所述多个中间检测模型的多个所述提取器进行知识蒸馏，包括：
获取学生模型的提取器对所述缺陷产品提取的第一缺陷特征，以及对所述良品提取的第一良品特征；
根据所述第一缺陷特征与多个所述提取器提取的缺陷特征之间的差异，以及所述第一良品特征与多个所述提取器提取的良品特征之间的差异，构建第二损失函数；
基于所述第二损失函数更新所述学生模型的提取器的参数，得到所述融合提取器。
在其中一个实施例中，所述采用所述训练样本训练多个所述初始检测模型，包括：
采用一种缺陷类型的重构特征和良品特征训练每个所述初始检测模型；每个所述初始检测模型对应的所述重构特征的缺陷类型不同。
在其中一个实施例中，所述采用一种缺陷类型的重构特征和良品特征训练每个所述初始检测模型，包括：
根据所述初始检测模型检测所述待检测产品属于一种缺陷类型的缺陷产品或良品的检测结果，与真实检测结果之间的差异，构建第三损失函数；
基于所述第三损失函数，更新所述初始检测模型的参数。
在其中一个实施例中，所述根据所述良品特征对所述缺陷特征进行重构得到重构特征，包括：
计算所述良品特征在所述良品集合中的第一均值特征和第一协方差矩阵，以及所述缺陷产品在所述缺陷产品集合中的第二均值特征和第二协方差矩阵；
根据所述第一均值特征、所述第一协方差矩阵、所述第二均值特征和所述第二协方差矩阵，对所述缺陷特征进行重构得到重构特征，以参照所述良品特征在所述良品集合种的特征分布，对所述缺陷特征在所述缺陷产品集合中的特征分布进行重构。
在其中一个实施例中，所述根据所述第一均值特征、所述第一协方差矩阵、所述第二均值特征和所述第二协方差矩阵，对所述缺陷特征进行重构得到重构特征，包括：
获取用于表示所述缺陷特征与所述第二均值特征之间差异的差异特征；
通过所述第二协方差矩阵，对所述差异特征进行标准化处理，得到标准化差异特征；
将所述标准化差异特征与所述第一协方差矩阵相乘，以通过所述良品特征的特征分布增加所述缺陷特征的特征分布，得到初始重构特征；
通过所述第一均值特征对所述初始重构特征进行重构，以通过所述良品特征的特征分布对所述缺陷特征的特征分布进行校准，得到所述重构特征。
第二方面，本申请还提供了一种产品检测方法，包括：
获取待检测产品的图像；
将所述待检测产品的图像输入至训练完成的产品检测模型，得到所述待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果；所述产品检测模型基于如上所述的产品检测模型训练方法得到
第三方面，本申请还提供了一种产品检测模型训练装置，包括：
特征获取模块，用于获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；所述缺陷产品集合中包含多种缺陷类型的缺陷产品；
特征重构模块，用于根据所述良品特征对所述缺陷特征进行重构得到重构特征，并获取所述良品特征和所述重构特征的集合，用作训练初始检测模型的训练样本；
初始检测结果确定模块，用于采用所述训练样本训练多个所述初始检测模型，直至各所述初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个所述中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；
产品检测模块，用于对所述多个中间检测模型进行融合处理，得到所述产品检测模型；所述产品检测模型用于输出所述待检测产品属于所述多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。
第四方面，本申请还提供了一种产品检测装置，包括：
图像获取模块，用于获取待检测产品的图像；
目标检测结果确定模块，用于将所述待检测产品的图像输入至训练完成的产品检测模型，得到所述待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果；所述产品检测模型基于如上所述的产品检测模型训练方法得到。
第五方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的方法中的步骤。
第六方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法中的步骤。
第七方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的方法中的步骤。
上述产品检测模型训练方法、产品检测方法、装置、存储介质和计算机程序产品，通过获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；缺陷产品集合中包含多种缺陷类型的缺陷产品；根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本，从而能够有效地扩充缺陷特征的数量和特征多样性，以重构后的训练样本训练模型，能够显著地提高模型的泛化能力和性能；采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果，从而该训练方法能够针对不同缺陷特征对多个模型进行独立训练，以提升模型对不同缺陷产品的检测能力和模型的泛化能力；对多个中间检测模型进行融合处理，得到产品检测模型；产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果，从而融合后的产品检测模型对不同缺陷特征都具有较强的检测能力，使得模型具有较强的通用性和适应性，能够提升产品检测的准确性和效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术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申请的一些实施例，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为一个实施例中产品检测模型训练方法的应用环境图；
图2为一个实施例中产品检测模型训练方法的流程示意图；
图3为一个实施例中产品检测方法的流程示意图；
图4为一个实施例中的模型的训练阶段和测试阶段的对比示意图；
图5为一个实施例中训练缺陷分类器和良品分类器的示意图；
图6为一个实施例中训练多个初始产品检测模型的示意图；
图7为一个实施例中产品检测模型训练装置的结构框图；
图8为一个实施例中产品检测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
传统技术中，为了提高产品检测的效率和准确性，可以采用用于产品检测的相关深度学习模型。然而，现有的训练样本往往难以覆盖所有可能的缺陷情况，例如不常见的和呈长尾分布的缺陷特征。训练样本难以涵盖所有缺陷类型导致深度学习模型在面对不同缺陷时的表现差异较大。例如，模型可能在处理常见缺陷上表现良好，但在面对不常见的缺陷时，由于缺乏足够的样本支持，其预测能力明显下降，导致在实际工业质检中现有模型的泛化能力不足。此外，生产过程中存在多个因素的影响，导致缺陷的形态和特征分布具有一定的复杂性，使得现有的模型训练方法难以捕捉到这种复杂的特征分布，从而限制了深度学习模型对各类缺陷的准确检测能力和效率。
本申请实施例提供的产品检测模型训练方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。通过本申请的产品检测模型训练方法，终端102能够训练出模型泛化能力和产品检测准确性较强的产品检测模型，并将产品检测模型或产品检测模型的检测结果发送给服务器104。
在本申请的应用场景中，终端102获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；缺陷产品集合中包含多种缺陷类型的缺陷产品；根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本；采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；对多个中间检测模型进行融合处理，得到产品检测模型；产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。
在一个示例性的实施例中，如图2所示，提供了一种产品检测模型训练方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤202至步骤208，其中：
步骤S202，获取良品集合的良品特征，以及缺陷产品集合的缺陷特征。
其中，缺陷产品是指产品表面存在缺陷导致质检不合格的产品，良品是指没有缺陷的质检合格产品。其中，缺陷产品集合中包含多种缺陷类型的缺陷产品。在一些实施例中，缺陷类型可以包括产品表面出现划痕、裂纹、斑点等。
其中，良品集合可以是包含多张良品图像的集合，缺陷产品集合可以是包含多张缺陷产品图像的集合。可以理解，良品集合和缺陷产品集合中可以包括多个用于模型训练的良品特征和缺陷特征，例如缺陷特征可以是缺陷产品的缺陷部位的外观、结构、纹理等。
通过以上方式，将良品和缺陷产品的特征进行区分，能够使后续训练的模型从良品和缺陷产品中学到不同的特征信息，从而能够更好地区分正常产品和各种缺陷。
步骤S204，根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本。
可以理解，由于不同缺陷特征对应不同的缺陷类型，对于一些不常见的缺陷类型，可寻找的缺陷特征的数量较少，使得这类缺陷特征的训练样本也是较少的，在训练时模型难以学习到该缺陷特征。
为了解决上述问题，在一些实施例中，可以根据良品特征对缺陷特征进行重构，使缺陷特征能够参考良品特征的统计信息和特征分布信息，重构后的重构特征能够接近良品特征的特征分布。
通过以上方式，缺陷特征可以参考良品的特征分布进行重构，重构后的缺陷特征可以更好地融入良品特征的分布，从而在保证特征重构准确性的基础上，扩展缺陷特征的数量和特征多样性，将包含重构特征的训练样本用于模型训练也能够提高模型的泛化能力。
步骤S206，采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型。
在一示例性实施例中，参阅图4，图4为一个实施例中的模型的训练阶段和测试阶段的对比示意图。在一些实施例中，如图4中训练阶段的部分所示，不同的初始检测模型可以具有不同的参数和权重，对每个初始检测模型进行单独训练，得到一个对应的中间检测模型。其中，每个中间检测模型可以用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果。
可以理解，由于不同缺陷类型的缺陷产品的检测标准和阈值可能不同，因此通过以上方式训练出的中间检测模型，能够针对不同缺陷类型的产品进行准确检测，从而有利于提高模型在不同缺陷上的泛化能力和检测准确性。
步骤S208，对多个中间检测模型进行融合处理，得到产品检测模型。
其中，产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。在一些实施例中，如图4所示，产品检测模型可以输出待检测产品属于多种缺陷类型的概率，以及属于良品的概率。例如产品检测模型可以输出待检测产品为缺陷类型A的概率为99％、为缺陷类型B的概率为98％、为良品的概率为0.1％。
在一些实施例中，可以通过设定一定的阈值，判断哪些缺陷类型或良品的概率高于阈值，从而得到最终的目标检测结果。例如设置高于97％概率的检测结果表示待检测产品属于检测结果对应的产品类型，则对于前述示例的检测结果，可以得到目标检测结果为该待检测产品既属于缺陷产品A、也属于缺陷产品B。
上述产品检测模型训练方法、产品检测方法、装置、存储介质和计算机程序产品，通过获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；缺陷产品集合中包含多种缺陷类型的缺陷产品；根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本，从而能够有效地扩充缺陷特征的数量和特征多样性，以重构后的训练样本训练模型，能够显著地提高模型的泛化能力和性能；采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果，从而该训练方法能够针对不同缺陷特征对多个模型进行独立训练，以提升模型对不同缺陷产品的检测能力和模型的泛化能力；对多个中间检测模型进行融合处理，得到产品检测模型；产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果，从而融合后的产品检测模型对不同缺陷特征都具有较强的检测能力，使得模型具有较强的通用性和适应性，能够提升产品检测的准确性和效率。
在一个示例性的实施例中，步骤S204包括以下步骤：
计算所述良品特征在所述良品集合中的第一均值特征和第一协方差矩阵，以及所述缺陷产品在所述缺陷产品集合中的第二均值特征和第二协方差矩阵；
根据所述第一均值特征、所述第一协方差矩阵、所述第二均值特征和所述第二协方差矩阵，对所述缺陷特征进行重构得到重构特征，以参照所述良品特征在所述良品集合种的特征分布，对所述缺陷特征在所述缺陷产品集合中的特征分布进行重构。
在一些实施例中，第一均值特征和第一协方差矩阵可以分别表示为：
其中，公式(1)中的x良品j为良品集合中第j个良品的良品特征，n良品是是每次迭代中良品特征的总数，表示对良品结合中所有良品的良品特征进行求和，/>为第一均值特征，通过将所有样本的特征向量相加后除以样本数量得到。
通过计算第一均值特征，可以捕捉良品集合中所有良品特征的均值特征，从而有利于根据该第一均值特征来捕捉良品集合的特征分布中心，后续还可以将该第一均值特征用于数据增强或者其他操作，以改善模型检测产品属于良品和缺陷之间的判别性。
其中，公式(2)中的μ良品表示第一协方差矩阵， 表示对良品集合中所有特征的离差乘积进行求和，n良品、x良品j和/>可以参考公式(1)中的解释。
通过计算第一协方差矩阵，能够得到良品集合中各良品特征之间的关联，捕捉各良品特征的方差和协方差信息，并且后续可以利用该第一协方差矩阵对良品集合的特征分布进行建模。
在一些实施例中，第二均值特征和第二协方差矩阵可以分别表示为：
其中，公式(3)中的为第二均值特征，/>为缺陷类型k中第m个缺陷特征，例如缺陷类型k可以为产品表面划痕缺陷，n缺陷k为每次迭代中缺陷类别k的缺陷特征的总数量，/>为缺陷类别k的所有缺陷特征进行求和。
通过该公式计算第二均值特征可以得到缺陷类别k的特征分布，以便于后续可以通过良品特征的特征分布对调整缺陷特征的特征分布。
其中，公式(4)中的μ缺陷k为第二协方差矩阵， 表示对缺陷集合中缺陷类型k的所有缺陷特征的离差乘积进行求和，/>n缺陷k的定义可以参考公式(3)中的解释。
通过该公式计算第二协方差矩阵可以得到缺陷类别k的缺陷特征的特征分布的形状和方向，以衡量缺陷类别k中各缺陷特征特征之间的关系和变化趋势。
在一个示例性的实施例中，步骤根据所述第一均值特征、所述第一协方差矩阵、所述第二均值特征和所述第二协方差矩阵，对所述缺陷特征进行重构得到重构特征，包括：
获取用于表示所述缺陷特征与所述第二均值特征之间差异的差异特征；
通过所述第二协方差矩阵，对所述差异特征进行标准化处理，得到标准化差异特征；
将所述标准化差异特征与所述第一协方差矩阵相乘，以通过所述良品特征的特征分布增加所述缺陷特征的特征分布，得到初始重构特征；
通过所述第一均值特征对所述初始重构特征进行重构，以通过所述良品特征的特征分布对所述缺陷特征的特征分布进行校准，得到所述重构特征。
在一些实施例中，可以表示为：
其中，为重构特征，/>为差异特征，/>为标准化差异特征，/>为初始重构特征，/>μ良品、μ缺陷k的定义请参考上述公式(1)至(4)中的解释。
通过该公式，可以利用良品结合中的均值特征和协方差信息来重构缺陷类别k的第m个缺陷特征，从而能够在保证重构操作合理性和准确性的前提下，增加缺陷特征的数量和多样性，从而能够提高模型对缺陷特征检测的泛化能力。需要说明是，为了进一步地增加重构特征的数量，可以对缺陷特征进行多轮迭代重构处理，每次迭代采用不同的良品集合为参考，或将待重构的缺陷特征放入不同的缺陷产品集合中进行重构，使得每次迭代得到的重构特征不同。
在一个示例性的实施例中，步骤S206包括以下步骤：
采用一种缺陷类型的重构特征和良品特征训练每个初始检测模型。
其中，每个初始检测模型对应的重构特征的缺陷类型不同。在一些实施例中，参照图6，图6为一个实施例中训练多个初始产品检测模型的示意图。如图6所示，在训练多个初始产品检测模型时，例如初始产品检测模型A和初始检测模型B，可以采用分别采用不同缺陷类型的缺陷特征，例如采用缺陷特征A训练初始产品检测模型A，采用缺陷特征B训练初始产品检测模型B。
可以理解，中间产品检测模型是用于专注检测属于一种特定类型缺陷产品的，而每个中间产品检测模型是由每个初始产品检测模型训练得到的，因此在训练时可以从训练样本中筛选出一种类型的重构特征对初始检测模型进行训练。
还可以理解的是，由于训练样本中已经包含了大量的重构特征和良品特征，并且重构特征的特征分布是参考良品特征的特征分布的，因此即使只选出一种类型的重构特征来训练一个初始产品检测模型，也能使初始产品检测模型适应缺陷特征的特征分布，更好地应对检测不常见缺陷类型、长尾分布的缺陷产品检测场景，以提升模型的检测性能。
在一个示例性的实施例中，步骤采用一种缺陷类型的重构特征和良品特征训练每个初始检测模型，包括：
根据初始检测模型检测待检测产品属于一种缺陷类型的缺陷产品或良品的检测结果，与真实检测结果之间的差异，构建第三损失函数；
基于第三损失函数，更新初始检测模型的参数。
在一些实施例中，第三损失函数可以表示为：
其中，公式(6)中的为第三损失函数，gk(·)表示模型的缺陷提取器，/>表示缺陷提取器提取缺陷类别k的第m个重构特征/>fk(·)表示缺陷分类器，/>表示缺陷分类器对缺陷类别k中第m个重构特征/>的待检测产品是否为缺陷产品进行预测，fk(gk(x良品j))表示缺陷分类器对良品特征的待检测产品是否为良品进行预测；δn(.)表示对特征采用激活函数进行归一化处理后得到的分类概率，例如概率为90％、100％等；/>和/>为两个负对数似然损失项，用于最小化模型预测概率与真实概率之间的差值。
可以理解，通过迭代训练优化第三损失函数来更新初始产品检测模型的参数，可以最小化初始检测模型对缺陷产品和良品的分类误差，从而能够提升初始检测模型对一种特定缺陷类型的缺陷产品的判别性。
在一个示例性的实施例中，步骤S206包括以下步骤：
针对各初始检测模型进行训练时，激活并训练初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，直至缺陷分类器的目标神经元和良品分类器的神经元满足训练完成条件，得到中间模型的第一缺陷分类器和第一良品分类器；
其中，缺陷分类器用于检测待检测产品为缺陷产品的第一概率，良品分类器用于检测待检测产品为良品的第二概率；缺陷分类器包括多个神经元，目标神经元对应于多种缺陷类型中的一种；良品分类器的神经元在多个初始检测模型的训练过程中共享。
在一些实施例中，参阅图5，图5为一个实施例中训练缺陷分类器和良品分类器的示意图。可以理解，由于每个中间产品检测模型用于检测一种特定缺陷类型，因此在训练初始检测模型时，只需激活能够检测该缺陷种类的缺陷产品的缺陷分类器，以加强初始检测模型学习该缺陷种类的缺陷特征。
如图5所示，假设对多个初始检测模型的训练过程种共采用了5种不同的神经元，其中4个神经元为用于处理不同缺陷类型的缺陷特征的缺陷分类器的神经元，1个神经元为良品特征的良品分类器的神经元。
具体实现中，在训练每个初始检测模型时，只需以图5中所示的方式，激活所需缺陷类型对应的缺陷分类器的目标神经元，以及良品分类器的神经元即可，使得本申请的模型训练方法可以实现对各个缺陷分类器的神经元的阈值和参数进行独立地调整。此外，良品分类器的神经元可以在多个初始检测模型的训练过程中共享，从而可以减少整体模型的参数数量，降低过拟合的风险，提高模型的泛化能力。
在一个示例性的实施例中，步骤激活并训练初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，包括：
根据第一概率与待检测产品为缺陷产品的真实概率之间的差异，以及第二概率与待检测产品为良品的真实概率之间的差异，构建第一损失函数；
基于第一损失函数，更新目标神经元和良品分类器的神经元。
在一些实施例中，第一损失函数可以表示为：
在公式(7)中，为第一损失函数，fk为缺陷分类器的第k个目标神经元，用于检测待检测产品是否为缺陷类别k对应的缺陷产品；f0为良品分类器的神经元，用于检测待检测产品是否为良品。
可以理解，通过该公式可以最小化缺陷分类器检测缺陷产品的误差，以及良品分类器检测良品的误差，以训练出用于检测不同缺陷类型的缺陷产品的缺陷分类器。
在一些实施例中，每个中间检测模型包括用于提取一种缺陷类型的缺陷特征和良品特征的提取器。
在一个示例性的实施例中，步骤S208，包括：
对多个中间检测模型的多个提取器进行知识蒸馏，并对多个中间检测模型的多个第一缺陷分类器的神经元进行合并处理，得到包括融合提取器、融合缺陷分类器和良品分类器的产品检测模型。
可以理解，由于提取器相较于分类器的神经元具有更复杂的结构和更多的参数，因此可以对多个提取器采用知识蒸馏的方式进行融合，而对多个缺陷分类器的神经元采用合并的方式进行融合。
在一些实施例中，可以对多个中间检测模型的多个提取器进行知识蒸馏得到融合提取器，将多个提取器提取不同缺陷类型的缺陷特征的能力传递给学生模型的提取器，使得训练出的产品检测模型对不同缺陷类型的缺陷产品具有较为准确的辨别和特征提取能力。
在一些实施例中，对多个中间检测模型的多个第一缺陷分类器的神经元进行合并处理得到融合缺陷分类器，使得学生模型能够获得多个缺陷分类器对不同缺陷的缺陷特征的分类处理能力，以提升产品检测模型对不同缺陷类型的缺陷产品的检测能力。
在一个示例性的实施例中，步骤对多个中间检测模型的多个提取器进行知识蒸馏，包括：
获取学生模型的提取器对缺陷产品提取的第一缺陷特征，以及对良品提取的第一良品特征；
根据第一缺陷特征与多个提取器提取的缺陷特征之间的差异，以及第一良品特征与多个提取器提取的良品特征之间的差异，构建第二损失函数；
基于第二损失函数更新学生模型的提取器的参数，得到融合提取器。
在一些实施例中，第二损失函数可以表示为：
其中，公式(8)中的L蒸馏(g,g1,g2,…,gK；x良品,Θ缺陷1,Θ缺陷2,…,Θ缺陷K)为第二损失函数，k为缺陷类型的总数，g(Θ缺陷k)为学生模型的提取器提取出的缺陷类型k对应的特征，gk(Θ缺陷k)为中间产品检测模型的提取器提取出的缺陷类型k对应的特征，g(x良品)为学生模型的提取器提取出的良品特征，gk(x良品)为中间产品检测模型提取出的良品特征。
可以理解，通过该公式能够最小化学生模型的提取器与多个中间检测模型的多个提取器之间的差异，保证两者提取特征的一致性，从而能够将多个中间检测模型的提取器的参数和特征提取知识蒸馏到产品检测模型中。
在一个示例性的实施例中，如图3所示，为一个实施例中产品检测方法的流程示意图，包括步骤S302至步骤S304。其中：
步骤S302，获取待检测产品的图像。
步骤S304，将待检测产品的图像输入至训练完成的产品检测模型，得到待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果；产品检测模型基于如前的产品检测模型训练方法得到。
需要说明的是，通过训练好的产品检测模型对待检测产品进行检测以输出目标检测的具体实现过程，已在前述实施例中进行相关阐述，此处不再赘述。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品检测模型训练方法的产品检测模型训练装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品检测模型训练装置实施例中的具体限定可以参见上文中对于产品检测模型训练方法的限定，在此不再赘述。
在一个示例性的实施例中，如图7所示，提供了一种产品检测模型训练装置，包括：特征获取模块410、特征重构模块420、初始检测结果确定模块430和产品检测模块440，其中：
特征获取模块410，用于获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；缺陷产品集合中包含多种缺陷类型的缺陷产品；
特征重构模块420，用于根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本；
初始检测结果确定模块430，用于采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；
产品检测模块440，用于对多个中间检测模型进行融合处理，得到产品检测模型；产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。
在一些实施例中，初始检测结果确定模块430，包括：
神经元激活子模块，用于针对各初始检测模型进行训练时，激活并训练初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，直至缺陷分类器的目标神经元和良品分类器的神经元满足训练完成条件，得到中间模型的第一缺陷分类器和第一良品分类器；
其中，缺陷分类器用于检测待检测产品为缺陷产品的第一概率，良品分类器用于检测待检测产品为良品的第二概率；缺陷分类器包括多个神经元，目标神经元对应于多种缺陷类型中的一种；良品分类器的神经元在多个初始检测模型的训练过程中共享。
在一些实施例中，神经元激活子模块具体用于：
根据第一概率与待检测产品为缺陷产品的真实概率之间的差异，以及第二概率与待检测产品为良品的真实概率之间的差异，构建第一损失函数；
基于第一损失函数，更新目标神经元和良品分类器的神经元。
在一些实施例中，每个中间检测模型包括用于提取一种缺陷类型的缺陷特征和良品特征的提取器；
神经元激活子模块，包括：
产品检测模型构建子模块，用于对多个中间检测模型的多个提取器进行知识蒸馏，并对多个中间检测模型的多个第一缺陷分类器的神经元进行合并处理，得到包括融合提取器、融合缺陷分类器和良品分类器的产品检测模型。
在一些实施例中，产品检测模型构建子模块具体用于：
获取学生模型的提取器对缺陷产品提取的第一缺陷特征，以及对良品提取的第一良品特征；
根据第一缺陷特征与多个提取器提取的缺陷特征之间的差异，以及第一良品特征与多个提取器提取的良品特征之间的差异，构建第二损失函数；
基于第二损失函数更新学生模型的提取器的参数，得到融合提取器。
在一些实施例中，初始检测结果确定模块430，包括：
初始检测模型训练子模块，用于采用一种缺陷类型的重构特征和良品特征训练每个初始检测模型；每个初始检测模型对应的重构特征的缺陷类型不同。
在一些实施例中，初始检测模型训练子模块还具体用于：
根据初始检测模型检测待检测产品属于一种缺陷类型的缺陷产品或良品的检测结果，与真实检测结果之间的差异，构建第三损失函数；
基于第三损失函数，更新初始检测模型的参数。
在一些实施例中，特征重构模块420，包括：
第一计算子模块，用于计算良品特征在良品集合中的第一均值特征和第一协方差矩阵，以及缺陷产品在缺陷产品集合中的第二均值特征和第二协方差矩阵；
特征重构子模块，用于根据第一均值特征、第一协方差矩阵、第二均值特征和第二协方差矩阵，对缺陷特征进行重构得到重构特征，以参照良品特征在良品集合种的特征分布，对缺陷特征在缺陷产品集合中的特征分布进行重构。
在一些实施例中，特征重构子模块还具体用于：
获取用于表示缺陷特征与第二均值特征之间差异的差异特征；
通过第二协方差矩阵，对差异特征进行标准化处理，得到标准化差异特征；
将标准化差异特征与第一协方差矩阵相乘，以通过良品特征的特征分布增加缺陷特征的特征分布，得到初始重构特征；
通过第一均值特征对初始重构特征进行重构，以通过良品特征的特征分布对缺陷特征的特征分布进行校准，得到重构特征。
上述产品检测模型训练方法、产品检测方法、装置、存储介质和计算机程序产品，通过获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；缺陷产品集合中包含多种缺陷类型的缺陷产品；根据良品特征对缺陷特征进行重构得到重构特征，并获取良品特征和重构特征的集合，用作训练初始检测模型的训练样本，从而能够有效地扩充缺陷特征的数量和特征多样性，以重构后的训练样本训练模型，能够显著地提高模型的泛化能力和性能；采用训练样本训练多个初始检测模型，直至各初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果，从而该训练方法能够针对不同缺陷特征对多个模型进行独立训练，以提升模型对不同缺陷产品的检测能力和模型的泛化能力；对多个中间检测模型进行融合处理，得到产品检测模型；产品检测模型用于输出待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果，从而融合后的产品检测模型对不同缺陷特征都具有较强的检测能力，使得模型具有较强的通用性和适应性，能够提升产品检测的准确性和效率。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的产品检测方法的产品检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个产品检测模型训练装置实施例中的具体限定可以参见上文中对于产品检测模型训练方法的限定，在此不再赘述。
在一个示例性的实施例中，如图8所示，提供了一种产品检测模型训练装置，包括：图像获取模块510和目标检测结果确定模块520，其中：
图像获取模块510，用于获取待检测产品的图像；
目标检测结果确定模块520，用于将待检测产品的图像输入至训练完成的产品检测模型，得到待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果；产品检测模型基于如上的产品检测模型训练方法得到。
上述产品检测模型训练装置和产品检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图9在一个示例性的实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种产品检测模型训练方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRA M)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Cha nge Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种产品检测模型训练方法，其特征在于，所述方法包括：
获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；所述缺陷产品集合中包含多种缺陷类型的缺陷产品；
根据所述良品特征对所述缺陷特征进行重构得到重构特征，并获取所述良品特征和所述重构特征的集合，用作训练初始检测模型的训练样本；
采用所述训练样本训练多个所述初始检测模型，直至各所述初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个所述中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；
对所述多个中间检测模型进行融合处理，得到所述产品检测模型；所述产品检测模型用于输出所述待检测产品属于所述多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。
2.根据权利要求1所述的方法，其特征在于，所述采用所述训练样本训练多个所述初始检测模型，包括：
针对各所述初始检测模型进行训练时，激活并训练所述初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，直至所述缺陷分类器的目标神经元和所述良品分类器的神经元满足训练完成条件，得到所述中间模型的第一缺陷分类器和第一良品分类器；
其中，所述缺陷分类器用于检测所述待检测产品为缺陷产品的第一概率，所述良品分类器用于检测所述待检测产品为良品的第二概率；所述缺陷分类器包括多个神经元，所述目标神经元对应于所述多种缺陷类型中的一种；所述良品分类器的神经元在多个所述初始检测模型的训练过程中共享。
3.根据权利要求2所述的方法，其特征在于，所述激活并训练所述初始检测模型的缺陷分类器的目标神经元，以及良品分类器的神经元，包括：
根据所述第一概率与所述待检测产品为缺陷产品的真实概率之间的差异，以及所述第二概率与所述待检测产品为良品的真实概率之间的差异，构建第一损失函数；
基于所述第一损失函数，更新所述目标神经元和所述良品分类器的神经元。
4.根据权利要求2所述的方法，其特征在于，每个所述中间检测模型包括用于提取一种缺陷类型的所述缺陷特征和所述良品特征的提取器；
所述对所述多个中间检测模型进行融合处理，得到所述产品检测模型，包括：
对所述多个中间检测模型的多个所述提取器进行知识蒸馏，并对多个所述中间检测模型的多个所述第一缺陷分类器的神经元进行合并处理，得到包括融合提取器、融合缺陷分类器和所述良品分类器的所述产品检测模型。
5.根据权利要求4所述的方法，其特征在于，所述对所述多个中间检测模型的多个所述提取器进行知识蒸馏，包括：
获取学生模型的提取器对所述缺陷产品提取的第一缺陷特征，以及对所述良品提取的第一良品特征；
根据所述第一缺陷特征与多个所述提取器提取的缺陷特征之间的差异，以及所述第一良品特征与多个所述提取器提取的良品特征之间的差异，构建第二损失函数；
基于所述第二损失函数更新所述学生模型的提取器的参数，得到所述融合提取器。
6.据权利要求1所述的方法，其特征在于，所述采用所述训练样本训练多个所述初始检测模型，包括：
采用一种缺陷类型的重构特征和良品特征训练每个所述初始检测模型；每个所述初始检测模型对应的所述重构特征的缺陷类型不同。
7.根据权利要求6所述的方法，其特征在于，所述采用一种缺陷类型的重构特征和良品特征训练每个所述初始检测模型，包括：
根据所述初始检测模型检测所述待检测产品属于一种缺陷类型的缺陷产品或良品的检测结果，与真实检测结果之间的差异，构建第三损失函数；
基于所述第三损失函数，更新所述初始检测模型的参数。
8.根据权利要求1所述的方法，其特征在于，所述根据所述良品特征对所述缺陷特征进行重构得到重构特征，包括：
计算所述良品特征在所述良品集合中的第一均值特征和第一协方差矩阵，以及所述缺陷产品在所述缺陷产品集合中的第二均值特征和第二协方差矩阵；
根据所述第一均值特征、所述第一协方差矩阵、所述第二均值特征和所述第二协方差矩阵，对所述缺陷特征进行重构得到重构特征，以参照所述良品特征在所述良品集合种的特征分布，对所述缺陷特征在所述缺陷产品集合中的特征分布进行重构。
9.根据权利要求8所述的方法，其特征在于，所述根据所述第一均值特征、所述第一协方差矩阵、所述第二均值特征和所述第二协方差矩阵，对所述缺陷特征进行重构得到重构特征，包括：
获取用于表示所述缺陷特征与所述第二均值特征之间差异的差异特征；
通过所述第二协方差矩阵，对所述差异特征进行标准化处理，得到标准化差异特征；
将所述标准化差异特征与所述第一协方差矩阵相乘，以通过所述良品特征的特征分布增加所述缺陷特征的特征分布，得到初始重构特征；
通过所述第一均值特征对所述初始重构特征进行重构，以通过所述良品特征的特征分布对所述缺陷特征的特征分布进行校准，得到所述重构特征。
10.一种产品检测方法，其特征在于，所述方法包括：
获取待检测产品的图像；
将所述待检测产品的图像输入至训练完成的产品检测模型，得到所述待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果；所述产品检测模型基于权利要求1-9中任一项所述的产品检测模型训练方法得到。
11.一种产品检测模型训练装置，其特征在于，所述装置包括：
特征获取模块，用于获取良品集合的良品特征，以及缺陷产品集合的缺陷特征；所述缺陷产品集合中包含多种缺陷类型的缺陷产品；
特征重构模块，用于根据所述良品特征对所述缺陷特征进行重构得到重构特征，并获取所述良品特征和所述重构特征的集合，用作训练初始检测模型的训练样本；
初始检测结果确定模块，用于采用所述训练样本训练多个所述初始检测模型，直至各所述初始检测模型满足训练完成条件，得到训练完成的多个中间检测模型；每个所述中间检测模型用于输出待检测产品属于一种缺陷类型的缺陷产品或良品的初始检测结果；
产品检测模块，用于对所述多个中间检测模型进行融合处理，得到所述产品检测模型；所述产品检测模型用于输出所述待检测产品属于所述多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果。
12.一种产品检测装置，其特征在于，所述装置包括：
图像获取模块，用于获取待检测产品的图像；
目标检测结果确定模块，用于将所述待检测产品的图像输入至训练完成的产品检测模型，得到所述待检测产品属于多种缺陷类型的缺陷产品中的至少一种或良品的目标检测结果；所述产品检测模型基于权利要求1-9中任一项所述的产品检测模型训练方法得到。
13.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
14.一种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权利要求1至10中任一项所述的方法的步骤。
15.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311359722.1A CN117668686A (zh) | 2023-10-19 | 2023-10-19 | 产品检测模型训练方法、产品检测方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311359722.1A CN117668686A (zh) | 2023-10-19 | 2023-10-19 | 产品检测模型训练方法、产品检测方法、装置和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117668686A true CN117668686A (zh) | 2024-03-08 |
Family
ID=90065082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311359722.1A Pending CN117668686A (zh) | 2023-10-19 | 2023-10-19 | 产品检测模型训练方法、产品检测方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117668686A (zh) |
-
2023
- 2023-10-19 CN CN202311359722.1A patent/CN117668686A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2019233166A1 (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
| CN105608471B (zh) | 一种鲁棒直推式标签估计及数据分类方法和系统 | |
| WO2022095645A1 (zh) | 基于内存增强潜在空间自回归的图像异常检测方法 | |
| KR20220137585A (ko) | 패널의 이미지를 이용하여 패널의 결함을 검출하는 방법 및 시스템 | |
| CN105528620B (zh) | 一种联合鲁棒主成分特征学习与视觉分类方法及系统 | |
| CN110738235A (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
| CN114331985A (zh) | 电子元器件划痕缺陷检测方法、装置和计算机设备 | |
| TWI803243B (zh) | 圖像擴增方法、電腦設備及儲存介質 | |
| CN115170548A (zh) | 基于无监督学习的皮革缺陷自动检测方法及装置 | |
| CN112884721B (zh) | 一种异常检测方法、系统及计算机可读存储介质 | |
| CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
| CN111582057A (zh) | 一种基于局部感受野的人脸验证方法 | |
| CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
| CN116051959A (zh) | 一种目标检测方法、装置 | |
| CN117668686A (zh) | 产品检测模型训练方法、产品检测方法、装置和存储介质 | |
| AU2021240188B1 (en) | Face-hand correlation degree detection method and apparatus, device and storage medium | |
| CN114238968A (zh) | 应用程序检测方法及装置、存储介质及电子设备 | |
| CN115580721B (zh) | 变电站设备监控视频的质量检测方法、装置、设备和介质 | |
| CN114821013B (zh) | 基于点云数据的基元检测方法、装置和计算机设备 | |
| CN115761239B (zh) | 一种语义分割方法及相关装置 | |
| CN115661465A (zh) | 图像的多标签分割方法、装置、计算机设备及存储介质 | |
| CN108270606B (zh) | 业务质量预测方法及业务质量预测装置 | |
| CN117274863A (zh) | 图像绘制质量检测方法、装置、计算机设备、介质和产品 | |
| CN117591691A (zh) | 数据库构建方法、装置、计算机设备和存储介质 | |
| CN116977315A (zh) | 异常检测模型处理方法、异常对象检测方法、装置和设备 |
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 |