数据处理方法、瑕疵的检测方法、计算设备及存储介质技术

本申请实施例提供一种数据处理方法、瑕疵的检测方法、计算设备及存储介质，在本申请实施例中，根据图片特征确定像素的预测类型以及预测检测框，预测类型反映像素是否属于瑕疵的情况，预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失，从而确定像素的总损失，根据总损失，生成瑕疵的检测模型，并根据检测模型对待预测图片进行瑕疵检测，能够以高准确率和高速度进行瑕疵检测的分割，且全方位自动化地实现瑕疵检测的分割，从而减少人力成本，提高产品生产效率，为产品创造价值。

【技术实现步骤摘要】
数据处理方法、瑕疵的检测方法、计算设备及存储介质
本申请涉及计算机
，尤其涉及一种数据处理方法、瑕疵的检测方法、计算设备及存储介质。
技术介绍
随着现代化大工业的发展，高速的生产效率和低速的检测效率形成一个巨大的矛盾，然而在工业项目检测中，一个基本要求是定性的判断出产品是否存在瑕疵，避免不良产品走出车间或者走出下一个生产线。目前在一些工业生产中还有不少企业采用人工检测的方式对产品的质量进行检测，传统的人工目检是一种完全的主观评价方法，具有主观因素大、实时性差、效率低下等缺点，已经满足不了制造企业的检测需求。
技术实现思路
本申请的多个方面提供一种数据处理方法、瑕疵的检测方法、计算设备及存储介质，用以全方位自动化地较为准确地检测瑕疵，提高生产效率。本申请实施例提供一种数据处理方法，包括：获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型。本申请实施例还提供一种瑕疵的检测方法，包括：获取至少一张待预测图片，确定待预测图片中的像素的预测类型以及预测检测框；针对一张待预测图片，根据所述预测类型聚合像素，生成像素区域，并根据像素的预测检测框，确定所述像素区域的预测检测框；根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵。本申请实施例还提供一种瑕疵的检测方法，包括：获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型；根据生成瑕疵的检测模型，确定待预测图片中的像素的预测类型以及预测检测框；针对一张待预测图片，根据所述预测类型聚合像素，生成像素区域，并根据像素的预测检测框，确定所述像素区域的预测检测框；根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵。本申请实施例还提供一种瑕疵的检测系统，包括：第一计算设备以及第二计算设备；所述第一计算设备，获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型；所述第二计算设备，根据生成瑕疵的检测模型，确定待预测图片中的像素的预测类型以及预测检测框；针对一张待预测图片，根据所述预测类型聚合像素，生成像素区域，并根据像素的预测检测框，确定所述像素区域的预测检测框；根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵。本申请实施例还提供一种计算设备，包括存储器以及处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以用于：获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型。本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，其特征在于，计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现上述瑕疵的检测方法中的步骤。本申请实施例还提供一种计算设备，包括存储器以及处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以用于：获取至少一张待预测图片，确定待预测图片中的像素的预测类型以及预测检测框；针对一张待预测图片，根据所述预测类型聚合像素，生成像素区域，并根据像素的预测检测框，确定所述像素区域的预测检测框；根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵。本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现上述瑕疵的检测方法中的步骤。本申请实施例还提供一种计算设备，包括存储器以及处理器；所述存储器，用于存储计算机程序；所述处理器，用于执行所述计算机程序，以用于：获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型；根据生成瑕疵的检测模型，确定待预测图片中的像素的预测类型以及预测检测框；针对一张待预测图片，根据所述预测类型聚合像素，生成像素区域，并根据像素的预测检测框，确定所述像素区域的预测检测框；根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵。本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被一个或多个处理器执行时，致使所述一个或多个处理器实现上述瑕疵的检测方法中的步骤。在本申请实施例中，根据图片特征确定像素的预测类型以及预测检测框，预测类型反映像素是否属于瑕疵的情况，预测目标框反映像素在具有瑕疵时的瑕疵位置；确定像素的预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失，从而确定像素的总损失，根据总损失，生成瑕疵的检测模型，并根据检测模型对待预测图片进行瑕疵检测，能够以高准确率和高速度进行瑕疵检测的分割，且全方位自动化地实现瑕疵检测的分割，从而减少人力成本，提高产品生产效率，为产品创造价值。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本申请一示例性实施例的瑕疵的检测系统的结构示意图；图2为本申请一示例性实施例的数据处理方法的流程示意图；图3为本申请一示例性实施例提供的瑕疵的检测方法的流程示意图；图4为本申请又一示例性实施例提供的瑕疵的检测方法的流程示意图；图5为本申请一示例性实施例提供的瑕疵的示意图；图6为本申请又一示例性实施例提供的瑕疵的示意图；图7为本申请又一示例性实施例提供的困难负本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；/n确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；/n根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取至少一张图片的特征，根据所述特征确定该图片中像素的预测类型以及预测检测框，所述预测类型反映像素是否属于瑕疵的情况，所述预测目标框反映像素在具有瑕疵时的瑕疵位置；
确定像素的所述预测类型与真实类型之间的类型损失，以及确定像素的预测检测框与真实检测框之间的检测框损失；
根据像素的类型损失以及检测框损失，确定像素的总损失，根据所述总损失，生成瑕疵的检测模型。


2.根据权利要求1所述的方法，其特征在于，根据像素的类型损失以及检测框损失，确定像素的总损失，包括：
根据像素的类型损失，确定像素的类型损失和；
根据像素的检测框损失，确定像素的检测框损失和；
根据类型损失和与检测框损失和，确定所述总损失。


3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
针对任一图片，从该图片中不属于瑕疵的正常像素中获取困难负样本，困难负样本是指具有预定质量的负样本；
针对任一图片，将该图片中属于瑕疵的像素作为正样本；
其中，所述根据像素的类型损失，确定像素的类型损失和，包括：
确定至少一张图片中的所述困难负样本的类型损失和；
确定至少一张图片中的正样本的类型损失和，将所述困难负样本的类型损失和与正样本的类型损失和，作为对应图片的类型损失。


4.根据权利要求3所述的方法，其特征在于，所述从该图片中不属于瑕疵的正常像素中获取困难负样本，包括：
将每个图片中不属于瑕疵的正常像素作为负样本，并确定所述负样本的类型损失；
将所述负样本的类型损失由大到小进行排序，并选择出相邻类型损失差距最大对应的两个负样本，将排序靠后的负样本作为临界点，将排序在临界点之前的负样本作为所述困难负样本。


5.根据权利要求1所述的方法，其特征在于，所述根据所述特征确定该图片中像素的预测类型以及预测检测框，包括：
根据全卷积神经网络模型，对所述特征进行处理，确定该图片中像素的预测类型以及预测检测框。


6.根据权利要求1所述的方法，其特征在于，所述确定像素的所述预测类型与真实类型之间的类型损失，包括：
根据像素的真实类型以及与该真实类型相符的预测类型的预测概率，确定该真实类型下的像素的类型损失。


7.根据权利要求1所述的方法，其特征在于，所述确定像素的预测检测框与真实检测框之间的检测框损失，包括：
根据预测检测框在对应图片中的预测坐标，确定该预测检测框对于对应像素的相对预测坐标；
获取真实检测框对于对应像素的相对真实坐标；
确定所述相对预测坐标与所述相对真实坐标之间的坐标距离；
根据所述坐标距离确定所述检测框损失。


8.根据权利要求1所述的方法，其特征在于，所述根据所述总损失，生成瑕疵的检测模型，包括：
根据所述总损失，更新所述检测模型的检测参数，进行模型的迭代训练，直到满足迭代训练停止条件，生成检测模型。


9.根据权利要求2所述的方法，其特征在于，所述根据类型损失和与检测框损失和，确定所述总损失，包括：
根据加权求和算法，确定所述类型损失和与所述检测框损失和的总损失。


10.根据权利要求5所述的方法，其特征在于，所述根据全卷积神经网络模型，对所述特征进行处理，确定该图片中像素的预测类型以及预测检测框，包括：
根据全卷积神经网络模型，对所述特征进行处理得到像素的至少一个预测类型的预测概率；
选择预测概率最大的预测类型作为该像素的预测类型；
将预测概率最大的预测类型对应的预测检测框作为该像素的预测检测框。


11.一种瑕疵的检测方法，其特征在于，包括：
获取至少一张待预测图片，确定待预测图片中的像素的预测类型以及预测检测框；
针对一张待预测图片，根据所述预测类型聚合像素，生成像素区域，并根据像素的预测检测框，确定所述像素区域的预测检测框；
根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵。


12.根据权利要求11所述的方法，其特征在于，所述根据所述预测类型聚合像素，生成像素区域，包括：
根据所述预测类型的预测概率，确定每个像素的瑕疵类型；
根据瑕疵类型，聚合像素，生成相同瑕疵类型的像素的聚合区域，作为像素区域。


13.根据权利要求12所述的方法，其特征在于，所述方法还包括：
将所述相同瑕疵类型作为该像素区域的瑕疵类型；
其中，所述根据像素的预测检测框，确定所述像素区域的预测检测框，包括：
选择所述像素区域中该瑕疵类型的预测概率最高的像素的预测检测框作为该像素区域的预测检测框。


14.根据权利要求11所述的方法，其特征在于，所述根据所述像素区域和/或像素区域的预测检测框，确定待预测图片的瑕疵，包括：
当像素区域的瑕疵类型属于第一类型时，将像素区域的瑕疵类型作为该待预测图片包含的瑕疵类型，将像素区域的预测检测框作为该待预测图片包含的瑕疵的预测检测框；
当像素区域中的部分像素超出所述预测检测框时，从所述像素区域中去除所述部分像素，将剩余像素组成的区域作...

【专利技术属性】
技术研发人员：李虹杰，魏溪含，陈想，陈岩，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY