使用人工智能模型的自动检测制造技术

本发明专利技术题为“使用人工智能模型的自动检测”。本发明专利技术提供了一种检查方法，该检查方法包括接收多个训练图像和从对目标对象的检查获得的目标对象图像。该方法还包括由一个或多个训练代码生成多个推断代码。一个或多个训练代码被配置成接收多个训练图像作为输入并输出多个推断代码。一个或多个训练代码和多个推断代码包括计算机可执行指令。该方法还包括基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从多个推断代码中选择一个或多个推断代码。该方法还包括使用多个推断代码中的一个或多个推断代码检查所接收的图像。图像。图像。

【技术实现步骤摘要】
使用人工智能模型的自动检测

技术介绍

[0001]人工智能(AI)是涉及构建智能机器的一个科学分支，该智能机器能够执行通常需要人类智能的任务。AI系统可以解释和学习外部数据，并通过灵活的适应在这种学习的基础上实现特定的目标和任务。AI系统在诸如检测系统(例如，面部识别)、自动驾驶汽车、机器人、医疗保健等领域中变得越来越普遍。

技术实现思路

[0002]所公开的主题的各个方面可提供以下能力中的一种或多种。
[0003]在一个具体实施中，一种方法包括接收多个训练图像和从对目标对象的检查获得的目标对象图像。该方法还包括由一个或多个训练代码生成多个推断代码。一个或多个训练代码被配置成接收多个训练图像作为输入并输出多个推断代码。一个或多个训练代码和多个推断代码包括计算机可执行指令。该方法还包括基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从多个推断代码中选择一个或多个推断代码。该方法还包括使用多个推断代码中的一个或多个推断代码检查所接收的图像。
[0004]以下特征中的一个或多个特征可包括在任何可行组合中。
[0005]在一个具体实施中，该方法还包括接收用户输入，该用户输入指示对目标对象中是否存在至少一个缺陷进行确定的用户请求。选择一个或多个推断代码包括选择二元鉴别器代码。二元鉴别器代码被配置成输出指示存在至少一个缺陷的肯定推断结果或指示不存在至少一个缺陷的否定推断结果。在另一具体实施中，生成多个推断代码包括至少通过以下方式生成二元鉴别器代码：识别来自多个训练图像的包括至少一个缺陷的图像的第一类训练图像；以及识别来自多个训练图像的不包括至少一个缺陷的图像的第二类训练图像。训练代码被配置成接收第一类训练图像和第二类训练图像作为输入并且生成二元鉴别器代码作为输出。
[0006]在一个具体实施中，该方法还包括接收用户输入，该用户输入指示对在目标对象图像中的至少一个缺陷的图像进行定位的用户请求。选择一个或多个推断代码包括选择缺陷定位代码。缺陷定位代码被配置成输出已修改的目标对象图像，该已修改的目标对象图像包括所接收的目标对象图像和指示目标对象中的至少一个缺陷的标记。在另一具体实施中，生成多个推断代码包括至少通过以下方式生成缺陷定位代码：选择来自多个训练图像的包括识别至少一个缺陷的标签的被标记类训练图像。训练代码被配置成接收被标记类训练图像作为输入并且生成缺陷定位代码作为输出。在又一具体实施中，标记包括围绕至少一个缺陷的图像的多边形和/或叠加在至少一个缺陷上的像素级掩模。
[0007]在一个具体实施中，该方法还包括接收用户输入，该用户输入指示对目标对象图像中的至少一个缺陷进行量化的用户请求。选择一个或多个推断代码包括选择缺陷量化代码，其中缺陷量化代码被配置成评估与至少一个缺陷相关联的严重程度因子。在另一具体实施中，生成多个推断代码包括至少通过生成与至少一个缺陷相关联的掩模来生成缺陷量化代码。掩模被配置成提供与至少一个缺陷相关联的像素级信息。
[0008]在一个具体实施中，生成多个推断代码包括从多个训练图像中选择多个训练图像子集。多个训练图像子集中的每个子集由一个或多个训练代码使用以生成多个推断代码中的唯一推断代码。在另一具体实施中，该方法还包括由一个或多个推断代码生成一个或多个推断结果。一个或多个推断代码中的每个推断代码被配置成生成推断结果。该方法还包括生成包括一个或多个推断结果的推断结果集合；以及根据推断结果集合预测目标对象中存在至少一个缺陷。在又一具体实施中，预测目标对象中存在至少一个缺陷包括计算推断结果集合中的一个或多个推断结果的加权平均值。
[0009]在一个具体实施中，去噪代码被配置成接收目标对象图像并从所接收的图像中移除噪声特征。在另一具体实施中，在多个图像上对去噪代码进行训练，该多个图像以至少一个成像参数生成，该至少一个成像参数在与所接收的目标对象图像的拍摄相关联的检查成像参数的预定范围内。在又一具体实施中，噪声特征包括累加均匀高斯噪声和空间不均匀高斯噪声中的一者或多者。
[0010]在一个具体实施中，该方法还包括生成检查报告，该检查报告包括对所接收的图像的检查的结果、多个训练图像和由一个或多个训练代码生成的多个推断代码中的一者或多者。在另一具体实施中，该方法还包括基于对所接收的图像的检查的结果、与目标对象相关联的制造数据、与目标对象相关联的材料数据和与目标对象相关联的设计数据中的一者或多者生成用于设计和/或制造目标对象的指南。
[0011]还描述了存储指令的非暂态计算机程序产品(即，物理体现的计算机程序产品)，当指令由一个或多个计算系统的一个或多个数据处理器执行时，使至少一个数据处理器执行本文中的操作。类似地，还描述了计算机系统，该计算机系统可以包括一个或多个数据处理器和耦接到该一个或多个数据处理器的存储器。存储器可以临时或永久地存储使至少一个处理器执行本文描述的操作中的一个或多个操作的指令。另外，方法可以由单个计算系统内的一个或多个数据处理器或分布在两个或多个计算系统之间的一个或多个数据处理器来实现。此类计算系统可经由一个或多个连接、包括网络(例如，互联网、无线广域网、局域网、广域网、有线网络等)上的连接、经由多个计算系统中的一个或多个计算系统之间的直接连接等来连接并且可交换数据和/或命令或其他指令等。
[0012]所公开的这些和其他能力将在回顾下面的附图、具体实施方式和权利要求书之后被更全面地理解。
附图说明
[0013]根据以下结合附图的详细描述，将更容易理解这些和其他特征，其中：
[0014]图1是用于缺陷检测的示例性方法的流程图；
[0015]图2是示例性缺陷识别系统的示意图；
[0016]图3是图2的缺陷识别系统中的示例性训练系统的示意图；并且
[0017]图4是图2的缺陷识别系统中的示例性推断系统的示意图。
具体实施方式
[0018]非破坏性计算机断层扫描(CT)成像技术可用于检查工业机器的各种部件。例如，CT成像技术可用于检查工业机器(例如，电池)并识别工业机器中的特征(例如，检测电池中
的缺陷)。现有的电池检查系统可以依赖于传统的图像处理来检查电池图像。这些检查系统可以是不一致的(例如，当检查在不同类型的电池上执行时)，低效的(例如，依赖于人工查看大量的电池图像)和不准确(例如，当由于扫描时间短导致拍摄的电池图像质量差时)。本主题提供了智能缺陷识别系统，该智能缺陷识别系统可以减少检查时间和/或改善检查准确度和一致性。在一些具体实施中，缺陷识别系统(也称为自动缺陷识别[ADR]系统)可以包括人工智能(AI)模型，该人工智能模型可以实现根据电池CT图像对电池缺陷进行识别、分类、定位和量化中的一者或多者。
[0019]在一些具体实施中，缺陷检测系统可以基于待执行的检查类型(例如，缺陷存在的确定、缺陷类型的识别、缺陷特征的确定等)自动从多个AI模型选择AI模型(例如，深度学习模型)。多个AI模型可以被预先训练，并且可以被包括在AI模型库中。可以训练各种AI模型来检测一个或多个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：接收多个训练图像和从对目标对象的检查获得的目标对象图像；由一个或多个训练代码生成多个推断代码，所述一个或多个训练代码被配置成接收所述多个训练图像作为输入并输出所述多个推断代码，其中所述一个或多个训练代码和所述多个推断代码包括计算机可执行指令；基于用户输入和/或所接收的多个训练图像的至少一部分的一个或多个特征从所述多个推断代码中选择一个或多个推断代码；以及使用所述多个推断代码中的所述一个或多个推断代码检查所接收的图像。2.根据权利要求1所述的方法，还包括接收所述用户输入，所述用户输入指示对所述目标对象中是否存在至少一个缺陷进行确定的用户请求，其中选择一个或多个推断代码包括选择二元鉴别器代码，其中所述二元鉴别器代码被配置成输出指示存在所述至少一个缺陷的肯定推断结果或指示不存在所述至少一个缺陷的否定推断结果。3.根据权利要求2所述的方法，其中生成所述多个推断代码包括至少通过以下方式生成所述二元鉴别器代码：识别来自所述多个训练图像的包括所述至少一个缺陷的图像的第一类训练图像；识别来自所述多个训练图像的不包括所述至少一个缺陷的图像的第二类训练图像；并且其中所述训练代码被配置成接收所述第一类训练图像和所述第二类训练图像作为输入并且生成所述二元鉴别器代码作为输出。4.根据权利要求1所述的方法，还包括接收所述用户输入，所述用户输入指示对在所述目标对象图像中的至少一个缺陷的图像进行定位的用户请求，其中选择一个或多个推断代码包括选择缺陷定位代码，其中所述缺陷定位代码被配置成输出已修改的目标对象图像，所述已修改的目标对象图像包括所接收的目标对象图像和指示目标对象中的所述至少一个缺陷的标记。5.根据权利要求4所述的方法，其中生成所述多个推断代码包括至少通过以下方式生成所述缺陷定位代码：选择来自所述多个训练图像的包括识别所述至少一个缺陷的标签的被标记类训练图像，其中所述训练代码被配置成接收所述被标记类训练图像作为输入并且生成所述缺陷定位代码作为输出。6.根据权利要求4所述的方法，其中所述标记包括围绕所述至少一个缺陷的所述图像的多边形和/或叠加在所述至少一个缺陷上的像素级掩模。7.根据权利要求1所述的方法，还包括接收所述用户输入，所述用户输入指示对所述目标对象图像中的至少一个缺陷进行量化的用户请求，其中选择一个或多个推断代码包括选择缺陷量化代码，其中所述缺陷量化代码被配置成评估与所述至少一个缺陷相关联的严重程度因子。8.根据权利要求7所述的方法，其中生成所述多个推断代码包括至少通过以下方式生成所述缺陷量化代码：
生成与所述至少一个缺陷相关联的掩模，其中所述掩模被配置成提供与所述至少一个缺陷相关联的像素级信息。9.根据权利要求1所述的方法，其中生成所述多个推断代码包括：从所述多个训练图像中选择多个训练图像子集，其中所述多个训练图像子集中的每个子集由所述一个或多个训练代码使用以生成所述多个推断代码中的唯一推断代码。10.根据权利要求9所述的方法，还包括：由所述一个或多个推断代码生成一个或多个推断结果，其中所述一个或多个推断代码中的每个推断代码被配置成生成推断结果；生成包括所述一个或多个推断结果的推断结果集合；以及根据所述推断结果集合预测所述目标对象中存在至少一个缺陷。11.根据权利要求10所述的方法，其中预测所述目标对象中存在所述至...

【专利技术属性】
技术研发人员：葛晓青，达斯汀，
申请(专利权)人：贝克休斯控股有限责任公司，
类型：发明
国别省市：