缺陷检测方法、模型训练方法、装置及电子设备制造方法及图纸

技术编号:39298869 阅读:15 留言:0更新日期:2023-11-07 11:07
本申请公开了一种缺陷检测方法、缺陷检测模型训练方法、装置、电子设备及存储介质。本申请的实施例涉及人工智能的机器学习以及云技术等技术领域。该缺陷检测方法包括:获取目标物的拍摄图像;通过缺陷检测模型确定拍摄图像对应的预测标签;根据预测标签,确定目标物的缺陷类别检测结果。缺陷检测模型根据目标样本对应的第一损失值以及第二损失值,对初始检测模型训练获得,第一损失值表征初始检测模型对目标样本预测的准确性;第二损失值表征初始编译器对目标样本预测的准确性。目标样本对应的第一损失值以及第二损失值满足损失值指标。目标样本包括较少的噪声数据,准确率较高,使得根据目标样本训练获得的缺陷检测模型的检测准确率较高。准确率较高。准确率较高。

【技术实现步骤摘要】
缺陷检测方法、模型训练方法、装置及电子设备


[0001]本申请涉及电子信息
,更具体地,涉及一种缺陷检测方法、缺陷检测模型训练方法、装置、电子设备及存储介质。

技术介绍

[0002]缺陷检测是指对生产制造过程中的产品进行缺陷检测和缺陷识别的技术,缺陷检测在工业生产制造和质量监测等领域都有着广泛的应用,如液晶面板缺陷识别、工件表面质量检测、布匹表面瑕疵识别、机械器材质量检测等。
[0003]若存在缺陷的物品流入市场,可能会造成难以挽回的损失。例如,存在缺陷的车辆零件流入市场后,这些零件可能会有紧固不稳定或易脱落的问题,甚至引发车辆发生安全事故。因此,如何提高对物品缺陷检测的准确性就显得极为重要。

技术实现思路

[0004]有鉴于此,本申请实施例提出了一种缺陷检测方法、缺陷检测模型训练方法、装置、电子设备及存储介质。
[0005]第一方面,本申请实施例提供了一种缺陷检测方法,方法包括:获取目标物的拍摄图像;通过缺陷检测模型确定所述拍摄图像对应的预测标签,所述预测标签包括所述拍摄图像属于各个预置缺陷类别的置信度;所述缺陷检测模型根据目标样本对应的第一损失值以及第二损失值,对初始检测模型进行训练获得;所述目标样本对应的第一损失值以及第二损失值满足损失值指标;所述目标样本对应的第一损失值表征所述初始检测模型对所述目标样本预测的准确性;所述目标样本对应的第二损失值表征初始编译器对所述目标样本预测的准确性;根据所述预测标签中所述拍摄图像属于各个预置缺陷类别的置信度,确定所述目标物的缺陷类别检测结果。
[0006]第二方面,本申请实施例提供了一种缺陷检测模型训练方法,方法包括:获取目标样本,目标样本对应的第一损失值以及第二损失值满足损失值指标;目标样本对应的第一损失值表征初始检测模型对目标样本预测的准确性;目标样本对应的第二损失值表征初始编译器对目标样本预测的准确性;根据第一损失值以及第二损失值,对初始检测模型以及初始编译器进行训练,得到训练后的检测模型以及训练后的编译器;获取训练后的检测模型作为缺陷检测模型。
[0007]第三方面,本申请实施例提供了一种缺陷检测装置,装置包括:获取模块,用于获取目标物的拍摄图像;预测模块,用于通过缺陷检测模型确定拍摄图像对应的预测标签,预测标签包括拍摄图像属于各个预置缺陷类别的置信度;缺陷检测模型根据目标样本对应的第一损失值以及第二损失值,对初始检测模型进行训练获得;目标样本对应的第一损失值以及第二损失值满足损失值指标;目标样本对应的第一损失值表征初始检测模型对目标样本预测的准确性;目标样本对应的第二损失值表征初始编译器对目标样本预测的准确性;结果获得模块,用于根据预测标签中拍摄图像属于各个预置缺陷类别的置信度,确定目标
物的缺陷类别检测结果。
[0008]可选地,装置还包括训练模块,用于通过初始检测模型,确定初始样本对应的第一损失值,初始样本对应的第一损失值表征初始检测模型对初始样本预测的准确性;通过初始编译器,确定初始样本对应的第二损失值;初始样本对应的第二损失值表征初始编译器对初始样本预测的准确性;若初始样本对应的第一损失值以及第二损失值满足损失值指标,获取初始样本作为目标样本。
[0009]可选地,训练模块,还用于根据初始检测模型,确定初始样本对应的第一损失值;初始样本包括样本图像、第一标签以及第二标签;第一标签指示样本图像分别属于每个预置缺陷类别时是否可信;第二标签指示样本图像是否属于每个预置缺陷类别;初始样本对应的第一损失值表征初始检测模型对初始样本预测的准确性;根据初始编译器,确定初始样本对应的第二损失值;初始样本对应的第二损失值表征初始编译器对初始样本预测的准确性;若初始样本对应的第一损失值以及第二损失值不满足损失值指标,对第一标签以及第二标签进行修正,得到修正后的第一标签以及修正后的第二标签;获取初始样本中的样本图像、修正后的第一标签以及修正后的第二标签,作为新的初始样本,返回执行根据初始检测模型,确定初始样本对应的第一损失值的步骤,直到初始样本对应的第一损失值以及第二损失值满足损失值指标,获取样本图像、最后一次修正后的第一标签以及最后一次修正后的第二标签,作为目标样本。
[0010]可选地,训练模块,还用于根据初始样本的样本图像以及第一标签,获取修正标签,修正标签指示样本图像属于各个预置缺陷类别的概率;根据修正标签,对第一标签以及第二标签进行修正,得到修正后的第一标签以及修正后的第二标签。
[0011]可选地,修正标签包括样本图像属于各个预置缺陷类别的修正值;第一标签包括样本图像属于各个预置缺陷类别的置信度;第二标签包括样本图像属于各个预置缺陷类别的概率以及样本图像不属于各个预置缺陷类别的概率;可选地,训练模块,还用于根据修正标签中每个预置缺陷类别各自的修正值,对第一标签中该预置缺陷类别的置信度进行替换,以得到修正后的第一标签;根据修正标签中每个预置缺陷类别各自的修正值,对第二标签中样本图像属于该预置缺陷类别的概率进行替换,以得到替换后的第二标签;根据替换后的第二标签中样本图像属于每个预置缺陷类别的概率,对替换后的第二标签中样本图像不属该预置缺陷类别的概率进行调整,以得到修正后的第二标签。
[0012]可选地,训练模块,还用于获取样本图像的第一预测标签、第二预测标签以及第一标签,第一预测标签是通过初始检测模型预测的,且指示样本图像分别属于每个预置缺陷类别的可信程度;第二预测标签是通过初始编译器预测的,且指示样本图像分别属于每个预置缺陷类别的可能性;根据第一预测标签、第二预测标签以及第一标签,确定修正标签。
[0013]可选地,训练模块,还用于获取第一标签对应的第一权重、第一预测标签对应的第二权重以及第二预测标签对应的第三权重;根据第一权重、第二权重以及第三权重,对第二标签、第一预测标签以及第二预测标签进行加权求和,得到修正标签。
[0014]可选地,训练模块,还用于将样本图像输入初始检测模型,得到第一预测标签,第一预测标签指示样本图像分别属于每个预置缺陷类别的可信程度;根据第一标签以及第一预测标签,计算损失值,作为初始样本对应的第一损失值。
[0015]可选地,训练模块,还用于将样本图像输入初始编译器,得到第二预测标签;第二
预测标签指示样本图像分别属于每个预置缺陷类别的可能性;根据第二标签以及第二预测标签,计算损失值,作为初始样本对应的第二损失值。
[0016]可选地,目标样本对应的第一损失值以及第二损失值满足损失值指标,包括:第一损失值小于第一阈值,且第二损失值小于第二阈值,第一阈值基于初始检测模型设置,第二阈值基于初始编译器设置。
[0017]可选地,结果获得模块,还用于根据预测标签中拍摄图像属于各个预置缺陷类别的置信度,获取置信度最大的预置缺陷类别;若置信度最大的预置缺陷类别的置信度大于预设置信度阈值,得到目标物包括置信度最大的预置缺陷类别下的缺陷的缺陷类别检测结果。
[0018]第四方面,本申请实施例提供了一种缺陷检测模型训练装置,装置包括:样本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种缺陷检测方法,其特征在于,所述方法包括:获取目标物的拍摄图像;通过缺陷检测模型确定所述拍摄图像对应的预测标签,所述预测标签包括所述拍摄图像属于各个预置缺陷类别的置信度;所述缺陷检测模型根据目标样本对应的第一损失值以及第二损失值,对初始检测模型进行训练获得;所述目标样本对应的第一损失值以及第二损失值满足损失值指标;所述目标样本对应的第一损失值表征所述初始检测模型对所述目标样本预测的准确性;所述目标样本对应的第二损失值表征初始编译器对所述目标样本预测的准确性;根据所述预测标签中所述拍摄图像属于各个预置缺陷类别的置信度,确定所述目标物的缺陷类别检测结果。2.根据权利要求1所述的方法,其特征在于,所述目标样本的获取方法包括:通过所述初始检测模型,确定初始样本对应的第一损失值,所述初始样本对应的第一损失值表征所述初始检测模型对所述初始样本预测的准确性;通过所述初始编译器,确定所述初始样本对应的第二损失值;所述初始样本对应的第二损失值表征所述初始编译器对所述初始样本预测的准确性;若所述初始样本对应的第一损失值以及第二损失值满足所述损失值指标,获取所述初始样本作为所述目标样本。3.根据权利要求1所述的方法,其特征在于,所述目标样本的获取方法包括:根据所述初始检测模型,确定初始样本对应的第一损失值;所述初始样本包括样本图像、第一标签以及第二标签;所述第一标签指示所述样本图像分别属于每个所述预置缺陷类别时是否可信;所述第二标签指示所述样本图像是否属于每个所述预置缺陷类别;所述初始样本对应的第一损失值表征初始检测模型对所述初始样本预测的准确性;根据所述初始编译器,确定所述初始样本对应的第二损失值;所述初始样本对应的第二损失值表征所述初始编译器对所述初始样本预测的准确性;若所述初始样本对应的第一损失值以及第二损失值不满足所述损失值指标,对所述第一标签以及所述第二标签进行修正,得到修正后的第一标签以及修正后的第二标签;获取所述初始样本中的样本图像、所述修正后的第一标签以及所述修正后的第二标签,作为新的初始样本,返回执行所述根据所述初始检测模型,确定初始样本对应的第一损失值的步骤,直到初始样本对应的第一损失值以及第二损失值满足所述损失值指标,获取所述样本图像、最后一次修正后的第一标签以及最后一次修正后的第二标签,作为所述目标样本。4.根据权利要求3所述的方法,其特征在于,所述对所述第一标签以及所述第二标签进行修正,得到修正后的第一标签以及修正后的第二标签,包括:根据所述初始样本的样本图像以及第一标签,获取修正标签,所述修正标签指示所述样本图像属于所述各个预置缺陷类别的概率;根据所述修正标签,对所述第一标签以及所述第二标签进行修正,得到修正后的第一标签以及修正后的第二标签。5.根据权利要求4所述的方法,其特征在于,所述修正标签包括所述样本图像属于所述各个预置缺陷类别的修正值;所述第一标签包括所述样本图像属于所述各个预置缺陷类别
的置信度;所述第二标签包括所述样本图像属于所述各个预置缺陷类别的概率以及所述样本图像不属于所述各个预置缺陷类别的概率;所述根据所述修正标签,对所述第一标签以及所述第二标签进行修正,得到修正后的第一标签以及修正后的第二标签,包括:根据所述修正标签中每个所述预置缺陷类别各自的修正值,对所述第一标签中该预置缺陷类别的置信度进行替换,以得到修正后的第一标签;根据所述修正标签中每个所述预置缺陷类别各自的修正值,对所述第二标签中所述样本图像属于该预置缺陷类别的概率进行替换,以得到替换后的第二标签;根据所述替换后的第二标签中所述样本图像属于每个预置缺陷类别的概率,对所述替换后的第二标签中所述样本图像不属该预置缺陷类别的概率进行调整,以得到修正后的第二标签。6.根据权利要求4所述的方法,其特征在于,所述根据所述初始样本的样本图像以及第一标签,获取修正标签,包括:获取所述样本图像的第一预测标签、第二预测标签以及第一标签,所述第一预测标签是通过所述初始检测模型预测的,且指示所述样本图像分别属于每个所述预置缺陷类别的可信程度;所述第二预测标签是通过所述初始编译器预测的,且指示所述样本图像分别属于每个所述预置缺陷类别的可能性;根据所述第一预测标签、所述第二预测标签以及所述第一标签,确定所述修正标签。7.根据权利要求6所述的方法,其特征在于,所述根据所述...

【专利技术属性】
技术研发人员:张博深
申请(专利权)人:腾讯科技深圳有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1