零部件的异常检测方法及装置制造方法及图纸

本发明专利技术提供了一种零部件的异常检测方法及装置，上述方法包括：获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。通过本发明专利技术，可以解决相关技术中零部件的异常检测的效率较低的问题。

Abnormal detection method and device of parts

The invention provides an abnormality detection method and device for parts, the method comprises: obtaining a normal sample and an abnormal sample of the first part, wherein the normal sample comprises: a first picture of the first part, the abnormal sample comprises: a second picture of the second part in a different position from the first part; using the normal sample And the abnormal samples train the twin neural network model, wherein the twin neural network model is used to determine the similarity between normal samples and abnormal samples input into the twin neural network model; the twin neural network model after training is used to detect whether the first part input into the third picture of the twin neural network model exists Abnormal. The invention can solve the problem of low efficiency of abnormal detection of parts in related technology.

【技术实现步骤摘要】
零部件的异常检测方法及装置
本专利技术涉及通信领域，具体而言，涉及一种零部件的异常检测方法及装置。
技术介绍
在对车辆的零部件进行异常检测时，可以通过轨道车辆在线阵相机前方的运动获得整个车辆的图片，车辆的图片包含了各种零部件信息，并且各种零部件的相关缺陷可以在该图片中反映出来。例如，螺丝是车辆的零部件中出现异常问题较为广泛的零部件。在对车辆的图片进行分析时，可以基于传统图像处理技术利用图像中的纹理、边缘、颜色等信息进行螺丝异常的特征提取工作。而这一方式，存在以下缺陷：车辆的图片很大，而每个螺丝所占面积非常小，难以利用传统图像处理的技术在一整个车辆图片上直接提取到螺丝的特征；传统图像处理的技术难以扩展到车辆的各种不同部分上的螺丝的异常问题，需要为每个部分单独设置特征提取工作，从而导致螺丝的异常检测的效率低下。针对相关技术中，零部件的异常检测的效率较低等问题，尚未提出技术方案。
技术实现思路
本专利技术实施例提供了一种零部件的异常检测方法及装置，以至少解决相关技术中零部件的异常检测的效率较低的问题。根据本专利技术的一个实施例，提供了一种零部件的异常检测方法，包括：获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；<br>使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。可选地，所述使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，包括：将多组训练数据输入到所述孪生神经网络模型中，使用所述多组训练数据对所述孪生神经网络模型进行训练，其中，所述多组训练数据至少包括第一组训练数据和第二组训练数据，其中，所述第一组训练数据包括第一正常样本以及第一异常样本，所述第二组训练数据包括第二正常样本以及第三正常样本。可选地，所述使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常，包括：获取所述第一图片以及第三图片；将所述第一图片以及第三图片输入到所述训练完成后的孪生神经网络模型中，获取所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度；根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常。可选地，所述根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常，包括：在所述相似度小于第一阈值的情况下，确定所述第三图片中的第一零件存在异常；在所述相似度大于第二阈值的情况下，确定所述第三图片中的第一零件未存在异常。根据本专利技术的另一个实施例，提供了一种零部件的异常检测装置，包括：获取模块，用于获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；训练模块，用于使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；检测模块，用于使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。可选地，所述训练模块，包括：训练单元，用于将多组训练数据输入到所述孪生神经网络模型中，使用所述多组训练数据对所述孪生神经网络模型进行训练，其中，所述多组训练数据至少包括第一组训练数据和第二组训练数据，其中，所述第一组训练数据包括第一正常样本以及第一异常样本，所述第二组训练数据包括第二正常样本以及第三正常样本。可选地，所述检测模块，包括：获取单元，用于获取所述第一图片以及第三图片；输入单元，用于将所述第一图片以及第三图片输入到所述训练完成后的孪生神经网络模型中，获取所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度；确定单元，用于根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常。可选地，所述确定单元，包括：第一确定子单元，用于在所述相似度小于第一阈值的情况下，确定所述第三图片中的第一零件存在异常；第二确定子单元，用于在所述相似度大于第二阈值的情况下，确定所述第三图片中的第一零件未存在异常。可选地，根据本专利技术的另一个实施例，提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述方法。可选地，根据本专利技术的另一个实施例，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。通过本专利技术，获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。因此，可以解决相关技术中零部件的异常检测的效率较低的问题，提高了零部件的异常检测的效率，并能够提高异常检测的准确性。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为根据本专利技术实施例的零部件的异常检测方法的流程图；图2为根据本专利技术实施例的车轮的定位方法的流程图；图3为根据本专利技术实施例的螺丝的定位方法的流程图；图4为根据本专利技术另一实施例的零部件的异常检测方法的流程图；图5是根据本专利技术实施例的零部件的异常检测装置的结构框图。具体实施方式下文中将参考附图并结合实施例来详细说明本专利技术。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。需要说明的是，本专利技术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。实施例1本专利技术实施例提供了一种零部件的异常检测方法。图1为根据本专利技术实施例的零部件的异常检测方法的流程图，如图1所示，包括：步骤S102，获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：本文档来自技高网...

【技术保护点】
1.一种零部件的异常检测方法，其特征在于，包括：/n获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；/n使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；/n使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。/n

【技术特征摘要】
1.一种零部件的异常检测方法，其特征在于，包括：
获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；
使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；
使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。


2.根据权利要求1所述的方法，其特征在于，所述使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，包括：
将多组训练数据输入到所述孪生神经网络模型中，使用所述多组训练数据对所述孪生神经网络模型进行训练，其中，所述多组训练数据至少包括第一组训练数据和第二组训练数据，其中，所述第一组训练数据包括第一正常样本以及第一异常样本，所述第二组训练数据包括第二正常样本以及第三正常样本。


3.根据权利要求1所述的方法，其特征在于，所述使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常，包括：
获取所述第一图片以及第三图片；
将所述第一图片以及第三图片输入到所述训练完成后的孪生神经网络模型中，获取所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度；
根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常。


4.根据权利要求3所述的方法，其特征在于，所述根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常，包括：
在所述相似度小于第一阈值的情况下，确定所述第三图片中的第一零件存在异常；
在所述相似度大于第二阈值的情况下，确定所述第三图片中的第一零件未存在异常。


5.一种零部件的异常检测装置，其特征在于，包括：
获取模块，用于获取第一零部件的正常样本以及异常样本...

【专利技术属性】
技术研发人员：江金陵，吴信东，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：北京;11