小样本缺陷识别方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种小样本缺陷识别方法、装置、设备及存储介质，获取待测图像，将待测图像输入编码器，通过编码器获得待测图像对应的第一特征向量；所述编码器是通过多个包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与解码器输出图像的比较结果作为损失函数，训练第一神经网络得到的，所以基于编码器得到的第一特征向量不包括待测图像中的噪声数据和除第一物体外的背景数据，数据维度大大降低；将第一特征向量输入预构建的缺陷识别模型后，缺陷识别模型的处理速度大大提升，且缺陷识别模型仅依赖第一物体自己的特征，提高了缺陷识别模型确定第一物体是否具有缺陷的准确性。

【技术实现步骤摘要】
小样本缺陷识别方法、装置、设备及存储介质
本申请涉及图像识别领域，更具体的说，是涉及一种小样本缺陷识别方法、装置、设备及存储介质。
技术介绍
目前设备或设备中某个部件的缺陷检测通常都由巡检人员依靠自身的经验进行判断，以电力行业为例，例如，输电线路、互感器、接触器都可能产生缺陷，这些缺陷通常伴随生产事故。但是由于设备多样、缺陷隐蔽、人员数量不足，人力巡检已无法满足日常的巡检需求，因此，快速且准确的确定设备或设备中某个部件是否具有缺陷是技术人员需要解决的问题。
技术实现思路
有鉴于此，本申请提供了一种小样本缺陷识别方法、装置、设备及存储介质，以克服现有技术中人力巡检效率和准确率较低的问题。为实现上述目的，本申请提供如下技术方案：一种小样本缺陷识别方法，包括：获取待测图像，所述待测图像包括第一物体；将所述待测图像输入编码器，通过所述编码器获得所述待测图像对应的第一特征向量；其中，所述第一特征向量包括所述第一物体对应的图像数据；通过将包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与所述解码器的输出图像的比较结果作为损失函数，训练所述第一神经网络，以得到所述编码器；所述标准图像是指去除所述样本图像包含的噪声数据以及除所述第二物体外的背景数据后的图像；将所述第一特征向量输入缺陷识别模型，通过所述缺陷识别模型获得所述待测图像对应的预测缺陷结果，所述缺陷识别模型是基于小样本训练得到的。一种小样本缺陷识别装置，包括：>第一获取模块，用于获取待测图像，所述待测图像包括第一物体；第二获取模块，用于将所述待测图像输入编码器，通过所述编码器获得所述待测图像对应的第一特征向量；其中，所述第一特征向量包括所述第一物体对应的图像数据；通过将包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与所述解码器的输出图像的比较结果作为损失函数，训练所述第一神经网络，以得到所述编码器；所述标准图像是指去除所述样本图像包含的噪声数据以及除所述第二物体外的背景数据后的图像；第三获取模块，用于将所述第一特征向量输入缺陷识别模型，通过所述缺陷识别模型获得所述待测图像对应的预测缺陷结果，所述缺陷识别模型是基于小样本训练得到的。一种电子设备，包括：存储器，用于存储程序；处理器，用于执行所述程序，所述程序具体用于：获取待测图像，所述待测图像包括第一物体；将所述待测图像输入编码器，通过所述编码器获得所述待测图像对应的第一特征向量；其中，所述第一特征向量包括所述第一物体对应的图像数据；通过将包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与所述解码器的输出图像的比较结果作为损失函数，训练所述第一神经网络，以得到所述编码器；所述标准图像是指去除所述样本图像包含的噪声数据以及除所述第二物体外的背景数据后的图像；将所述第一特征向量输入缺陷识别模型，通过所述缺陷识别模型获得所述待测图像对应的预测缺陷结果，所述缺陷识别模型是基于小样本训练得到的。一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述任一项所述的小样本缺陷识别方法的各个步骤。经由上述的技术方案可知，本申请提供的小样本缺陷识别方法中，获取待测图像，将待测图像输入编码器，通过编码器获得待测图像对应的第一特征向量。编码器是通过以下方式训练得到的：将包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与解码器的输出图像的比较结果作为损失函数，训练第一神经网络，以得到编码器，标准图像是指去除样本图像包含的噪声数据以及除第二物体外的背景数据后的图像，所以基于编码器得到的第一特征向量不包括待测图像中的噪声数据和除第一物体外的背景数据；所以第一特征向量相对于待测图像对应的图像数据而言，数据维度大大降低；所以将第一特征向量输入预构建的缺陷识别模型后，缺陷识别模型的处理速度大大提升，由于第一特征向量不包括背景数据和噪声数据，使得缺陷识别模型仅依赖第一物体自己的特征，例如，第一物体的纹理，确定第一物体的缺陷情况，提高了缺陷识别模型确定第一物体是否具有缺陷的准确性。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有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，还可以根据提供的附图获得其他的附图。图1为本申请实施例提供的小样本缺陷识别方法对应的小样本缺陷识别模型的一种实现方式的结构图；图2为本申请实施例提供的小样本缺陷识别方法的一种实现方式的流程图；图3为本申请实施例提供的编码器和解码器的训练过程的一种实现方式的示意图；图4为本申请实施例提供的编码器的一种实现方式的结构图；图5为本申请实施例提供的解码器的一种实现方式的结构图；图6为本申请实施例提供的标注待测图像中第一物体的位置区域的一种实现方式的流程图；图7为本申请实施例提供的小样本缺陷识别模型的另一种实现方式的结构图；图8为本申请实施例提供的缺陷识别模型的一种实现方式的结构图；图9为本申请实施例提供的小样本缺陷识别装置的一种实现方式的结构图；图10为本申请实施例提供的电子设备的一种实现方式的结构图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。本申请提供了小样本缺陷识别方法、装置、设备及存储介质。上述小样本缺陷识别装置可包括运行于终端中的小样本缺陷识别装置和运行于后台服务器/平台中的小样本缺陷识别装置。上述终端可以是诸如台式机、移动终端(例如智能手机)、机器人、头戴式显示设备等的电子设备。运行于后台服务器/平台中的小样本缺陷识别装置可为服务器/平台的一个硬件组成部分，也可为功能模块或组件。上述后台服务器或平台可以是一台服务器，也可以是由若干台服务器组成的服务器集群，或者是一个云计算服务中心。在对本申请实施例提供的小样本缺陷识别方法进行详细介绍之前，先对小样本缺陷识别方法涉及的应用场景和实施环境进行简单介绍。首先介绍应用场景，为了实现快速且准确的确定设备或设备中某个部件(本申请实施例中称为物体)是否具有缺陷的目的，可以将样本图像作为神经网络的输入，将神经网络输出的预测缺陷结果以及样本图像包含的第二物体(本申请实施例中称样本图像包含的物体为第二物体)是否具有缺陷的真实结果的比较结果，作为损失函数训练神经网络，以得到大样本缺陷识别模型。大样本缺陷识别模型之所以称为“大样本”是因为样本图像的本文档来自技高网...

【技术保护点】
1.一种小样本缺陷识别方法，包括：/n获取待测图像，所述待测图像包括第一物体；/n将所述待测图像输入编码器，通过所述编码器获得所述待测图像对应的第一特征向量；/n其中，所述第一特征向量包括所述第一物体对应的图像数据；通过将包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与所述解码器的输出图像的比较结果作为损失函数，训练所述第一神经网络，以得到所述编码器；所述标准图像是指去除所述样本图像包含的噪声数据以及除所述第二物体外的背景数据后的图像；/n将所述第一特征向量输入缺陷识别模型，通过所述缺陷识别模型获得所述待测图像对应的预测缺陷结果，所述缺陷识别模型是基于小样本训练得到的。/n

【技术特征摘要】
1.一种小样本缺陷识别方法，包括：
获取待测图像，所述待测图像包括第一物体；
将所述待测图像输入编码器，通过所述编码器获得所述待测图像对应的第一特征向量；
其中，所述第一特征向量包括所述第一物体对应的图像数据；通过将包含第二物体的样本图像作为包含编码器和解码器的第一神经网络的输入，将标准图像与所述解码器的输出图像的比较结果作为损失函数，训练所述第一神经网络，以得到所述编码器；所述标准图像是指去除所述样本图像包含的噪声数据以及除所述第二物体外的背景数据后的图像；
将所述第一特征向量输入缺陷识别模型，通过所述缺陷识别模型获得所述待测图像对应的预测缺陷结果，所述缺陷识别模型是基于小样本训练得到的。


2.根据权利要求1所述小样本缺陷识别方法，还包括：
将所述第一特征向量输入所述解码器，通过所述解码器获得所述第一物体位于所述待测图像的边界区域；
若所述预测缺陷结果表征所述第一物体具有缺陷，在所述待测图像中所述边界区域处标注线条；
展示在所述边界区域处标注线条的所述待测图像。


3.根据权利要求1或2所述小样本缺陷识别方法，所述缺陷识别模型包括：物体分类模型以及各物体类型分别对应的二分类模型；所述将所述第一特征向量输入缺陷识别模型，通过所述缺陷识别模型获得所述待测图像对应的预测缺陷结果，包括：
将所述第一特征向量输入所述物体分类模型，通过所述物体分类模型确定所述第一物体所属目标类别；
将所述第一特征向量输入至与所述目标类别对应的目标二分类模型，通过所述目标二分类模型获得所述预测缺陷结果。


4.根据权利要求3所述小样本缺陷识别方法，还包括：
将多个所述样本图像分别输入至所述编码器，通过所述编码器获得各所述样本图像分别对应的第二特征向量；
将各所述样本图像对应的第二特征向量分别输入至所述物体分类模型，通过所述物体分类模型获得各样本图像中的第二物体分别所属类型；
将各样本图像对应的第二特征向量分别作为相应样本图像中第二物体所属类型对应的第二神经网络的输入，训练得到各物体类型分别对应的二分类模型。


5.根据权利要求1所述小样本缺陷识别方法，所述编码器包括卷积层、下采样层以及全连接层，所述将所述待测图像输入编码器，通过所述编码器获得所述待测图像对应的第一特征向量，包括：
将所述待测图像输入所述卷积层，通过所述卷积层去除所述待测图像中的噪声数据以及所述背景数据，以得到包含所述第一物体对应的图像数据的第一目标向量；
通过下采样层将所述第一目标...

【专利技术属性】
技术研发人员：刘万凯，盛兴东，耿生海，朱琳，黄舒婷，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：北京;11