模型训练方法、装置及缺陷检测方法、装置制造方法及图纸

本申请提供一种模型训练方法及装置，方法包括：获取多帧带标签的训练样本，所述标签至少包括第一标签和第二标签，所述第一标签用于记录训练样本中被标记的第一区域为易误检区域，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域；利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型。通过增加易误检区域的标签，在训练模型时可以根据增加的易误检区域的标签和位置加强对误检区域特征的学习，降低检测模型的误检率，提升检测模型的检出准确度。

【技术实现步骤摘要】
模型训练方法、装置及缺陷检测方法、装置
本申请涉及一种计算机
，尤其涉及一种模型训练方法、装置及缺陷检测方法、装置。
技术介绍
在工业生产中，需要对生产出的产品进行缺陷检测(ASI，AutomatedSurfaceInspection)。比如，在纺织业生产出布匹后，需要检测布匹中是否存在瑕疵或缺陷，便于及时修补，提高布匹质量。传统的缺陷检测方法虽然有多种，但要么检测效果不佳，要么计算量大，效率低。目前通过采用基于深度学习的神经网络进行缺陷检测，然而检测误检率比较高。
技术实现思路
有鉴于此，本申请提供一种缺陷检测方法及装置，以解决相关技术中的检测误检率比较高的问题。根据本申请实施例的第一方面，提供一种模型训练方法，所述方法包括：获取多帧带标签的训练样本，所述标签至少包括第一标签和第二标签，所述第一标签用于记录训练样本中被标记的第一区域为易误检区域，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域；利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型。根据本申请实施例的第二方面，提供一种模型训练装置，所述装置包括：获取模块，用于获取多帧带标签的训练样本，所述标签至少包括第一标签和第二标签，所述第一标签用于记录训练样本中被标记的第一区域为易误检区域，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域；训练模块，用于利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型。应用本申请实施例，在训练检测模型时，通过增加易误检区域的标签，以根据增加的易误检区域的标签和位置信息加强对误检区域特征的学习，从而达到降低检测模型的误检率，提升检测模型检出准确度的目的。根据本申请实施例的第三方面，提供一种应用如上述第一方面所述检测模型的缺陷检测方法，所述方法包括：将待检测目标图输入检测模型，以由所述检测模型对所述待检测目标图进行检测，得到所述待检测目标图中每一像素点的目标缺陷概率值；依据所述待检测目标图中各个像素点的目标缺陷概率值确定所述待检测目标图中是否存在缺陷区域。根据本申请实施例的第四方面，提供一种应用如上述第一方面所述检测模型的缺陷检测装置，所述装置包括：检测模块，用于将待检测目标图输入检测模型，以由所述检测模型对所述待检测目标图进行检测，得到所述待检测目标图中每一像素点的目标缺陷概率值；确定模块，用于依据所述待检测目标图中各个像素点的目标缺陷概率值确定所述待检测目标图中是否存在缺陷区域。应用本申请实施例，由于进行缺陷检测的模型是由增加了易误检区域的标签的训练样本训练得到的，易误检区域的标签和位置信息能够加强对误检区域特征的学习，因此通过该检测模型实现的缺陷检测误检率低，检出准确度高。根据本申请实施例的第五方面，提供一种缺陷检测样本的获取方法，所述方法包括：针对获取的每一训练样本，检测该训练样本中存在的缺陷区域；在检测到的缺陷区域中，若存在与被标记有第二标签的第二区域未重合的区域，则确定该区域为易误检区域，并将该区域用第一标签标记，得到带有第一标签和第二标签的训练样本；其中，获取的每一训练样本携带有第二标签，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域。根据本申请实施例的第六方面，提供一种缺陷检测样本的获取装置，所述装置包括：检测模块，用于针对获取的每一训练样本，检测该训练样本中存在的缺陷区域；打标签模块，用于在检测到的缺陷区域中，若存在与被标记有第二标签的第二区域未重合的区域，则确定该区域为易误检区域，并将该区域用第一标签标记，得到带有第一标签和第二标签的训练样本；其中，获取的每一训练样本携带有第二标签，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域。应用本申请实施例，由于易误检区域是通过将检测到的缺陷区域与已标记了存在缺陷的区域对比自动获得，进而实现对易误检区域的标记，相对于人工手动标注方式更加准确，且还可节省人力成本。附图说明图1A为本申请根据一示例性实施例示出的一种待检测的筷子图；图1B为本申请根据一示例性实施例示出的一种采用相关技术得到的筷子的缺陷图；图2A为本申请根据一示例性实施例示出的一种模型训练方法的实施例流程图；图2B为本申请根据图2A所示实施例示出的一种布匹缺陷类型示意图；图2C为本申请根据图2A所示实施例示出的一种模型训练结构示意图；图2D为本申请根据图2A所示实施例示出的另一种模型训练结构示意图；图3A为本申请根据一示例性实施例示出的一种缺陷检测方法的实施例流程图；图3B为本申请根据图3A所示实施例示出的一种缺陷检测结构示意图；图3C为本申请根据图3A所示实施例示出的一种筷子的缺陷图；图3D为本申请根据图3A所示实施例示出的一种待检测的布匹图；图3E为本申请根据图3A所示实施例示出的一种布匹的缺陷图；图4为本申请根据一示例性实施例示出的一种缺陷检测样本的获取方法的实施例流程图；图5为本申请根据一示例性实施例示出的一种电子设备的硬件结构图；图6为本申请根据一示例性实施例示出的一种模型训练装置的实施例结构图；图7为本申请根据一示例性实施例示出的一种缺陷检测装置的实施例结构图；图8为本申请根据一示例性实施例示出的一种缺陷检测样本的获取装置的实施例结构图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。目前采用的基于深度学习的神经网络的训练过程为：获取目标对象的样本图，并对每帧样本图中的缺陷区域和无缺陷区域分别用不同的标签标记，然后利用样本图和标记的标签对神经网络模型进行训练。但采用目前训练好的网络模型得到的检测结果，存在过本文档来自技高网...

【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：/n获取多帧带标签的训练样本，所述标签至少包括第一标签和第二标签，所述第一标签用于记录训练样本中被标记的第一区域为易误检区域，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域；/n利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型。/n

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
获取多帧带标签的训练样本，所述标签至少包括第一标签和第二标签，所述第一标签用于记录训练样本中被标记的第一区域为易误检区域，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域；
利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型。


2.根据权利要求1所述的方法，其特征在于，所述标签还包括第三标签；所述第三标签用于记录训练样本中被标记的第三区域为不存在缺陷的区域；
利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型，包括：
将各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息以及第三区域的位置信息输入至指定的模型训练引擎，以由所述模型训练引擎利用输入的带标签的训练样本、第一区域的位置信息、第二区域的位置信息以及第三区域的位置信息训练出用于检测缺陷的检测模型。


3.根据权利要求2所述的方法，其特征在于，所述检测模型包括第一子检测模型和第二子检测模型；
利用各带标签的训练样本和各训练样本中第一区域的位置信息、第二区域的位置信息，训练出用于检测缺陷的检测模型，包括：
将各带标签的训练样本和各训练样本中第一区域的位置信息输入至指定的模型训练引擎，以由所述模型训练引擎利用输入的带标签的训练样本和第一区域的位置信息训练出第一子检测模型；
将各带标签的训练样本和各训练样本中第二区域的位置信息、第三区域的位置信息输入至指定的模型训练引擎，以由所述模型训练引擎利用输入的带标签的训练样本和第二区域的位置信息、第三区域的位置信息训练出第二子检测模型。


4.根据权利要求1所述的方法，其特征在于，获取多帧带标签的训练样本，包括：
针对每一训练样本，检测该训练样本中存在的缺陷区域；
在检测到的缺陷区域中，若存在与被标记有第二标签的第二区域未重合的区域，则确定该区域为易误检区域，并将该区域用第一标签标记，得到带有第一标签和第二标签的训练样本。


5.一种缺陷检测样本的获取方法，其特征在于，所述方法包括：
针对获取的每一训练样本，检测该训练样本中存在的缺陷区域；
在检测到的缺陷区域中，若存在与被标记有第二标签的第二区域未重合的区域，则确定该区域为易误检区域，并将该区域用第一标签标记，得到带有第一标签和第二标签的训练样本；
其中，获取的每一训练样本携带有第二标签，所述第二标签用于记录训练样本中被标记的第二区域为存在缺陷的区域。


6.根据权利要求5所述的方法，其特征在于，获取的每一训练样本还携带有第三标签，所述第三标签用于记录训练样本中被标记的第三区域为不存在缺陷的区域。


7.一种应用如上述权利要求1所述检测模型的缺陷检测方法，其特征在于，所述方法包括：
将待检测目标图输入检测模型，以由所述检测模型对所述待检测...

【专利技术属性】
技术研发人员：陈佳伟，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33