疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法及装置制造方法及图纸

本申请提供疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法及装置，其中，疫苗缺陷检测模型的训练方法包括：获取目标疫苗种类对应的待训练图像集；对待训练图像集中的疫苗图像进行裁剪得到局部疫苗图像，并构造得到特殊纹理疫苗图像；以正常疫苗图像作为正例样本，异常疫苗图像和特殊纹理疫苗图像作为负例样本，将所述正例样本和所述负例样本输入疫苗缺陷检测模型中进行训练，得到训练后的模型。通过对待训练图像进行裁剪，并构造得到特殊纹理疫苗图像作为负例样本，以使无需大量具有缺陷的异常疫苗图像样本也可以完成对疫苗缺陷检测模型的训练，同时构造得到的特殊纹理疫苗图像不会丢失图像信息，保证了训练的有效性，降低了人力成本。人力成本。人力成本。

【技术实现步骤摘要】
疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法及装置


[0001]本专利技术涉及缺陷检测
，尤其涉及一种疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法及装置。

技术介绍

[0002]疫苗是用于预防接种的生物制品，可以给人们带来对特定病菌的特殊抵抗力，在当今疫情反复的情景下，更为人们所关心。从疫苗的制作到给患者注射的过程需要经历多个环节，期间难免会出现一些失误导致疫苗异常、失效或出现缺陷，此时，需要从疫苗中检测出异常的、出现缺陷的疫苗，避免出现医学上的重大事故。
[0003]在缺陷检测中主要有三种质检方式，分别为人工质检、机器辅助人工质检以及基于深度学习的缺陷检测技术。人工质检的方式需要行业专家在生产现场进行检查，发现缺陷之后人工记录下来再做后续处理，这种方法不仅效率低，容易漏判误判，数据很难进行二次利用挖掘，而且工业生产环境往往比较恶劣，对人员的健康和安全会造成不利影响；机器辅助人工质检的方式中特征和判定规则都是基于经验固化到机器中的，难以随业务的发展进行及时迭代，导致随着生产工艺的发展，系统的检测精度越来越低，甚至降低到完全不可用的状态；采用基于深度学习的缺陷检测技术为目前工业制造智能升级的主要方法，该方法通过大量的采集缺陷数据，进行数据标注，模型训练，预测等流程，但是，模型的效果多依赖于缺陷数据的量级以及标注员标注的质量。深度学习要求大量的缺陷数据，而真实产线很可能缺乏足够缺陷样本；并且基于人工标注的缺陷数据，存在标注成本高且标注质量难以保证的缺点。

技术实现思路

[0004]基于此，有必要针对上述问题，提出了一种无需大量样本的疫苗缺陷检测模型的训练方法、疫苗缺陷检测方法、装置、计算机设备和存储介质。
[0005]第一方面，提供一种疫苗缺陷检测模型的训练方法，该方法包括以下步骤：
[0006]获取目标疫苗种类对应的待训练图像集，所述待训练图像集中包括无缺陷的正常疫苗图像和有缺陷的异常疫苗图像；
[0007]对所述待训练图像集中的疫苗图像进行裁剪，并根据裁剪得到的局部疫苗图像和所述正常疫苗图像进行构造，得到特殊纹理疫苗图像；
[0008]将所述正常疫苗图像作为正例样本，所述异常疫苗图像和所述特殊纹理疫苗图像作为负例样本，将所述正例样本和所述负例样本输入疫苗缺陷检测模型中进行训练，以使所述正例样本与所述负例样本之间的差距最大，以得到训练后的疫苗缺陷检测模型，以用于对属于所述目标疫苗种类的疫苗图像进行缺陷检测。
[0009]在该技术方案中，通过对待训练图像进行裁剪，并结合正常疫苗图像构造得到的特殊纹理疫苗图像，作为对比学习的负例样本，解决了真实产线上异常疫苗图像样本较少的问题，使得无需大量具有缺陷的异常疫苗图像样本也可以完成对疫苗缺陷检测模型的训
练，同时构造得到的特殊纹理疫苗图像的方式与一般方法中经过编码解码重构图像的方式相比不需要进行上采用或下采样，不会丢失信息，保证了训练的有效性。
[0010]结合第一方面，在一种可能的实现方式中，上述对所述待训练图像集中的疫苗图像进行裁剪，并根据裁剪得到的局部疫苗图像和所述正常疫苗图像进行重新构造，得到特殊纹理疫苗图像，包括：将所述待训练图像集中的疫苗图像进行随机位置的裁剪，得到预设形状大小的局部疫苗图像；将所述局部疫苗图像替换所述正常疫苗图像中预定缺陷位置的局部图像，得到所述特殊纹理疫苗图像。通过将裁剪得到的局部疫苗图像替换正常疫苗图像中预定缺陷位置的局部图像，构造特殊纹理疫苗图像，以使上述特殊纹理疫苗图像与真实的异常疫苗图像差距最小，作为更优的负例样本提高训练效率，同时通过裁剪替换的方式进行数据扩增，无需进行上采样或下采样过程，不会损失原有图像数据，保证了训练的有效性。
[0011]结合第一方面，在一种可能的实现方式中，上述疫苗缺陷检测模型包括输入层和非线性投影层，所述输入层包括预设的卷积编码器；所述将所述正例样本和所述负例样本输入疫苗缺陷检测模型中进行训练，得到训练后的疫苗缺陷检测模型，包括：将所述正例样本和所述负例样本分别输入所述输入层中，根据所述卷积编码器进行编码，得到所述卷积编码器输出的与所述正例样本和所述负例样本各自对应的图像表征向量；将所述正例样本和所述负例样本各自对应的图像表征向量输入所述非线性投影层中进行非线性变换和投影，得到所述正例样本和所述负例样本的目标表征向量；根据所述正例样本的目标表征向量和所述负例样本的目标表征向量，计算得到所述正例样本和所述负例样本的相似度；根据所述相似度调整所述疫苗缺陷检测模型的模型参数，以使所述相似度最小化，得到所述训练后的疫苗缺陷检测模型。通过将正例样本和负例样本输入模型中进行对比学习，计算得到正例样本和负例样本的目标表征向量的相似度，以相似度最小化为目标调整模型参数，使得训练后的卷积编码器可以生成高质量的图像表征向量，提高了疫苗缺陷检测模型的检测准确率。
[0012]第二方面，提供一种疫苗缺陷检测方法，该方法包括以下步骤：
[0013]获取属于所述目标疫苗种类的待检测疫苗图像；
[0014]将所述待检测疫苗图像输入疫苗缺陷检测模型进行进行检测分类，得到检测分类结果，以判定所述待检测疫苗图像是否异常，其中，所述疫苗缺陷检测模型基于第一方面所述的疫苗缺陷检测模型的训练方法训练得到。
[0015]在该技术方案中，采用第一方面所述的疫苗缺陷检测模型的训练方法训练得到的疫苗缺陷检测模型进行疫苗缺陷检测，由于所述疫苗缺陷检测模型的模型参数是以高质量且足够数量的训练样本训练得到，因此所述疫苗缺陷检测模型的检测准确率更高，采用所述疫苗缺陷检测模型的疫苗缺陷检测方法检测准确率相较一般的疫苗缺陷检测方法更高。
[0016]结合第二方面，在一种可能的实现方式中，上述获取属于所述目标疫苗种类的待检测疫苗图像，包括：获取待分类图像，将所述待分类图像输入第一分类模型，得到第一分类结果，其中，所述第一分类模型用于将所述待分类图像分类为疫苗图像或非疫苗图像；根据所述第一分类结果获取疫苗图像，将所述疫苗图像输入第二分类模型，得到第二分类结果，其中，所述第二分类模型用于将所述疫苗图像根据容器种类进行区分，以得到所述疫苗图像中的容器种类；根据所述第二分类结果，将目标容器种类对应的疫苗图像输入与所述
目标容器种类对应的第三分类模型，得到第三分类结果，其中，所述第三分类模型用于将目标容器种类对应的疫苗图像根据疫苗种类进行区分，以得到所述目标容器种类对应的疫苗图像中的疫苗种类，所述目标容器种类为任一容器种类；根据所述第三分类结果获取所述目标疫苗种类对应的疫苗图像作为所述待检测疫苗图像。通过将3个分类模型级联得到分类架构，将复杂多样的待分类图像分类问题分解为单一性问题，通过3个针对单一问题的分类模型进行3次分类，可以快速地得到分类结果。
[0017]结合第二方面，在一种可能的实现方式中，上述第一分类模型包括第一调整层、第一卷积模块和第一分类层，所述第一卷积模块由N个卷积层级联得到，所述第一分类层包括J个神经元，J等于2；所述将所述待分类图像输入第一分类模型，得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种疫苗缺陷检测模型的训练方法，其特征在于，所述方法包括：获取目标疫苗种类对应的待训练图像集，所述待训练图像集中包括无缺陷的正常疫苗图像和有缺陷的异常疫苗图像；对所述待训练图像集中的疫苗图像进行裁剪，并根据裁剪得到的局部疫苗图像和所述正常疫苗图像进行构造，得到特殊纹理疫苗图像；将所述正常疫苗图像作为正例样本，所述异常疫苗图像和所述特殊纹理疫苗图像作为负例样本，将所述正例样本和所述负例样本输入疫苗缺陷检测模型中进行训练，以使所述正例样本与所述负例样本之间的差距最大，以得到训练后的疫苗缺陷检测模型，以用于对属于所述目标疫苗种类的疫苗图像进行缺陷检测。2.根据权利要求1所述的疫苗缺陷检测模型的训练方法，其特征在于，所述对所述待训练图像集中的疫苗图像进行裁剪，并根据裁剪得到的局部疫苗图像和所述正常疫苗图像进行重新构造，得到特殊纹理疫苗图像，包括：将所述待训练图像集中的疫苗图像进行随机位置的裁剪，得到预设形状大小的局部疫苗图像；将所述局部疫苗图像替换所述正常疫苗图像中预定缺陷位置的局部图像，得到所述特殊纹理疫苗图像。3.根据权利要求1所述的疫苗缺陷检测模型的训练方法，其特征在于，所述疫苗缺陷检测模型包括输入层和非线性投影层，所述输入层包括预设的卷积编码器；所述将所述正例样本和所述负例样本输入疫苗缺陷检测模型中进行训练，以使所述正例样本与所述负例样本之间的差距最大，以得到训练后的疫苗缺陷检测模型，包括：将所述正例样本和所述负例样本分别输入所述输入层中，根据所述卷积编码器进行编码，得到所述卷积编码器输出的与所述正例样本和所述负例样本各自对应的图像表征向量；将所述正例样本和所述负例样本各自对应的图像表征向量输入所述非线性投影层中进行非线性变换和投影，得到所述正例样本和所述负例样本的目标表征向量；根据所述正例样本的目标表征向量和所述负例样本的目标表征向量，计算得到所述正例样本和所述负例样本的相似度；根据所述相似度调整所述疫苗缺陷检测模型的模型参数，以使所述相似度最小化，得到所述训练后的疫苗缺陷检测模型。4.一种疫苗缺陷检测方法，其特征在于，所述方法包括：获取属于所述目标疫苗种类的待检测疫苗图像；将所述待检测疫苗图像输入疫苗缺陷检测模型进行检测分类，得到检测分类结果，以判定所述待检测疫苗图像是否异常，其中，所述疫苗缺陷检测模型基于权利要求1
‑
3任一项所述的疫苗缺陷检测模型的训练方法训练得到。5.根据权利要求4所述的疫苗缺陷检测方法，其特征在于，所述获取属于所述目标疫苗种类的待检测疫苗图像，包括：获取待分类图像，将所述待分类图像输入第一分类模型，得到第一分类结果，其中，所述第一分类模型用于将所述待分类图像分类为疫苗图像或非疫苗图像；根据所述第一分类结果获取疫苗图像，将所述疫苗图像输入第二分类模型，得到第二
分类结果，其中，所述第二分类模型用于将所述疫苗图像根据容器种类进行区分，以得到所述疫苗图像中的容器种类；根据所述第二分类结果，将目标容器种类对应的疫苗图像输入与所述目标容器种类对应的第三分类模型，得到第三分类结果，其中，所述第三分类模型用于将目标容器种类对应的疫苗图像根据疫苗种类进行区分，以得到所述目标容器种类对应的疫苗图像中的疫苗种类，所述目标容器种类为任一容器种类；根据所述第三分类结果获取所述目标疫苗种类对应的疫苗图像作为所述待检测疫苗图像。6.根据权利要求5所述的疫苗缺陷检测模型的训练方法，其特征...

【专利技术属性】
技术研发人员：高亚南，
申请(专利权)人：深圳市雄帝科技股份有限公司，
类型：发明
国别省市：