本申请涉及神经网络领域，提供了一种管材瑕疵检测方法、装置、介质，包括：获取管材的待检测图像，以便于检测管材是否有瑕疵；利用深度神经网络对待检测图像进行分类处理，以获取分类结果，深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，损失函数利用无标注的历史图像进行训练，并根据分类结果判断是否为瑕疵管材。本申请通过深度神经网络对待检测图像进行分类处理以确定管材是否存在瑕疵，从而实现对管材瑕疵的快速检测，提高管材质量检测的效率和准确性，且深度神经网络为利用无标注历史图像对神经网络结构搜索网络进行训练获取的网络，无需人工设计网络和人工标注数据，减少人力物力的浪费。人力物力的浪费。人力物力的浪费。
【技术实现步骤摘要】
一种管材瑕疵检测方法、装置、介质
[0001]本申请涉及神经网络领域，特别是涉及一种管材瑕疵检测方法、装置、介质。
技术介绍
[0002]在管材生产过程中，由于原料和工艺问题，可能会导致生产出的管材出现瑕疵（例如：管材表面存在波纹、黑圈等）。为了保证产品合格率，需要对管材质量进行监测，并在发现存在瑕疵管材时及时分析瑕疵出现原因以对设备进行调整。
[0003]目前主要通过质检人员抽查的方式检测管材是否有瑕疵，但这一方法会浪费大量人力，且由于检测速度慢，不能及时发现瑕疵管材，导致无法及时对生产设备进行维护，造成经济损失。
[0004]由此可见，如何提供一种能够高效的检测管材是否存在瑕疵的方法，是本领域技术人员亟需解决的问题。
技术实现思路
[0005]本申请的目的是提供一种管材瑕疵检测方法、装置、介质，以减少管材瑕疵检测的人力物力浪费，提高检测效率。
[0006]为解决上述技术问题，本申请提供了一种管材瑕疵检测方法，该方法包括：获取管材的待检测图像；利用深度神经网络对所述待检测图像进行分类处理，以获取分类结果，其中，所述深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，所述损失函数利用无标注的历史图像进行训练；根据所述分类结果判断所述管材是否为瑕疵管材。
[0007]优选的，所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：获取所述神经网络结构搜索网络的结构参数，并根据所述结构参数初始化所述神经网络结构搜索网络；对所述历史图像进行数据增广处理以获取正样本和负样本；利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练，以获取所述深度神经网络。
[0008]优选的，对所述历史图像进行数据增广处理以获取正样本和负样本包括：对各所述历史图像进行两次数据增广处理以获取增广图像；相应的，所述利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练包括：通过多层感知器获取所述正样本、所述负样本的特征向量，其中，对于各所述历史图像，其对应的所述增广图像为所述正样本，其他所述增广图像作为所述负样本；将所述特征向量对所述神经网络结构搜索网络进行训练。
[0009]优选的，所述神经网络结构搜索网络的各卷积层间存在7种不同的操作链接；相应的，所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：在每次训练过程中，获取各所述操作链接的权重，并将权重最高的所述操作链接放入显存中；利用重参数技巧重构所述损失函数。
[0010]优选的，所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：对所述神经网络结构搜索网络进行前向渐进剪枝操作，仅保留各卷积层间权重最高的所述操作链接。
[0011]优选的，所述获取管材的待检测图像的步骤后，还包括：对所述待检测图像进行数据清洗操作和图像增强操作。
[0012]优选的，所述获取所述深度神经网络的步骤后，还包括：获取分类任务信息，并根据所述分类任务信息确定线性分类层；将所述多层感知器替换为所述线性分类层，以执行分类任务。
[0013]为了解决上述技术问题，本申请还提供了一种管材瑕疵检测装置，包括：获取模块，用于获取管材的待检测图像；分类模块，用于利用深度神经网络对所述待检测图像进行分类处理，以获取分类结果，其中，所述深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，所述损失函数利用无标注的历史图像进行训练；判断模块，用于根据所述分类结果判断所述管材是否为瑕疵管材。
[0014]为了解决上述技术问题，本申请还提供了一种管材瑕疵检测装置，其特征在于，包括存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现所述的管材瑕疵检测方法的步骤。
[0015]为了解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质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所述的管材瑕疵检测方法的步骤。
[0016]本申请提供了一种管材瑕疵检测方法，包括：获取管材的待检测图像，以便于检测管材是否有瑕疵；利用深度神经网络对待检测图像进行分类处理，以获取分类结果，其中，深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，损失函数利用无标注的历史图像进行训练，并根据分类结果判断管材是否为瑕疵管材。由此可见，本申请所提供的管材瑕疵检测方法，通过深度神经网络对待检测图像进行分类处理以确定管材是否存在瑕疵，从而实现对管材瑕疵的快速检测，提高管材质量检测的效率和准确性，且深度神经网络为利用无标注历史图像对神经网络结构搜索网络进行训练获取的网络，无需人工设计网络和人工标注数据，进一步减少人力物力的浪费。
[0017]此外，本申请还提供了一种管材瑕疵检测装置和介质，与上述方法对应，效果同上。
附图说明
[0018]为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
[0019]图1为本申请实施例所提供的一种管材瑕疵检测方法的结构图；图2为本申请实施例所提供的一种神经网络结构搜索网络的示意图；图3为本申请实施例所提供的一种管材瑕疵检测装置的流程图；图4为本申请实施例所提供的另一种管材瑕疵检测装置的结构图。
具体实施方式
[0020]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，都属于本申请保护范围。
[0021]本申请的核心是提供一种管材瑕疵检测方法、装置、介质，以减少管材瑕疵检测的人力物力浪费，提高检测效率。
[0022]在管材生产场景中，需要通过人工监测管材表面是否存在波纹、黑圈等瑕疵，但人工监测效率较低，无法及时发现瑕疵管材，导致无法及时根据检测结果对生产工艺进行调整，造成经济损失。为了解决这一问题，本申请提供了一种瑕疵管材检测方法，利用利用深度神经网络对获取到的管材的待检测图像进行分类处理，以判断管材是否存在瑕疵。进一步的，由于人工设计深度神经网络的工作量较大，本申请方案中选用神经网络结构搜索网络确定深度神经网络的结构。本申请所提供的管材瑕疵检测方法，通过深度神经网络对待检测图像进行分类处理以确定管材是否存在瑕疵，从而实现对管材瑕疵的快速检测，提高管材质量检测的效率和准确性，且深度神经网络为利用无标注历史图像对神经网络结构搜索网络进行训练获取的网络，无需人工设计网络和人工标注数据，进一步减少人力物力的浪费。
[0023]为了使本
的人员更好地理解本申请方案，下面结合附本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种管材瑕疵检测方法，其特征在于，包括：获取管材的待检测图像；利用深度神经网络对所述待检测图像进行分类处理，以获取分类结果，其中，所述深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，所述损失函数利用无标注的历史图像进行训练；根据所述分类结果判断所述管材是否为瑕疵管材。2.根据权利要求1所述的管材瑕疵检测方法，其特征在于，所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：获取所述神经网络结构搜索网络的结构参数，并根据所述结构参数初始化所述神经网络结构搜索网络；对所述历史图像进行数据增广处理以获取正样本和负样本；利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练，以获取所述深度神经网络。3.根据权利要求2所述的管材瑕疵检测方法，其特征在于，对所述历史图像进行数据增广处理以获取正样本和负样本包括：对各所述历史图像进行两次数据增广处理以获取增广图像；相应的，所述利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练包括：通过多层感知器获取所述正样本、所述负样本的特征向量，其中，对于各所述历史图像，其对应的所述增广图像为所述正样本，其他所述增广图像作为所述负样本；将所述特征向量对所述神经网络结构搜索网络进行训练。4.根据权利要求1所述管材瑕疵检测方法，其特征在于，所述神经网络结构搜索网络的各卷积层间存在7种不同的操作链接；相应的，所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：在每次训练过程中，获取各所述操...
【专利技术属性】
技术研发人员：傅慧姿，
申请(专利权)人：杭州因推科技有限公司，
类型：发明
国别省市：
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。