工业图像检测和分类识别方法、装置、系统及存储介质制造方法及图纸

本申请涉及工业检测技术领域，具体而言，涉及一种工业图像检测和分类识别方法、装置、系统及存储介质，一定程度上可以解决多个检测模型导致检测系统的鲁棒性降低的问题。基于联合通道和空间注意力机制，可实现对检测网络的输出预测边界框进行回归优化；进一步将回归优化后的输出预测边界框中的假阳边界框训练M个分类模型，可实现确定每个分类模块的预测结果；进一步对每个预测结果通过加权法进行投票，可实现确定缺陷目标的种类信息和位置信息。通过具有关于过检的针对性强的分类模块，降低检测系统的鲁棒性。降低检测系统的鲁棒性。降低检测系统的鲁棒性。

【技术实现步骤摘要】
工业图像检测和分类识别方法、装置、系统及存储介质


[0001]本申请涉及工业检测
，具体而言，涉及一种工业图像检测和分类识别方法、装置、系统及存储介质。

技术介绍

[0002]随着工业检测系统的发展，使得检测任务也趋于多样化。
[0003]在工业生产条件下，通过检测系统检测产品缺陷的位置信息、类型信息等，以及通过分类模型对检测的结果进行筛选，目前，主要通过部署不同类型的检测模型实现不同的检测任务。
[0004]然而，对于每条生产线需要运行多个检测模型，导致降低检测系统的鲁棒性。

技术实现思路

[0005]为了解决多个检测模型导致检测系统的鲁棒性降低的问题，本申请提供了一种工业图像检测和分类识别方法、装置、系统及存储介质。
[0006]本申请的实施例是这样实现的：
[0007]本申请实施例的第一方面提供一种工业图像检测和分类识别方法，包括如下步骤：
[0008]基于联合通道和空间注意力机制，对检测网络的输出预测边界框进行回归优化，其中，检测网络模型是由包含缺陷目标的待检测图像训练获得的；
[0009]将回归优化后的输出预测边界框中的假阳边界框训练M个分类模型，确定每个分类模块的预测结果；
[0010]对每个预测结果通过加权法进行投票，确定缺陷目标的种类信息和位置信息。
[0011]结合第一方面，在一种可能的实现方式中，将回归优化后的输出预测边界框中的假阳边界框训练M个分类模型，确定每个分类模块的预测结果，包括：
[0012]通过检测网络输出预测边界框，确定待检测图像中过检图像的假阳边界框，以及将假阳边界框作为总样本集；
[0013]对总样本集通过随机抽取的方式确定M个子样本集；
[0014]将M个子样本集通分别输入M个分类模块，确定每个分类模块的预测结果；
[0015]其中，M为奇数。
[0016]结合第一方面，在一种可能的实现方式中，训练M个分类模型，包括：
[0017]将对应子样本集的最大值，对分类模块初始化；
[0018]将子样本集基于预设比例划分为训练集和验证集；
[0019]基于训练集和验证集训练分类模型。
[0020]结合第一方面，在一种可能的实现方式中，对每个预测结果通过加权法进行投票，包括：
[0021]基于假阳边界框的精度，确定每个分类模型的预测结果的权值；
[0022]将每个分类模型的预测结果与分类模型的预测结果的权值相乘后求和，获得其投票数；
[0023]其中，权值的范围为0
‑
1。
[0024]结合第一方面，在一种可能的实现方式中，检测网络模型是由包含缺陷目标的待检测图像训练获得的，包括：
[0025]获取待检测图像，待检测图像具有缺陷目标；
[0026]基于待检测图像，训练检测网络模型的检测网络，其中，训练过程中对待检测图像进行在线增广。
[0027]结合第一方面，在一种可能的实现方式中，在线增广包括水平镜像、垂直镜像、预设角度旋转、预设方向平移，尺寸缩放。
[0028]本申请实施例的第二方面提供一种工业图像检测和分类识别装置，包括检测模块、分类校正模块。
[0029]检测模块，用于基于联合通道和空间注意力机制，对检测网络的输出预测边界框进行回归优化，其中，检测网络模型是由包含缺陷目标的待检测图像训练获得的；
[0030]分类校正模块，用于将回归优化后的输出预测边界框中的假阳边界框通过M个分类模型，确定每个分类模块的预测结果；
[0031]分类校正模块，还用于对每个预测结果通过加权法进行投票，确定缺陷目标的种类信息和位置信息。
[0032]结合第二方面，在一种可能的实现方式中，包括检测模块和分类校正模块封装为单一模型。
[0033]本申请实施例的第三方面提供一种工业图像检测和分类识别系统，包括存储器和处理器，存储器用于存储工业图像检测和分类识别程序，处理器运行工业图像检测和分类识别程序以使工业图像检测和分类识别系统执行
技术实现思路
工业图像检测和分类识别方法。
[0034]本申请实施例的第四方面提供一种计算机可读存储介质，计算机可读存储介质上存储有工业图像检测和分类识别程序，工业图像检测和分类识别程序被处理器执行时实现
技术实现思路
工业图像检测和分类识别方法。
[0035]本申请的有益效果；基于联合通道和空间注意力机制，可实现对检测网络的输出预测边界框进行回归优化；进一步将回归优化后的输出预测边界框中的假阳边界框训练M个分类模型，可实现确定每个分类模块的预测结果；进一步对每个预测结果通过加权法进行投票，可实现确定缺陷目标的种类信息和位置信息。通过具有关于过检的针对性强的分类模块，降低检测系统的鲁棒性。
附图说明
[0036]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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
[0037]图1示出了本申请实施例提供一种工业图像检测和分类识别方法的流程示意图；
[0038]图2示出了本申请实施例提供一种工业图像检测和分类识别方法中检测网络模型
确定的流程示意图；
[0039]图3示出了本申请实施例提供一种工业图像检测和分类识别方法中每个分类模块的预测结果确定的流程示意图；
[0040]图4示出了本申请实施例提供一种工业图像检测和分类识别方法中分类模块训练的流程示意图；
[0041]图5示出了本申请实施例提供一种工业图像检测和分类识别方法中每个预测结果通过加权法的流程示意图；
[0042]图6示出了本申请实施例提供一种工业图像检测和分类识别装置的结构示意图；
[0043]图7示出了本申请实施例提供一种工业图像检测和分类识别系统的结构示意图。
具体实施方式
[0044]为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
[0045]需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
[0046]本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明。应该理解这样使用的用语在适当情况下可以互换。
[0047]术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的所有组件，而是可包括没有清楚地列出的或对于这些产本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种工业图像检测和分类识别方法，其特征在于，包括：基于联合通道和空间注意力机制，对检测网络的输出预测边界框进行回归优化，其中，所述检测网络模型是由包含缺陷目标的待检测图像训练获得的；将回归优化后的所述输出预测边界框中的假阳边界框训练M个分类模型，确定每个分类模块的预测结果；对每个所述预测结果通过加权法进行投票，确定所述缺陷目标的种类信息和位置信息。2.根据权利要求1所述的工业图像检测和分类识别方法，其特征在于，所述将回归优化后的所述输出预测边界框中的假阳边界框训练M个分类模型，确定每个分类模块的预测结果，包括：通过所述检测网络输出预测边界框，确定所述待检测图像中过检图像的假阳边界框，以及将所述假阳边界框作为总样本集；对所述总样本集通过随机抽取的方式确定M个子样本集；将所述M个子样本集通分别输入M个分类模块，确定每个所述分类模块的预测结果；其中，M为奇数。3.根据权利要求2所述的工业图像检测和分类识别方法，其特征在于，所述训练M个分类模型，包括：将对应所述子样本集的最大值，对所述分类模块初始化；将所述子样本集基于预设比例划分为训练集和验证集；基于所述训练集和验证集训练所述分类模型。4.根据权利要求1所述的工业图像检测和分类识别方法，其特征在于，所述对每个所述预测结果通过加权法进行投票，包括：基于所述假阳边界框的精度，确定每个分类模型的预测结果的权值；将每个所述分类模型的预测结果与所述分类模型的预测结果的权值相乘后求和，获得其投票数；其中，所述权值的范围为0
‑
1。5.根据权利要求1所述的工业图像检测和分类识别方法，其特征在于，所述检测网络模...

【专利技术属性】
技术研发人员：张福，
申请(专利权)人：凌云光技术股份有限公司，
类型：发明
国别省市：