缺陷检测模型的训练方法、装置、设备、介质及程序产品制造方法及图纸

本申请提供了一种缺陷检测模型的训练方法、装置、设备、介质及程序产品；方法包括：获取多个携带第一标签的第一图像和多个携带第二标签的第二图像；通过缺陷检测模型对各第一图像分别进行缺陷检测，得到各第一图像的缺陷置信度；根据各第一图像的第一标签及相应的缺陷置信度，确定各第一图像对应的样本损失；基于多个携带第二标签的第二图像，确定各样本损失对应的目标权重，并基于确定的目标权重对各样本损失进行加权求和，得到加权损失；基于加权损失，更新缺陷检测模型的模型参数。通过本申请，能够有效提高缺陷检测模型的检测精确度的同时，提升训练效率。提升训练效率。提升训练效率。

【技术实现步骤摘要】
缺陷检测模型的训练方法、装置、设备、介质及程序产品


[0001]本申请涉及人工智能
，尤其涉及一种缺陷检测模型的训练方法、装置、设备、介质及程序产品。

技术介绍

[0002]人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
[0003]在相关技术中，通常是对输入图像进行手工特征提取，根据提取到的特征对分类器进行训练，基于训练后的分类器对待检测图像进行二分类。由于对输入图像进行手工特征提取精确度不高，导致所训练的分类器精确度不高且训练效率低下。

技术实现思路

[0004]本申请实施例提供一种缺陷检测模型的训练方法、装置、计算机可读存储介质及计算机程序产品，能够有效提高缺陷检测模型的检测精确度的同时，提升训练效率。
[0005]本申请实施例的技术方案是这样实现的：
[0006]本申请实施例提供一种缺陷检测模型的训练方法，包括：
[0007]获取多个携带第一标签的第一图像和多个携带第二标签的第二图像，其中，多个所述第一标签中包含标签噪声，多个所述第二标签中不包含标签噪声，所述第二图像的数量小于所述第一图像的数量；
[0008]通过缺陷检测模型对各所述第一图像分别进行缺陷检测，得到各所述第一图像的缺陷置信度，所述缺陷置信度用于，指示所述第一图像所包含的目标物品存在缺陷的可靠程度；
[0009]根据各所述第一图像的第一标签及相应的所述缺陷置信度，确定各所述第一图像对应的样本损失；
[0010]基于所述多个携带第二标签的第二图像，确定各所述样本损失对应的目标权重，并基于确定的所述目标权重对各所述样本损失进行加权求和，得到加权损失；
[0011]基于所述加权损失，更新所述缺陷检测模型的模型参数。
[0012]本申请实施例提供一种缺陷检测模型的训练装置，包括：
[0013]获取模块，用于获取多个携带第一标签的第一图像和多个携带第二标签的第二图像，其中，多个所述第一标签中包含标签噪声，多个所述第二标签中不包含标签噪声，所述第二图像的数量小于所述第一图像的数量；
[0014]缺陷检测模块，用于通过缺陷检测模型对各所述第一图像分别进行缺陷检测，得到各所述第一图像的缺陷置信度，所述缺陷置信度用于，指示所述第一图像所包含的目标
物品存在缺陷的可靠程度；
[0015]样本损失确定模块，用于根据各所述第一图像的第一标签及相应的所述缺陷置信度，确定各所述第一图像对应的样本损失；
[0016]加权损失确定模块，用于基于所述多个携带第二标签的第二图像，确定各所述样本损失对应的目标权重，并基于确定的所述目标权重对各所述样本损失进行加权求和，得到加权损失；
[0017]更新模块，用于基于所述加权损失，更新所述缺陷检测模型的模型参数。
[0018]在一些实施例中，当所述第一图像的数量为第一数量、所述第二图像的数量为第二数量时，上述加权损失确定模块，还用于针对各所述第二图像分别执行以下处理：基于所述第二图像，调用强化学习模型迭代进行N轮权重计算，得到所述第一数量的权重，每个所述权重对应一个所述样本损失；其中，N为大于或等于2的整数；针对每个所述样本损失对应的权重分别执行以下处理：将所述第二数量的权重求平均，得到各所述样本损失对应的目标权重。
[0019]在一些实施例中，所述强化学习模型包括权重计算模型和环境模型，其中，所述环境模型的结构与所述缺陷检测模型的结构相同；上述加权损失确定模块，还用于基于所述第二图像，调用所述权重计算模型迭代进行N轮权重计算，得到所述第一数量的权重；在执行每轮所述权重计算的过程中，调用所述环境模型对所述第二图像进行缺陷检测，以得到所述第二图像对应的缺陷损失，并基于所述缺陷损失，在执行每轮所述权重计算后更新所述强化学习模型的模型参数。
[0020]在一些实施例中，上述加权损失确定模块，还用于基于所述第二图像，调用所述环境模型进行第1轮缺陷检测，得到第1轮所述第二图像的缺陷置信度；根据第1轮所述第二图像的缺陷置信度，确定第1轮所述第二图像对应的缺陷损失；基于第1轮所述第二图像对应的缺陷损失，对所述环境模型和所述权重计算模型的模型参数进行更新，得到第1轮更新后的权重计算模型和第1轮更新后的环境模型；基于所述第二图像，调用所述第1轮更新后的环境模型迭代进行N
‑
1轮缺陷检测，得到第N轮所述第二图像的缺陷损失；上述加权损失确定模块，还用于基于所述第二图像，调用所述权重计算模型进行第1轮权重计算，得到第1轮所述第一数量的权重；基于所述第二图像，调用所述第1轮更新后的权重计算模型，迭代进行N
‑
1轮权重计算，得到第N轮所述第一数量的权重；其中，第N轮所述第二图像对应的缺陷损失与第N
‑
1轮所述第二图像对应的缺陷损失的差值小于缺陷损失阈值。
[0021]在一些实施例中，当N＝2时，上述加权损失确定模块，还用于基于所述第二图像，调用所述第1轮更新后的环境模型，进行第2轮缺陷检测，得到第2轮所述第二图像的缺陷置信度；根据第2轮所述第二图像的缺陷置信度，确定第2轮所述第二图像对应的缺陷损失；其中，第2轮所述第二图像的缺陷损失与第1轮所述第二图像的缺陷损失的差值小于所述缺陷损失阈值；上述加权损失确定模块，还用于基于所述第二图像，调用所述第1轮更新后的权重计算模型进行第2轮权重计算，得到第2轮所述第一数量的权重。
[0022]在一些实施例中，当N>2时，上述加权损失确定模块，还用于基于所述第二图像，调用第i轮更新后的环境模型进行第i+1次缺陷检测，得到第i+1轮所述第二图像的缺陷置信度，其中，1≤i≤N
‑
1；根据第i+1轮所述第二图像的缺陷置信度，确定第i+1轮所述第二图像对应的缺陷损失；上述加权损失确定模块，还用于基于所述第二图像，调用第i轮更新后的
权重计算模型进行第i+1次缺陷计算，得到第i+1轮所述第一数量的权重。
[0023]在一些实施例中，上述加权损失确定模块，还用于针对各所述样本损失分别执行以下处理：将所述样本损失与对应的所述权重进行相乘处理，得到所述样本损失对应的相乘处理结果；将各所述相乘处理结果进行求和，得到所述加权损失。
[0024]在一些实施例中，上述样本损失确定模块，还用于针对各所述第一图像分别执行以下处理：获取所述第一图像的第一标签所指示的标签置信度，并获取所述缺陷检测模型的损失函数；基于所述第一图像的标签置信度和所述第一图像的缺陷置信度，调用所述损失函数进行损失计算，得到所述第一图像对应的样本损失。
[0025本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷检测模型的训练方法，其特征在于，所述方法包括：获取多个携带第一标签的第一图像和多个携带第二标签的第二图像，其中，多个所述第一标签中包含标签噪声，多个所述第二标签中不包含标签噪声，所述第二图像的数量小于所述第一图像的数量；通过缺陷检测模型对各所述第一图像分别进行缺陷检测，得到各所述第一图像的缺陷置信度，所述缺陷置信度用于，指示所述第一图像所包含的目标物品存在缺陷的可靠程度；根据各所述第一图像的第一标签及相应的所述缺陷置信度，确定各所述第一图像对应的样本损失；基于所述多个携带第二标签的第二图像，确定各所述样本损失对应的目标权重，并基于确定的所述目标权重对各所述样本损失进行加权求和，得到加权损失；基于所述加权损失，更新所述缺陷检测模型的模型参数。2.根据权利要求1所述的方法，其特征在于，当所述第一图像的数量为第一数量、所述第二图像的数量为第二数量时，所述基于所述多个携带第二标签的第二图像，确定各所述样本损失对应的目标权重，包括：针对各所述第二图像分别执行以下处理：基于所述第二图像，调用强化学习模型迭代进行N轮权重计算，得到所述第一数量的权重，每个所述权重对应一个所述样本损失；其中，N为大于或等于2的整数；针对每个所述样本损失对应的权重分别执行以下处理：将所述第二数量的权重求平均，得到各所述样本损失对应的目标权重。3.根据权利要求2所述的方法，其特征在于，所述强化学习模型包括权重计算模型和环境模型，其中，所述环境模型的结构与所述缺陷检测模型的结构相同；所述基于所述第二图像，调用强化学习模型迭代进行N轮权重计算，得到所述第一数量的权重，包括：基于所述第二图像，调用所述权重计算模型迭代进行N轮权重计算，得到所述第一数量的权重；在执行每轮所述权重计算的过程中，调用所述环境模型对所述第二图像进行缺陷检测，以得到所述第二图像对应的缺陷损失，并基于所述缺陷损失，在执行每轮所述权重计算后更新所述强化学习模型的模型参数。4.根据权利要求3所述的方法，其特征在于，所述在执行每轮所述权重计算的过程中，调用所述环境模型对所述第二图像进行缺陷检测，以得到所述第二图像对应的缺陷损失，并基于所述缺陷损失，在执行每轮所述权重计算后更新所述强化学习模型的模型参数，包括：基于所述第二图像，调用所述环境模型进行第1轮缺陷检测，得到第1轮所述第二图像的缺陷置信度；根据第1轮所述第二图像的缺陷置信度，确定第1轮所述第二图像对应的缺陷损失；基于第1轮所述第二图像对应的缺陷损失，对所述环境模型和所述权重计算模型的模型参数进行更新，得到第1轮更新后的权重计算模型和第1轮更新后的环境模型；基于所述第二图像，调用所述第1轮更新后的环境模型迭代进行N
‑
1轮缺陷检测，得到第N轮所述第二图像的缺陷损失；
所述基于所述第二图像，调用所述权重计算模型迭代进行N轮权重计算，得到所述第一数量的权重，包括：基于所述第二图像，调用所述权重计算模型进行第1轮权重计算，得到第1轮所述第一数量的权重；基于所述第二图像，调用所述第1轮更新后的权重计算模型，迭代进行N
‑
1轮权重计算，得到第N轮所述第一数量的权重；其中，第N轮所述第二图像对应的缺陷损失与第N
‑
1轮所述第二图像对应的缺陷损失的差值小于缺陷损失阈值。5.根据权利要求4所述的方法，其特征在于，当N＝2时，所述基于所述第二图像，调用所述第1轮更新后的环境模型迭代进行N
‑
1轮缺陷检测，得到第N轮所述第二图像的缺陷损失，包括：基于所述第二图像，调用所述第1轮更新后的环境模型，进行第2轮缺陷检测，得到第2轮所述第二图像的缺陷置信度；根据第2轮所述第二图像的缺陷置信度，确定第2轮所述第二图像对应的缺陷损失；其中，第2轮所述第二图像的缺陷损失与第1轮所述第二图像的缺陷损失的差值小于所述缺陷损失阈值；所述基于所述第二图像，调用所述第1轮更新后的权重计算模型迭代进行N
‑
1轮权重计算，得到第N轮所述第一数量的权重，包括：基于所述第二图像，调用所述第1轮更新后的权重计算模型进行第2轮权重计算，得到第2轮所述第一数量的权重。6.根据权利要求4所述的方法，其特征在于，当N>2时，所述基于所述第二图像，调用所述第1轮更新后的环境模型迭代进行N
‑
1轮缺陷检测，得到第N轮所述第二图像的缺陷损失，包括：基于所述第二图像，调用第i轮更新后的环境模型进行第i+1次缺陷检测，得到第i+1轮所述第二图像的缺陷置信度，其中，1≤i≤N
‑
1；根据第i+1轮所述第...

【专利技术属性】
技术研发人员：张博深，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：