【技术实现步骤摘要】
物体异常位置检测方法、装置、电子设备及存储介质
[0001]本申请涉及计算机视觉
,具体涉及一种物体异常位置检测方法、装置、电子设备及计算机可读存储介质。
技术介绍
[0002]随着计算机视觉技术的飞速发展,计算机视觉技术已经广泛应用于安防监控、医疗健康、工业等众多领域。其中,物体的异常位置检测,比如工业上PCB板的缺陷检测,通常是对样本的异常位置进行标注后,对目标检测模型,比如基于Faster
‑
RCNN系列和YOLO系列的模型进行训练,再采用训练后的目标检测模型来实现目标检测任务。
[0003]但是,现有的目标检测模型,例如基于Faster
‑
RCNN系列和YOLO系列的目标检测模型泛化能力差;并且,由于需要依赖大量的标注样本才能训练出效果较好的检测模型,因此训练过程中需要对样本的异常位置进行标注,而大量的样本异常位置标注需要较大的时间成本。
技术实现思路
[0004]本申请提供一种物体异常位置检测方法、装置、电子设备及计算机可读存储介质,旨在解决现有用于异常位置检测的目标检测模型泛化能力差、训练时间成本高的问题。
[0005]第一方面,本申请提供一种物体异常位置检测方法,所述方法包括:
[0006]获取目标物体的原始图像;
[0007]调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像;
[0008]根据所述复原图像和所述原始图像,确定所述原始图像的异常信息,所述异常信息用于指示所述目标物体的异常位置。 ...
【技术保护点】
【技术特征摘要】
1.一种物体异常位置检测方法,其特征在于,所述方法包括:获取目标物体的原始图像;调用预设的目标生成器根据所述原始图像生成所述目标物体的复原图像;根据所述复原图像和所述原始图像,确定所述原始图像的异常信息,所述异常信息用于指示所述目标物体的异常位置。2.根据权利要求1所述的物体异常位置检测方法,其特征在于,所述目标生成器基于预设的生成式对抗网络训练得到,所述生成式对抗网络包括生成器和判别器,所述目标生成器通过如下步骤训练得到:获取训练数据集,所述训练数据集包括至少第一训练样本和第二训练样本;使用所述第一训练样本对所述生成器的网络参数进行调整,直至符合预设的第一停止训练条件时,将所述生成器作为预训练生成器,所述第一训练样本包括多个样本物体的有缺陷真实图像;使用所述第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整,直至符合预设的第二停止训练条件时,将所述预训练生成器作为所述目标生成器,其中,所述第二训练样本包括多个样本物体的有缺陷真实图像。3.根据权利要求2所述的物体异常位置检测方法,其特征在于,在使用第一训练样本对所述生成器的网络参数进行调整过程中,所述生成式对抗网络的训练损失为所述生成器的第一生成损失;在使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整过程中,所述生成式对抗网络的训练损失包括所述生成器的第二生成损失和所述判别器的对抗损失;所述使用第一训练样本对所述生成器的网络参数进行调整,直至符合预设的第一停止训练条件时,将所述生成器作为预训练生成器,包括:根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像,确定所述第一生成损失;根据所述第一生成损失对所述生成器的网络参数进行调整,直至符合预设的第一停止训练条件时,将所述生成器作为预训练生成器;所述使用第二训练样本对所述预训练生成器的网络参数和所述判别器的网络参数进行调整,直至符合预设的第二停止训练条件时,将所述预训练生成器作为所述目标生成器,包括:根据所述预训练生成器基于所述第二训练样本中的有缺陷真实图像生成的预测修复图像,确定所述第二生成损失和所述对抗损失;根据所述第二生成损失和所述对抗损失,对所述预训练生成器的网络参数和所述判别器的网络参数进行调整,直至符合预设的第二停止训练条件时,将所述预训练生成器作为所述目标生成器。4.根据权利要求3所述的物体异常位置检测方法,其特征在于,所述第一训练样本包括至少一对样本图像,每对所述样本图像包括样本物体的有缺陷真实图像和无缺陷真实图像,所述无缺陷真实图像作为所述有缺陷真实图像的标签,所述根据所述生成器基于所述第一训练样本中的有缺陷真实图像生成的预测修复图像,确定所述第一生成损失,包括:调用所述生成器根据所述有缺陷真实图像生成其对应的预测修复图像;
根据所述预测修复图像、所述无缺陷真实图像和预设的第一损失函数,确定所述第一生成损失。5.根据权利要求3所述的物体异常位置检...
【专利技术属性】
技术研发人员:李秀阳,
申请(专利权)人:武汉TCL集团工业研究院有限公司,
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。