一种物料缺陷检测方法及装置制造方法及图纸

本申请公开了一种物料缺陷检测方法、装置及电子设备，包括：获取待检测物料的待检测图像；基于目标缺陷检测模型对待检测图像进行处理，获得目标区域特征；基于目标区域特征，确定待检测物料的缺陷检测结果。其中，目标缺陷检测模型为基于初始模型和目标增量图像确定的模型，目标增量图像为基于初始模型进行筛选得到的图像。本申请能够利用增量小样本学习，保证了模型性能，提升了物料缺陷检测的准确性。提升了物料缺陷检测的准确性。提升了物料缺陷检测的准确性。

【技术实现步骤摘要】
一种物料缺陷检测方法及装置


[0001]本申请涉及检测
，更具体的说是涉及一种物料缺陷检测方法及装置

技术介绍

[0002]对于工业制造领域需要对物料进行缺陷检测，以保证能够将优质的物料进行输出或者制造。为了解决人工进行物料缺陷检测的效率低的问题，目前主要通过深度学习对工业物料进行缺陷检测，但是深度学习需要有足够的学习样本才能保证对物料缺陷学习的准确性，而缺陷检测领域中的样本数量通常较少，因此，无法保证深度学习的准确性，降低了物料缺陷检测的准确性。

技术实现思路

[0003]有鉴于此，本申请提供如下技术方案：
[0004]一种物料缺陷检测方法，包括：
[0005]获取待检测物料的待检测图像；
[0006]基于目标缺陷检测模型对所述待检测图像进行处理，获得目标区域特征，其中，所述目标缺陷检测模型为基于初始模型和目标增量图像确定的模型，所述目标增量图像为基于所述初始模型进行筛选得到的图像；
[0007]基于所述目标区域特征，确定所述待检测物料的缺陷检测结果。
[0008]可选地，所述方法还包括：
[0009]获得初始增量图像；
[0010]基于所述初始模型对所述初始增量图像进行检测，得到检测结果的排序；
[0011]基于所述检测结果的排序对所述初始增量图像进行筛选，得到指定数量的目标增量图像；
[0012]根据所述目标增量图像对应的标注增量图像对所述初始模型进行更新，得到目标缺陷检测模型。
[0013]可选地，所述根据所述目标增量图像对应的标注增量图像对所述初始模型进行更新，得到目标缺陷检测模型，包括：
[0014]获得所述目标增量图像对应的标注增量图像，以及与所述初始模型对应的第一初始图像；
[0015]基于所述目标增量图像的图像特征以及与所述第一初始图像对应的图像特征，对所述第一初始图像进行筛选，得到目标初始图像；
[0016]根据所述目标初始图像和所述标注增量图像对所述初始模型进行更新，得到目标缺陷检测模型。
[0017]可选地，所述基于所述目标增量图像的图像特征以及与所述第一初始图像对应的图像特征，对所述第一初始图像进行筛选，得到目标初始图像，包括：
[0018]对所述第一初始图像对应的图像特征进行处理，得到与所述第一初始图像对应的
第一向量集合，以使得将所述第一向量集合确定为记忆向量，并基于所述记忆向量构成记忆空间；
[0019]基于所述目标增量图像的图像特征进行处理，得到增量向量；
[0020]将所述增量向量与所述记忆向量进行比较，并基于比较结果在记忆向量中确定目标记忆向量；
[0021]将所述目标记忆向量对象的图像，确定为目标初始图像。
[0022]可选地，所述方法还包括：
[0023]响应于基于所述目标初始图像和所述标注增量图像进行处理，将所述目标初始图像和所述标注增量图像对应的向量存储在所述记忆空间，以使得基于所述记忆空间中的向量进行模型更新。
[0024]可选地，所述基于所述初始模型对所述初始增量图像进行检测，得到检测结果的排序，包括：
[0025]基于所述初始模型对所述初始增量图像进行检测，得到与每一初始增量图像对应的目标区域特征以及与所述目标区域特征对于应的得分；
[0026]基于所述得分对每一初始增量图像进行排序，将排序结果确定确定为检测结果的排序。
[0027]可选地，所述方法还包括：
[0028]基于所述初始模型对所述目标增量图像进行检测，得到与每一目标增量图像对应的目标区域；
[0029]基于所述目标区域对所述目标增量图像进行标注，得到标注增量图像。
[0030]可选地，所述基于所述目标区域特征，确定所述待检测物料的缺陷检测结果，包括：
[0031]对所述目标区域特征与物料缺陷特征进行匹配，得到匹配结果；
[0032]基于所述匹配结果，确定所述待检测物料的缺陷检测结果。
[0033]一种物料缺陷检测装置，包括：
[0034]获取单元，用于获取待检测物料的待检测图像；
[0035]处理单元，用于基于目标缺陷检测模型对所述待检测图像进行处理，获得目标区域特征，其中，所述目标缺陷检测模型为基于初始模型和目标增量图像确定的模型，所述目标增量图像为基于所述初始模型进行筛选得到的图像；
[0036]确定单元，用于基于所述目标区域特征，确定所述待检测物料的缺陷检测结果。
[0037]一种电子设备，包括：
[0038]存储器，用于存储应用程序和所述应用程序运行所产生的数据；
[0039]处理器，用于执行所述应用程序，以实现如上述中任一项所述的物料缺陷检测方法。
[0040]经由上述的技术方案可知，本申请公开一种物料缺陷检测方法、装置及电子设备，包括：获取待检测物料的待检测图像；基于目标缺陷检测模型对待检测图像进行处理，获得目标区域特征；基于目标区域特征，确定待检测物料的缺陷检测结果。其中，目标缺陷检测模型为基于初始模型和目标增量图像确定的模型，目标增量图像为基于初始模型进行筛选得到的图像。本申请能够利用增量小样本学习，保证了模型性能，提升了物料缺陷检测的准
确性。
附图说明
[0041]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
[0042]图1为本申请实施例提供的一种物料缺陷检测方法的流程示意图；
[0043]图2为本申请实施例提供的一种基于记忆空间进行处理的示意图；
[0044]图3为本申请实施例提供的一种物料缺陷检测装置的结构示意图；
[0045]图4为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0046]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，而不是全部的实施例。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，都属于本申请保护的范围。
[0047]本申请实施例提供的一种物料缺陷检测方法，该方法是基于机器学习处理模式，对已有的物料缺陷图像进行处理得到目标缺陷检测模型，从而利用目标缺陷检测模型对待检测物料的检测图像进行检测，以确定缺陷检测结果。为了保证缺陷检测模型的准确性，需要基于增量图像对该缺陷检测模型进行迭代更新，本申请可以准确对增量图像进行筛选，利用筛选后的增量图像对缺陷检测模型进行迭代更新，从而减少模型迭代更新的时间，提升了模型性能以及保证了物料缺陷检测的准确性。
[0048]参见图1，为本申请实施例提供的一种物料缺陷检测方法的流程示意图，该方法可以包括以下步骤：
[0049]S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种物料缺陷检测方法，包括：获取待检测物料的待检测图像；基于目标缺陷检测模型对所述待检测图像进行处理，获得目标区域特征，其中，所述目标缺陷检测模型为基于初始模型和目标增量图像确定的模型，所述目标增量图像为基于所述初始模型进行筛选得到的图像；基于所述目标区域特征，确定所述待检测物料的缺陷检测结果。2.根据权利要求1所述的方法，所述方法还包括：获得初始增量图像；基于所述初始模型对所述初始增量图像进行检测，得到检测结果的排序；基于所述检测结果的排序对所述初始增量图像进行筛选，得到指定数量的目标增量图像；根据所述目标增量图像对应的标注增量图像对所述初始模型进行更新，得到目标缺陷检测模型。3.根据权利要求2所述的方法，所述根据所述目标增量图像对应的标注增量图像对所述初始模型进行更新，得到目标缺陷检测模型，包括：获得所述目标增量图像对应的标注增量图像，以及与所述初始模型对应的第一初始图像；基于所述目标增量图像的图像特征以及与所述第一初始图像对应的图像特征，对所述第一初始图像进行筛选，得到目标初始图像；根据所述目标初始图像和所述标注增量图像对所述初始模型进行更新，得到目标缺陷检测模型。4.根据权利要求3所述的方法，所述基于所述目标增量图像的图像特征以及与所述第一初始图像对应的图像特征，对所述第一初始图像进行筛选，得到目标初始图像，包括：对所述第一初始图像对应的图像特征进行处理，得到与所述第一初始图像对应的第一向量集合，以使得将所述第一向量集合确定为记忆向量，并基于所述记忆向量构成记忆空间；基于所述目标增量图像的图像特征进行处理，得到增量向量；将所述增量向量与所述记忆向量进行比较，并基于比较结果在记忆向量中确定目标记忆向量；将所述目标记忆向量对象的图像，确定为目标...

【专利技术属性】
技术研发人员：杨达坤，许枫，朱麟，
申请(专利权)人：联想北京有限公司，
类型：发明
国别省市：