【技术实现步骤摘要】
基于模型的缺陷检测方法及系统
[0001]本专利技术涉及缺陷检测
，尤其是涉及一种基于模型的缺陷检测方法及系统。可以应用于高端装备、新能源汽车的零部件制造过程中的质检环节。
技术介绍
[0002]随着工业现场质检需求的不断增加，同时会产生海量的数据推理请求，推理任务部署在单一的计算节点已经不能满足要求，故需要将推理服务部署在多个计算节点，实现分布式推理。由于将推理计算节点分布在多台服务器上，而多个节点分别推理部分数据，故需要考虑多个节点部署和加载数据的问题。
[0003]专利文献CN112734742A（申请号：CN202110071345.6）公开了一种用于提高工业质检准确率的方法和系统，包括步骤甲：训练得到检测模型；步骤乙：利用所述检测模型进行推理。
[0004]现有的模型缺陷检测方式，分为数据标注和标注对比，其中数据标注有分为人工标注和模型标注，即选择一部分有代表性的数据作为测试集，先由人工对这些数据进行标注，再使用模型进行推理，生成模型的标注信息。标注对比则是将人工标注信息和模型标注信息进行对比...
【技术保护点】
【技术特征摘要】
1.一种基于模型的缺陷检测方法，其特征在于，包括：步骤S1：获取历史产品的缺陷数据，建立缺陷检测模型；步骤S2：通过缺陷样本产品对缺陷检测模型进行训练；步骤S3：根据训练后的缺陷检测模型对待检测产品进行缺陷检测；所述步骤S1包括：对缺陷产品进行分布式推理，包括参数获取、测试数据集的分布式加载、分布式推理和推理结果的获取，具体为：设置推理模型、批处理大小和图片分辨率，并对默认参数文件的值进行覆盖，生成完整的参数文件，并将参数文件保存到分布式文件存储S3服务器上，将参数文件的地址写入容器的环境变量中，待容器启动后，从环境变量获取参数文件在分布式存储系统中的储存地址，通过文件地址在代码中读取文件内容，将文件内容解析并转换为推理所需要的所有参数；将存储测试数据集的分布式存储目录挂载到容器所在的每一台服务器上，在容器启动后，加载并解析参数文件，从解析出的所有参数中获取到测试数据集的存储路径，并加载分布式服务器对应路径中的图片；从解析出的所有参数中获取到模型和测试数据集的存储路径，从模型存储路径中加载单机模型，并将单机模型转换为分布式模型，从测试数据集的存储路径中加载数据集，使用分布式采样器将数据集转换为分布式测试集，获取到分布式模型和分布式测试集后，进行分布式推理；在参数文件中设置测试数据集推理结果的保存路径，在推理过程中将每张图片的推理结果保存到设置的分布式服务器的路径中，在后端服务中加载测试数据集存储在分布式服务器的推理结果，并提供查询接口，在浏览器页面展示每张图片的推理标注信息。2.根据权利要求1所述的基于模型的缺陷检测方法，其特征在于，所述步骤S1还包括：对缺陷产品进行辅助标注，包括测试数据集的推理、加载推理结果作为辅助标注结果，并对标注结果进行校对，具体为：使用人工标注的训练数据集进行模型首次训练，将首次训练好的模型保存在分布式存储服务器中，将模型存储路径设置到推理参数文件中，使用模型对扩充的训练数据集进行推理，并根据推理参数将推理结果进行保存；在浏览器页面加载训练数据集的每张图片，将其推理结果作为辅助标注，对辅助标注的每个缺陷进行人工校对，校对后将推理的辅助标注结果转换为人工标注结果，生成新的训练数据集，进行下一次的训练。3.根据权利要求2所述的基于模型的缺陷检测方法，其特征在于，所述步骤S2包括：进行缺陷模型测试，包括对测试数据集进行人工标注和模型推理标注，然后对比测试数据集中每张图片不同置信度下的人工标注和模型标注，汇总对比数据，具体为：在浏览器页面对测试数据集的图片进行逐张人工标注，再次选择相同的测试数据集使用模型进行分布式推理标注；对当前数据集的所有图片进行遍历循环，针对测试集中的每张图片分别获取人工标注信息和模型标注信息，以及当前测试的置信度，根据置信度剔除不符合预设要求的模型标注信息；对于遍历循环中的每张图片，将获取到的人工标注信息和模型标注信息按照缺陷名称
进行分组，收集到不同缺陷名称的所有人工标注信息列表和模型标注信息列表；将分组后的缺陷的人工标注信息和模型标注信息进行循环对比，单种缺陷分组后包括如下情况：a：当前缺陷的人工标注框的数量和模型标注框的数量都为0，则判定当前图片没有当前种类缺陷，结果为过杀数量和漏失数量都等于0；b：当前缺陷的人工标注框的数量数为0但模型标注框的数量不为0，此时模型对于当前图片的当前种类缺陷出现过杀现象，结果为过杀数量等于模型标注框的数量，漏失数量等于0；c：当前缺陷的人工标注框的数量数不为0但模型标注框的数量为0，此时模型对于当前图片的当前种类缺陷出现漏失现象，结果为过杀数量等于0，漏失数量等于人工标注框的数量；d：当前缺陷的人工标注框的数量数和模型标注框的数量都不为0，首先将当前图片的当前缺陷的人工标注框全部打上漏失框标签，然后将当前图片的当前缺陷的模型标注框全部打上过杀框标签，接着循环遍历人工标注框列表，计算当前人工标注框的面积，同时循环遍历模型标注框列表，计算模型标注框的面积，判断当前人工标注框和模型标注框的重叠度IOU是否大于0，若大于0，则将当前人工标注框的漏失标签去掉，将当前模型标注框的过杀标签去掉，在循环完成后，统计结果为过杀数量等于存在过杀标签的模型标注框的数量，漏失数量等于存在漏失标签的人工标注框的数量；在当前置信度下，对所有缺陷进行循环对比，获取到当前数据集在当前置信度下的所有种类缺陷的漏失标注数量和过杀标注数量，获取当前数据集在所有设置的置信度下的所有缺陷的漏失标注数量和过杀标注数量，汇总对比数据。4.根据权利要求3所述的基于模型的缺陷检测方法，其特征在于，模型测试还包括对图片分类测试、初始化统计结果对象、获取标注信息、更新结果对象中的混淆矩阵和计算统计值；所述初始化统计结果对象包括：初始化保存统计结果的混淆矩阵、标签映射关系以及图片类别数量；所述获取标注信息包括：加载所要测试的数据集，对数据集进行循环遍历，针对数据集中的每一张图片，分别获取到当前图片的人工标注信息和模型标注信息；所述更新结果对象中的混淆矩阵包括：分别人工标注标签和模型标注标签在标签映射关系中对应的值，根据人工标注映射值和模型标注映射值组成一个（x，y）坐标，即（人工标注映射值，模型标注映射值），将此坐标更新到混淆矩阵中；所述计算统计值包括：通过准确率、召回率和精确率对测试集预测正确的比例进行统计。5.一种基于模...
【专利技术属性】
技术研发人员：常琪，赵何，张志琦，
申请(专利权)人：江苏智云天工科技有限公司，
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。