模型训练方法、系统、设备、存储介质及缺陷检测方法技术方案

本申请提供一种模型训练方法、系统、设备、存储介质及缺陷检测方法，涉及了图像检测技术领域，方法包括：获取样本原图集以及根据样本原图集确定训练噪声图集；将训练噪声图集作为目标输入进行图像重建，得到多个训练重建图像；根据样本原图集和多个训练重建图像进行模型训练，得到已训练的缺陷检测模型。本申请实现在推理过程中分割缺陷区域，解决了目前工业检测中异常样本出现概率小，无法通过有监督学习的方式训练精确模型进行缺陷判断的问题。习的方式训练精确模型进行缺陷判断的问题。习的方式训练精确模型进行缺陷判断的问题。

【技术实现步骤摘要】
模型训练方法、系统、设备、存储介质及缺陷检测方法


[0001]本申请涉及图像检测
，具体涉及一种模型训练方法、系统、设备、存储介质及缺陷检测方法。

技术介绍

[0002]在制造业中，通过光学检测来判断生产线上的产品是否包含有缺陷是非常关键的步骤，尽管人类非常善于异常检测，但是让人类操作员监督组装线生产的每件产品，都存在着有限的人类注意力跨度、大规模装配线的人工成本高、不同的产线间通常不会保持一致的质量水平等的问题，因此自动化的光学异常检测在工业视觉检测领域中非常有价值。
[0003]然而，在制造业中，由于较高的生产可靠性，光学检测任务经常缺乏足够的一场样本用作训练，同时，对于生产线上那些较少出现的缺陷可能更为致命，所以，想要用缺陷数据以监督学习的方式来训练一个精确的深度模型有时候并不现实。

技术实现思路

[0004]本申请提供一种模型训练方法、系统、设备、存储介质及缺陷检测方法，解决了目前工业检测中异常样本出现概率小，无法通过有监督学习的方式训练精确模型进行缺陷判断的问题。
[0005]本申请提供一种模型训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取样本原图集以及根据所述样本原图集确定训练噪声图集；将所述训练噪声图集作为目标输入进行图像重建，得到多个训练重建图像；根据所述样本原图集和所述多个训练重建图像进行模型训练，得到已训练的缺陷检测模型。2.如权利要求1所述的方法，其特征在于，所述样本原图集包括训练样本原图集，所述根据所述样本原图集确定训练噪声图集，包括：将所述训练样本原图集中的所有图像均加入图像噪声，得到训练噪声图集。3.如权利要求2所述的方法，其特征在于，所述根据所述样本原图集和所述多个训练重建图像进行模型训练，得到已训练的缺陷检测模型，包括：根据所述训练样本原图集和所述多个训练重建图像进行重建损失计算，得到多个重建损失值；根据所述多个重建损失值对预设的缺陷检测模型进行模型训练，得到已训练的缺陷检测模型。4.如权利要求3所述的方法，其特征在于，所述根据所述训练样本原图集和所述多个训练重建图像进行重建损失计算，得到多个重建损失值，包括：通过预设的第一损失函数根据所述训练样本原图集和所述多个训练重建图像进行重建损失计算，得到多个重建损失值；其中，所述第一损失函数为：x1
i
为所述训练噪声图集中的图像于i位置的像素值，f是训练模型函数，f(x1
i
)为所述训练重建图像于i位置的像素值，y1
i
为所述训练样本原图集中的图像于i位置的像素值。5.如权利要求3所述的方法，其特征在于，所述根据所述训练样本原图集和所述多个训练重建图像进行重建损失计算，得到多个重建损失值，包括：通过预设的第二损失函数根据所述训练样本原图集和所述多个训练重建图像进行重建损失计算，得到多个重建损失值；其中，所述第二损失函数为：x2
i
为所述训练噪声图集中的图像于i位置的像素值，f是训练模型函数，f(x2
i
)为所述训练重建图像于i位置的像素值，y2
i
为所述训练样本原图集中的图像于i位置的像素值。6.如权利要求2所述的方法，其特征在于，所述样本原图集还包括验证样本原图集，所述方法还包括：根据所述验证样本原图集确定验证噪声图集；将所述验证噪声图集作为目标输入进行图像重建，得到多个验证重建图像；根据所述验证样本原图集和所述多个验证重建图像确定异常阈值。
7.如权利要求6所述的方法，其特征在于，所述根据所述验证样本原图集确定验证噪声图集，包括：将所述验证样本原图集中的所有图像均加入图像噪声，得到验证噪声图集。8.如权利要求7所述的方法，其特征在于，所述根据所述验证样本原图集和所述多个验证重建图像确定异常阈值，包括：根据所述验证样本原图集和所述多...

【专利技术属性】
技术研发人员：张潮，
申请(专利权)人：TCL科技集团股份有限公司，
类型：发明
国别省市：