污渍检测模型的训练方法、装置及污渍检测方法、装置制造方法及图纸

本发明专利技术公开了一种污渍检测模型的训练方法、装置及污渍检测方法、装置，其中，污渍检测模型包括特征提取网络、第一分支网络和第二分支网络。训练方法包括获取训练图像集；将训练图像集中的壳体外观图输入至污渍检测模型，得到预测的污渍掩码信息、污渍位置信息和污渍分类信息；基于预测的污渍掩码信息、污渍位置信息和污渍分类信息，以及壳体外观图的标签信息，得到污渍检测模型的损失函数；根据污渍检测模型的损失函数，调整污渍检测模型的参数，得到训练好的污渍检测模型。使训练得到的污渍检测模型，在提取特征的过程中始终保持高分辨率信息，降低信息丢失率，解决极小污渍检测任务。务。务。

【技术实现步骤摘要】
污渍检测模型的训练方法、装置及污渍检测方法、装置


[0001]本专利技术涉及图像处理
，具体涉及一种污渍检测模型的训练方法、装置及污渍检测方法、装置。

技术介绍

[0002]随着工业4.0的不断推进，计算机视觉在工业检测中的应用越来越广泛。对于产品的外观检测中，壳体污渍检测是产品质量不达标的主要原因，而其中极小污渍检测由于其面积小、形态多变等使得检测更为困难。
[0003]相关极小污渍的方法主要分为人工检测和机器辅助检测两类。其中，机器辅助检测又分为传统视觉检测和基于深度学习的视觉检测。人工检测存在耗时久，并且受精力、视力、视觉疲劳等因素影响。同时，人工检测主观性强，每个检测工人对检测标准有不同的理解，导致同一个极小污渍的检测标准不一致。而相关机器辅助检测存在计算复杂度较高，检测速度较慢，并且对图像的空间位移和旋转较敏感等问题。同时，机器辅助针对极小的污渍，检测的污渍对象在形状、大小、纹理、颜色等方面差异较大，使得这些方法在复杂环境下对极小污渍进行检测没有效果。

技术实现思路

[0004]本专利技术旨在至少在一定程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种污渍检测模型的训练方法，其特征在于，所述污渍检测模型包括特征提取网络、第一分支网络和第二分支网络，其中，所述特征提取网络的输入端用以输入图像，所述特征提取网络的第一输出端与所述第一分支网络的输入端连接，所述特征提取网络的第二输出端与所述第二分支网络的输入端连接，所述第一分支网络用以输出预测的污渍掩码信息，所述第二分支网络用以输出预测的污渍位置信息和污渍分类信息，所述方法包括：使用训练图像集对污渍检测模型进行多次周期性的训练，其中，针对每次训练周期，执行以下操作：获取训练图像集，其中，所述训练图像集包括壳体外观图；将所述训练图像集中的壳体外观图输入至污渍检测模型，得到预测的污渍掩码信息、污渍位置信息和污渍分类信息；基于所述预测的污渍掩码信息、污渍位置信息和污渍分类信息，以及所述壳体外观图的标签信息，得到所述污渍检测模型的损失函数；根据所述污渍检测模型的损失函数，调整所述污渍检测模型的参数，得到训练好的污渍检测模型。2.根据权利要求1所述的污渍检测模型的训练方法，其特征在于，获取训练图像集包括：采集所述壳体外观图，并对所述壳体外观图进行预处理。3.根据权利要求1所述的污渍检测模型的训练方法，其特征在于，所述特征提取网络包括卷积神经网络和提取候选框网络，将所述训练图像集中的壳体外观图输入至污渍检测模型，得到预测的污渍掩码信息、污渍位置信息和污渍分类信息，包括：将所述壳体外观图输入所述卷积神经网络，得到所述壳体外观图的公共特征图；利用所述提取候选框网络在所述公共特征图进行滑动，得到具有污渍候选区域的公共特征图；将所述具有污渍候选区域的公共特征图输入至所述第一分支网络，得到所述预测的污渍掩码信息；将所述具有污渍候选区域的公共特征图输入至所述第二分支网络，得到所述预测的污渍位置信息和所述预测的污渍分类信息。4.根据权利要求3所述的污渍检测模型的训练方法，其特征在于，所述卷积神经网络包括依次连接的第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，所述第一卷积模块的输入端用以输入图像，所述第一卷积模块的第一输出端与所述第二卷积模块的第一输入端连接，所述第一卷积模块的第二输出端与所述第二卷积模块的第二输入端连接：所述第二卷积模块的第一输出端与所述第三卷积模块的第一输入端连接，所述第二卷积模块的第二输出端与所述第三卷积模块的第二输入端连接，所述第二卷积模块的第三输出端与所述第三卷积模块的第三输入端连接；所述第三卷积模块的第一输出端与所述第四卷积模块的第一输入端连接，所述第三卷积模块的第二输出端与所述第四卷积模块的第二输入端连接，所述第三卷积模块的第三输出端与所述第四卷积模块的第三输入端连接，所述第三卷积模块的第四输出端与所述第四卷积模块的第四输入端连接；
所述第四卷积模块的输出端输出所述公共特征图。5.根据权利要求4所述的污渍检测模型的训练方法，其特征在于，所述第四卷积模块包括依次连接的三个卷积组件，分别记为第一卷积组件、第二卷积组件和第三卷积组件；其中，所述第一卷积组件和第二卷积组件均包括四个卷积分支，分别记为第一卷积分支、第二卷积分支、第三卷积分支和第四卷积分支，所述第一卷积分支包括依次连接的四个BasicBlock_SE卷积块，所述第二卷积分支包括依次连接的四个BasicBlock_SE卷积块和2倍上采样块，所述第三卷积分支包括依次连接的四个BasicBlock_SE卷积块和4倍上采样块，所述第四卷积分支包括依次连接的四个BasicBlock_SE卷积块和8倍上采样块；所述第三卷积组件包括四个卷积分支、融合层和激活层，分别记为第五卷积分支、第六卷积分支、第七卷积分支和第八卷积分支，所述第五卷积分支包括依次连接的四个BasicBlock_SE卷积块和高效通道注意力模块，所述第六卷积分支、第七卷积分支和第八卷积分支均包括依次连接的四个BasicBlock_SE卷积块、卷积层、批标准化层、上采样层和高效通道注意力模块。6.根据权利要求5所述的污渍检测模型的训练方法，其特征在于，所述BasicBlock_SE卷积块包括依次连接的2维卷积层、批标准化层、激活层、2维卷积层、压缩激发注意力模块、融合层和激活层。7.一种污渍检测方法，其特征在于，所述方法包括：获取待测图像；将所述待测图像输入至预先训练好的污渍检测模型，得到所述待测图像中污渍掩码信息、污渍位置信息和污渍分类信息，其中，所述预先训练好的污渍检测模型采用如权利要求1
‑
6中任一项所述的污渍检测模型的训练方法得到。8.一种污渍检测模型的训练装置，其特征在于，所述污渍检测模型包括特征提取网络、第一分支网络和第二分支网络，其中，所述特征提取网络的输入端用以输入图像，所述特征提取网络的第一输出端与所述第一分支网络的输入端连接，所述特征提取网络的第二输出端与所述第二分支网络的输入端连接，所述第一分支网络用以输出预测的污渍掩码信息，所述...

【专利技术属性】
技术研发人员：洪海敏，武占侠，占兆武，罗毅夫，蔡义，
申请(专利权)人：深圳智芯微电子科技有限公司，
类型：发明
国别省市：