缺陷检测模型的训练方法、装置及电子设备制造方法及图纸

本申请公开了一种缺陷检测模型的训练方法、装置及电子设备。其中，该方法包括：获取训练样本集，以及与训练样本集中的每一组样本对应的第一缺陷标签信息，其中，训练样本集中的每一组样本包括缺陷图像，以及与缺陷图像对应的模板图像，第一缺陷标签信息包括缺陷图像中各处缺陷的第一类别信息和第一位置信息；确定目标损失函数；采用随机梯度下降法，通过训练样本集，缺陷标签信息和目标损失函数对待训练模型进行训练，得到目标缺陷检测模型，其中，目标缺陷检测模型用于确定待检测缺陷图像中的缺陷位置信息和缺陷类别信息。本申请解决了由于相关技术中在对晶粒图像进行缺陷识别和分类时直接融合无瑕疵图像和待检测图像造成的计算量大且精度较低。计算量大且精度较低。计算量大且精度较低。

【技术实现步骤摘要】
缺陷检测模型的训练方法、装置及电子设备


[0001]本申请涉及图像识别领域，具体而言，涉及一种缺陷检测模型的训练方法、装置及电子设备。

技术介绍

[0002]相关技术中在利用无瑕疵的晶粒图像对待检测晶粒图像进行缺陷识别和分类时，通常不会利用模板图像来辅助识别，通常采用的方法是直接融合待检测晶粒图像和无瑕疵的晶粒图像，然后依据融合后的图像确定待检测图像中的缺陷类别和缺陷位置。这种方式虽然利用了无瑕疵图像来实现对待检测图像的缺陷识别和分类，但是融合图像以及对融合图像进行识别时计算量大，并且精度较低。
[0003]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0004]本申请实施例提供了一种缺陷检测模型的训练方法、装置及电子设备，以至少解决由于相关技术中在对晶粒图像进行缺陷识别和分类时直接融合无瑕疵图像和待检测图像造成的计算量大且精度较低的技术问题。
[0005]根据本申请实施例的一个方面，提供了一种缺陷检测模型的训练方法，包括：获取训练样本集，以及与训练样本集中的每一组样本对应的第一缺陷标签信息，其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷检测模型的训练方法，其特征在于，包括：获取训练样本集，以及与所述训练样本集中的每一组样本对应的第一缺陷标签信息，其中，所述训练样本集中的每一组样本包括缺陷图像，以及与所述缺陷图像对应的模板图像，所述第一缺陷标签信息包括所述缺陷图像中各处缺陷的第一类别信息和第一位置信息；确定目标损失函数，其中，所述目标损失函数包括缺陷类别损失函数和缺陷位置损失函数；采用随机梯度下降法，通过所述训练样本集，所述缺陷标签信息和所述目标损失函数对待训练模型进行训练，得到目标缺陷检测模型，其中，所述目标缺陷检测模型用于确定待检测缺陷图像中的缺陷位置信息和缺陷类别信息，所述待训练模型用于提取所述缺陷图像的第一图像特征和所述模板图像的第二图像特征，并依据所述第一图像特征和所述第二图像特征输出所述缺陷图像的第二标签信息，所述第二标签信息中包括所述待训练模型确定的所述缺陷图像中各处缺陷的第二类别信息和第二位置信息。2.根据权利要求1所述的缺陷检测模型的训练方法，其特征在于，所述采用随机梯度下降法，通过所述训练样本集，所述缺陷标签信息和所述目标损失函数对待训练模型进行训练，得到目标缺陷检测模型的步骤包括：第一步，将所述缺陷图像和所述模板图像分别输入到所述待训练模型中，并获取所述待训练模型输出的第二标签信息；第二步，将所述第一类别信息和所述第二类别信息输入到所述缺陷类别损失函数中，得到第一损失函数值，以及将所述第一位置信息和第二位置信息输入到所述缺陷位置损失函数中，得到第二损失函数值，并存储所述第一损失函数值和所述第二损失函数值；第三步，采用随机梯度下降法，通过所述第一损失函数值和所述第二损失函数值调整所述待训练模型的模型参数；第四步，获取存储的全部所述第一损失函数值和所述第二损失函数值，在所述第一损失函数值和所述第二损失函数值符合预设条件的情况下，确定调整后的所述待训练模型为所述目标缺陷检测模型，否则跳转到第一步，其中，所述预设条件包括连续预设数量个所述第一损失函数值和所述第二损失函数值的和均位于目标取值区间中。3.根据权利要求2所述的缺陷检测模型的训练方法，其特征在于，所述将所述缺陷图像和所述模板图像分别输入到所述待训练模型中，并获取所述待训练模型输出的第二标签信息的步骤包括：将所述缺陷图像和所述模板图像输入到所述待训练模型的主干网络中，其中，所述主干网络用于提取所述缺陷图像和所述模板图像中的图像特征，从而得到缺陷特征图像和模板特征图像；获取所述待训练模型依据所述缺陷特征图像和所述模板特征图像输出的所述第二标签信息。4.根据权利要求3所述的缺陷检测模型的训练方法，其特征在于，所述待训练模型还包括特征融合层和特征金字塔层，其中，所述特征融合层用于依据所述缺陷特征图像和所述模板特征图像得到第一目标特征图像，并将所述第一目标特征图像输入到所述特征金字塔层中；
所述特征金字塔层用于依据所述第一目标特征图像输出所述第二标签信息。5.根据权利要求4所述的缺陷检测模型的训练方法，其特征在于，所述特征融合层包括第一特征融合层，其中，所述第一特征融合层，用于对所述缺陷特征图像和所述模板特征图像进行差分运算，得到差分特征图像，其中，所述差分特征图像中任意一个像素点的像素值等于所述任意一个像素点对应的缺陷像素点和模板像素点的差值绝对值，所述缺陷像素点为所述缺陷特征图像中与所述任意一个像素点对应的像素点，所述模板像素点为所述模板特征图像中与所述任意一个像素点对应的像素点；对所述差分特征图像和所述缺陷特征图像进行通道拼接处理，得到第二目标特征图像；通过目标卷积核对所述第二目标特征图像进行卷积处理，得到所述第一目标特征图像。6.根据权利要求4所述的缺陷检测模型的训练方法，其特征在于，所述特征融合层包括第二特征融合层，其中，所述第二特征融合层，用于通过目标卷积核分别对所述缺陷特征图像和所述模板特征图像进行卷积处理，并依据卷积处理后的所述缺陷...

【专利技术属性】
技术研发人员：方娜，戴昌志，
申请(专利权)人：杭州长川科技股份有限公司，
类型：发明
国别省市：