本发明专利技术提供一种融合目标检测模型和图像分割模型的缺陷识别方法及装置，其中方法包括：获取待检测设备的表面图像；将待检测设备的表面图像输入至目标检测模型，得到待检测设备的缺陷检测结果；将待检测设备的表面图像输入至图像分割模型，得到待检测设备的缺陷分割结果；根据缺陷检测结果和缺陷分割结果，获取待检测设备的缺陷识别结果；目标检测模型是根据样本设备的表面图像以及样本设备的缺陷检测标签进行训练得到的，图像分割模型是根据样本设备的表面图像以及样本设备的缺陷分割标签进行训练得到的。本发明专利技术实现利用计算机视觉高效准确地进行设备瑕疵检测工作，降低设备瑕疵检测的误差，提高检测精度，节约人力资源。节约人力资源。节约人力资源。
【技术实现步骤摘要】
融合目标检测模型和图像分割模型的缺陷识别方法及装置
[0001]本专利技术涉及人工智能
，尤其涉及一种融合目标检测模型和图像分割模型的缺陷识别方法及装置。
技术介绍
[0002]齿轮是汽车领域中一种典型的动力传递器件，在各个汽车中起到至为关键的作用。因此，齿轮如果存在缺陷，会直接影响汽车的性能和使用寿命。
[0003]目前，市面存在许多专业测量齿轮参数的仪器，但是从价格、实用性等方面考虑，目前大部分厂商依然采用的人工检测的方式对齿轮进行缺陷检测，这种方式往往会消耗大量的人力资源，并且检测速度慢，存在人眼疲劳导致误检和漏检的可能性，难以满足现代化工业批量生产制造的需求。
技术实现思路
[0004]本专利技术提供一种融合目标检测模型和图像分割模型的缺陷识别方法及装置，用以解决现有技术中人工进行缺陷检测，导致检测效率低和检测精准低的缺陷，实现自动精准低进行缺陷检测。
[0005]本专利技术提供一种融合目标检测模型和图像分割模型的缺陷识别方法，包括：
[0006]获取待检测设备的表面图像；
[0007]将所述待检测设备的表面图像输入至目标检测模型，得到所述待检测设备的缺陷检测结果；
[0008]将所述待检测设备的表面图像输入至图像分割模型，得到所述待检测设备的缺陷分割结果；
[0009]根据所述缺陷检测结果和所述缺陷分割结果，获取所述待检测设备的缺陷识别结果；
[0010]所述目标检测模型是根据样本设备的表面图像以及所述样本设备的缺陷检测标签进行训练得到的，所述图像分割模型是根据所述样本设备的表面图像以及所述样本设备的缺陷分割标签进行训练得到的。
[0011]根据本专利技术提供的一种融合目标检测模型和图像分割模型的缺陷识别方法，所述目标检测模型的训练步骤包括：
[0012]获取所述样本设备的表面图像；
[0013]根据多种预设缺陷类型，对所述样本设备的表面图像标记对应的缺陷分割标签；
[0014]根据所述缺陷分割标签，对所述样本设备的表面图像标记对应的缺陷检测标签；
[0015]根据所述样本设备的表面图像和所述样本设备的缺陷检测标签，构建缺陷检测数据集；
[0016]根据所述缺陷检测数据集，对原始目标检测模型的参数进行预训练，得到预训练参数；
[0017]根据所述预训练参数，对改进目标检测模型的参数进行迭代训练，得到所述目标检测模型；
[0018]其中，所述改进目标检测模型是，在原始目标检测模型的基础上，对所述原始目标检测模型的原始骨干网络进行改进得到的；所述原始骨干网络的改进包括将所述原始目标检测模型的原始骨干网络中的至少一个卷积网络层替换为可变形卷积网络层，并在所述原始骨干网络中增加由编码器和解码器组成的对称网络结构。
[0019]根据本专利技术提供的一种融合目标检测模型和图像分割模型的缺陷识别方法，所述根据所述预训练参数，对改进目标检测模型的参数进行迭代训练，得到所述目标检测模型，包括：
[0020]根据所述预训练参数，对所述改进目标检测模型的参数进行初始化；
[0021]固定初始化后的改进目标检测模型中除改进的骨干网络之外的其他网络的参数，根据所述缺陷检测数据集，对所述改进的骨干网络的参数进行训练，直到满足第一预设终止条件，得到所述改进的骨干网络的训练参数；
[0022]根据所述改进的骨干网络的训练参数，对所述初始化后的改进目标检测模型的参数进行训练，直到满足第二预设终止条件，得到所述目标检测模型。
[0023]根据本专利技术提供的一种融合目标检测模型和图像分割模型的缺陷识别方法，所述获取所述样本设备的表面图像，包括：
[0024]获取所述样本设备的原始表面图像；
[0025]对所述原始表面图像进行预处理和图像扩充，得到所述样本设备的表面图像；
[0026]其中，所述预处理包括归一化处理、直方图均衡化处理和降噪处理中的一种或多种组合；所述图像扩充包括叠加随机生成的背景图片、随机裁剪和随机翻转中的一种或多种组合。
[0027]根据本专利技术提供的一种融合目标检测模型和图像分割模型的缺陷识别方法，所述目标检测模型的损失函数是基于回归损失函数和分类损失函数构建生成的；
[0028]其中，所述回归损失函数是根据所述样本设备的缺陷检测结果和所述样本设备的缺陷检测标签确定的角度损失、距离损失、形状损失和交并比损失构建生成的；
[0029]所述分类损失函数是根据所述样本设备的缺陷检测结果和所述样本设备的缺陷检测标签确定的变焦损失构建生成的。
[0030]根据本专利技术提供的一种融合目标检测模型和图像分割模型的缺陷识别方法，对于当前次迭代训练，所述目标检测模型的当前学习率是根据第一学习率和/或第二学习率计算得到的；
[0031]所述第一学习率是根据当前迭代次数、最大迭代次数以及最大学习率计算得到的；
[0032]所述第二学习率是根据最大学习率、最小学习率、所述当前迭代次数以及所述最大迭代次数计算得到的。
[0033]根据本专利技术提供的一种融合目标检测模型和图像分割模型的缺陷识别方法，所述根据所述缺陷检测结果和所述缺陷分割结果，获取所述待检测设备的缺陷识别结果，包括：
[0034]对所述缺陷检测结果进行非极大抑制处理，并在处理后的缺陷检测结果中获取交并比大于预设阈值的缺陷检测框；所述缺陷检测框为检测到的缺陷区域所在的边界框；
[0035]在所述缺陷分割结果中获取交并比大于所述预设阈值的缺陷分割框；所述缺陷分割框为分割到的缺陷区域所在的边界框；
[0036]根据所述缺陷检测框对应的置信度和所述缺陷分割框对应的置信度，获取所述缺陷识别结果。
[0037]本专利技术还提供一种融合目标检测模型和图像分割模型的缺陷识别装置，包括：
[0038]获取模块，用于获取待检测设备的表面图像；
[0039]检测模块，用于将所述待检测设备的表面图像输入至目标检测模型，得到所述待检测设备的缺陷检测结果；
[0040]分割模块，用于将所述待检测设备的表面图像输入至图像分割模型，得到所述待检测设备的缺陷分割结果；
[0041]识别模块，用于根据所述缺陷检测结果和所述缺陷分割结果，获取所述待检测设备的缺陷识别结果；
[0042]所述目标检测模型是根据样本设备的表面图像以及所述样本设备的缺陷检测标签进行训练得到的，所述图像分割模型是根据所述样本设备的表面图像以及所述样本设备的缺陷分割标签进行训练得到的。
[0043]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述融合目标检测模型和图像分割模型的缺陷识别方法。
[0044]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述融合目标检测模型和图像分割模型的缺陷识别方法。
[0045]本专利技术还本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种融合目标检测模型和图像分割模型的缺陷识别方法，其特征在于，包括：获取待检测设备的表面图像；将所述待检测设备的表面图像输入至目标检测模型，得到所述待检测设备的缺陷检测结果；将所述待检测设备的表面图像输入至图像分割模型，得到所述待检测设备的缺陷分割结果；根据所述缺陷检测结果和所述缺陷分割结果，获取所述待检测设备的缺陷识别结果；所述目标检测模型是根据样本设备的表面图像以及所述样本设备的缺陷检测标签进行训练得到的，所述图像分割模型是根据所述样本设备的表面图像以及所述样本设备的缺陷分割标签进行训练得到的。2.根据权利要求1所述的融合目标检测模型和图像分割模型的缺陷识别方法，其特征在于，所述目标检测模型的训练步骤包括：获取所述样本设备的表面图像；根据多种预设缺陷类型，对所述样本设备的表面图像标记对应的缺陷分割标签；根据所述缺陷分割标签，对所述样本设备的表面图像标记对应的缺陷检测标签；根据所述样本设备的表面图像和所述样本设备的缺陷检测标签，构建缺陷检测数据集；根据所述缺陷检测数据集，对原始目标检测模型的参数进行预训练，得到预训练参数；根据所述预训练参数，对改进目标检测模型的参数进行迭代训练，得到所述目标检测模型；其中，所述改进目标检测模型是，在原始目标检测模型的基础上，对所述原始目标检测模型的原始骨干网络进行改进得到的；所述原始骨干网络的改进包括将所述原始目标检测模型的原始骨干网络中的至少一个卷积网络层替换为可变形卷积网络层，并在所述原始骨干网络中增加由编码器和解码器组成的对称网络结构。3.根据权利要求2所述的融合目标检测模型和图像分割模型的缺陷识别方法，其特征在于，所述根据所述预训练参数，对改进目标检测模型的参数进行迭代训练，得到所述目标检测模型，包括：根据所述预训练参数，对所述改进目标检测模型的参数进行初始化；固定初始化后的改进目标检测模型中除改进的骨干网络之外的其他网络的参数，根据所述缺陷检测数据集，对所述改进的骨干网络的参数进行训练，直到满足第一预设终止条件，得到所述改进的骨干网络的训练参数；根据所述改进的骨干网络的训练参数，对所述初始化后的改进目标检测模型的参数进行训练，直到满足第二预设终止条件，得到所述目标检测模型。4.根据权利要求2所述的融合目标检测模型和图像分割模型的缺陷识别方法，其特征在于，所述获取所述样本设备的表面图像，包括：获取所述样本设备的原始表面图像；对所述原始表面图像进行预处理和图像扩充，得到所述样本设备的表面图像；其中，所述预处理包括归一化处理、直方图均衡化处理和降噪处理中的一种或多种组合；所述图像扩充包括叠加随机生成的背景图片、随机裁剪和随机翻转中的一种或多种组
合。5.根据权利要求1
...
【专利技术属性】
技术研发人员：袁烨，张永，兰儒恺，王茂霖，何志超，
申请(专利权)人：元始智能科技南通有限公司，
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。