一种针对摄像头的缺陷检测模型训练方法和装置制造方法及图纸

本申请实施例公开了一种针对摄像头的缺陷检测模型训练方法和装置；本申请实施例可以获取摄像头的样本图像、待训练缺陷检测模型和学生模型，样本图像携带弱监督标签信息；基于学生模型的教学训练方式对学生模型进行训练处理，得到教师模型；利用教师模型对样本图像进行缺陷检测处理，得到参考缺陷检测信息；利用待训练缺陷检测模型对样本图像进行缺陷检测处理，得到缺陷检测信息；将参考缺陷检测信息和缺陷检测信息进行损失计算处理，得到损失信息；基于损失信息对待训练缺陷检测模型进行调整处理，得到缺陷检测模型，可以在提高缺陷检测模型的训练效率的同时，保证缺陷检测模型的检测准确度。的检测准确度。的检测准确度。

【技术实现步骤摘要】
一种针对摄像头的缺陷检测模型训练方法和装置


[0001]本申请涉及计算机
，具体涉及一种针对摄像头的缺陷检测模型训练方法和装置。

技术介绍

[0002]随着第五代移动通信技术(5th Generation Mobile Communication Technology，5G)、自动驾驶等的发展，消费电子，汽车电子产业迎来了新的发展机遇。摄像头作为智能机器的视觉基础组件，扮演着人类眼睛的角色，在环境感知，自动化智能，提升用户体验方面发挥着举足轻重的作用。由于日益庞大的智能终端设备带来了对摄像头模组的大量需求，各大生产厂商为了降本提效，开始尝试视觉智能质检系统来代替部分人力来提升摄像头的良品率。常见的摄像头模组是由多个不同的分立元件组装而成，外部光源通过摄像头的镜头在感光元件上生成电信号，并通过电路以特定的传输协议传给图像处理中心，故摄像头的镜头是外部光线进入相机成像所经过的第一道门槛，因此摄像头的镜头本身的清洁程度将很大地影响成像质量。在现有技术中，是利用人工智能模型对摄像头进行缺陷检测，其中，会利用具有强监督信息的摄像头样本图像训练得到人工智能模型。而强监督信息需要大量的时间进行标注生成，这会降低对模型进行训练的效率。

技术实现思路

[0003]本申请实施例提出了一种针对摄像头的缺陷检测模型训练方法和装置，可以在提高缺陷检测模型的训练效率的同时，保证缺陷检测模型的检测准确度。
[0004]本申请实施例提供了一种针对摄像头的缺陷检测模型训练方法，包括：
[0005]获取摄像头的样本图像、待训练缺陷检测模型和至少一个学生模型，其中，所述样本图像携带弱监督标签信息，所述学生模型用于生成教师模型以对所述待训练缺陷检测模型进行辅助训练，其中，一个学生模型对应一个教学训练方式；
[0006]针对每个学生模型，基于学生模型的教学训练方式对所述学生模型进行训练处理，得到教师模型；
[0007]利用每个教师模型分别对所述携带弱监督标签信息的样本图像进行缺陷检测处理，得到每个教师模型对应的参考缺陷检测信息；
[0008]利用所述待训练缺陷检测模型对所述样本图像进行缺陷检测处理，得到所述待训练缺陷检测模型的缺陷检测信息；
[0009]分别将每个教师模型对应的参考缺陷检测信息和所述待训练缺陷检测模型的缺陷检测信息进行损失计算处理，得到至少一个损失信息；
[0010]基于所述至少一个损失信息对所述待训练缺陷检测模型进行调整处理，得到缺陷检测模型。
[0011]相应的，本申请实施例还提供了一种针对摄像头的缺陷检测模型训练装置，包括：
[0012]获取单元，用于获取摄像头的样本图像、待训练缺陷检测模型和至少一个学生模
型，其中，所述样本图像携带弱监督标签信息，所述学生模型用于生成教师模型以对所述待训练缺陷检测模型进行辅助训练，其中，一个学生模型对应一个教学训练方式；
[0013]训练单元，用于针对每个学生模型，基于学生模型的教学训练方式对所述学生模型进行训练处理，得到教师模型；
[0014]第一缺陷检测单元，用于利用每个教师模型分别对所述携带弱监督标签信息的样本图像进行缺陷检测处理，得到每个教师模型对应的参考缺陷检测信息；
[0015]第二缺陷检测单元，用于利用所述待训练缺陷检测模型对所述样本图像进行缺陷检测处理，得到所述待训练缺陷检测模型的缺陷检测信息；
[0016]损失计算单元，用于分别将每个教师模型对应的参考缺陷检测信息和所述待训练缺陷检测模型的缺陷检测信息进行损失计算处理，得到至少一个损失信息；
[0017]调整单元，用于基于所述至少一个损失信息对所述待训练缺陷检测模型进行调整处理，得到缺陷检测模型。
[0018]在一实施例中，所述训练单元，可以包括：
[0019]模型获取子单元，用于基于学生模型的教学训练方式，获取至少一个助教模型，所述助教模型用于对所述学生模型进行辅助训练；
[0020]第一缺陷检测子单元，用于利用所述助教模型对所述摄像头的样本图像进行缺陷检测，得到所述助教模型的缺陷检测信息；
[0021]第一训练子单元，用于通过所述助教模型的缺陷检测信息对所述学生模型进行训练，得到所述教师模型。
[0022]在一实施例中，所述第一训练子单元，可以包括：
[0023]第一参数调整子单元，用于基于所述助教模型的缺陷检测信息对所述助教模型进行参数调整处理，得到调整后助教模型；
[0024]第二参数调整子单元，用于利用所述调整后助教模型的模型参数对所述学生模型进行参数调整处理，得到所述教师模型。
[0025]在一实施例中，所述第二参数调整子单元，可以包括：
[0026]参数获取模块，用于获取所述调整后助教模型的调整系数和所述学生模型的模型参数；
[0027]比较模块，用于将所述调整系数和所述预设平滑因子进行比较处理；
[0028]第一算术运算模块，用于当所述调整系数小于所述预设平滑因子时，将所述调整系数、所述调整后助教模型的模型参数和所述学生模型的模型参数进行算术运算，得到学生模型的调整后模型参数；
[0029]第二算术运算模块，用于当所述调整系数大于或等于所述预设平滑因子时，将所述预设平滑因子、所述调整后助教模型的模型参数和所述学生模型的模型参数进行算术运算，得到学生模型的调整后模型参数；
[0030]替换模块，用于将所述学生模型的调整后模型参数替换所述学生模型的模型参数，得到所述教师模型。
[0031]在一实施例中，所述第一训练子单元，可以包括：
[0032]尺度变换模块，用于对所述助教模型的缺陷检测信息进行尺度变换，得到多个不同尺度的缺陷检测信息；
[0033]插值操作模块，用于对所述样本图像的弱监督标签信息进行插值操作，得到插值后标签信息；
[0034]第一训练模块，用于利用所述多个不同尺度的缺陷检测信息和所述插值后标签信息对所述学生模型进行训练，得到所述教师模型。
[0035]在一实施例中，所述训练单元，可以包括：
[0036]遍历子单元，用于对所述至少一个超像素块进行遍历处理；
[0037]相似度关联子单元，用于当遍历到当前超像素块包括弱监督标签信息时，对所述当前超像素块进行相似度关联处理，得到所述当前超像素块的关联像素块；
[0038]信息生成子单元，用于为所述当前超像素块和所述当前超像素块的关联像素块生成伪标签信息；
[0039]添加子单元，用于将所述伪标签信息分别伪标签信息添加至所述当前超像素块和所述当前超像素块的关联像素块，得到所述样本图像的伪标签信息。
[0040]在一实施例中，所述相似度关联子单元，可以包括：
[0041]像素平均运算模块，用于当遍历到当前超像素块包括弱监督标签信息时，对当前超像素块和待判别超像素块进行像素平均运算处理,得到所述当前超像素块的像素平均信息和所述待判别超像素块的像素平均信息；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对摄像头的缺陷检测模型训练方法，其特征在于，包括：获取摄像头的样本图像、待训练缺陷检测模型和至少一个学生模型，其中，所述样本图像携带弱监督标签信息，所述学生模型用于生成教师模型以对所述待训练缺陷检测模型进行辅助训练，其中，一个学生模型对应一个教学训练方式；针对每个学生模型，基于学生模型的教学训练方式对所述学生模型进行训练处理，得到教师模型；利用每个教师模型分别对所述携带弱监督标签信息的样本图像进行缺陷检测处理，得到每个教师模型对应的参考缺陷检测信息；利用所述待训练缺陷检测模型对所述样本图像进行缺陷检测处理，得到所述待训练缺陷检测模型的缺陷检测信息；分别将每个教师模型对应的参考缺陷检测信息和所述待训练缺陷检测模型的缺陷检测信息进行损失计算处理，得到至少一个损失信息；基于所述至少一个损失信息对所述待训练缺陷检测模型进行调整处理，得到缺陷检测模型。2.根据权利要求1所述的方法，其特征在于，所述针对每个学生模型，基于学生模型的教学训练方式对所述学生模型进行训练处理，得到教师模型，包括：基于学生模型的教学训练方式，获取至少一个助教模型，所述助教模型用于对所述学生模型进行辅助训练；利用所述助教模型对所述摄像头的样本图像进行缺陷检测，得到所述助教模型的缺陷检测信息；通过所述助教模型的缺陷检测信息对所述学生模型进行训练，得到所述教师模型。3.根据权利要求2所述的方法，其特征在于，所述通过所述助教模型的缺陷检测信息对所述学生模型进行训练，得到所述教师模型，包括：基于所述助教模型的缺陷检测信息对所述助教模型进行参数调整处理，得到调整后助教模型；利用所述调整后助教模型的模型参数对所述学生模型进行参数调整处理，得到所述教师模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述调整后助教模型的模型参数对所述学生模型进行参数调整处理，得到所述教师模型，包括：获取所述调整后助教模型的调整系数和所述学生模型的模型参数；将所述调整系数和所述预设平滑因子进行比较处理；当所述调整系数小于所述预设平滑因子时，将所述调整系数、所述调整后助教模型的模型参数和所述学生模型的模型参数进行算术运算，得到学生模型的调整后模型参数；当所述调整系数大于或等于所述预设平滑因子时，将所述预设平滑因子、所述调整后助教模型的模型参数和所述学生模型的模型参数进行算术运算，得到学生模型的调整后模型参数；将所述学生模型的调整后模型参数替换所述学生模型的模型参数，得到所述教师模型。5.根据权利要求2所述的方法，其特征在于，所述通过所述助教模型的缺陷检测信息对
所述学生模型进行训练，得到所述教师模型，包括：对所述助教模型的缺陷检测信息进行尺度变换，得到多个不同尺度的缺陷检测信息；对所述样本图像的弱监督标签信息进行插值操作，得到插值后标签信息；利用所述多个不同尺度的缺陷检测信息和所述插值后标签信息对所述学生模型进行训练，得到所述教师模型。6.根据权利要求1所述的方法，其特征在于，所述针对每个学生模型，基于学生模型的教学训练方式对所述学生模型进行训练处理，得到教师模型，包括：基于学生模型的教学训练方式对所述样本图像进行超像素分割处理，得到所述样本图像的至少一个超像素块；基于所述至少一个超像素块，对所述样本图像进行伪标签信息生成处理，得到所述样本图像的伪标签信息；利用所述样本图像的伪标签信息对所述学生模型进行训练处理，得到教师模型。7.根据权利要求6所述的方法，其特征在于，所述基于所述至少一个超像素块，对所述样本图像进行伪标签信息生成处理，得到所述样本图像的伪标签信息，包括：对所述至少一个超像素块进行遍历处理；当遍历到当前超像素块包括弱监督标签信息时，对所述当前超像素块进行相似度关联处理，得到所述当前超像素块的关联像素块；为所述当前超像素块和所述当前超像素块的关联像素块生成伪标签信息；将所述伪标签信息分别添加至所述当前超像素块和所述当前超像素块的关联像素块，得到所述样本图像的伪标签信息。8.根据权利要求7所述的方法，其特征在于，所述当遍历到当前超像素块包括弱监督标签信息时，对所述当前超像素块进行相似度关联处理...

【专利技术属性】
技术研发人员：王昌安，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：