对象质量检测方法、质量检测模型的构建方法、和装置制造方法及图纸

本申请涉及一种对象质量检测方法、质量检测模型的构建方法、装置、设备、存储介质和程序产品。所述方法涉及人工智能，包括：根据训练好的质量检测模型，对与对象质量检测请求对应的待检测产品图像进行质量检测处理，获得与待检测产品图像对应的缺陷置信度数据。根据各第一检测模型以及第二检测模型，对各增强产品图像样本进行预测处理，获得第一预测结果以及第二预测结果，根据第一预测结果的监督数据和第二预测结果确定监督损失，根据第二检测模型的监督损失以及强化损失确定奖励参数，根据奖励参数从各第一检测模型中确定目标检测模型，根据目标检测模型对第二检测模型进行蒸馏训练得到质量检测模型，采用本方法提升了对产品的质量检测准确度。量检测准确度。量检测准确度。

【技术实现步骤摘要】
对象质量检测方法、质量检测模型的构建方法、和装置


[0001]本申请涉及人工智能
，特别是涉及一种对象质量检测方法、质量检测模型的构建方法、装置、计算机设备、存储介质和计算机程序产品。

技术介绍

[0002]随着人工智能技术的发展，以及对生产制造过程中的不同产品的质量要求日益提升，出现了工业缺陷质检技术。其中，工业缺陷质检主要是通过拍摄工业产品的表面得到产品表面图片，并通过对产品表面图片进行特征提取、缺陷识别以及质量检测等处理，以获得相应的检测识别结果，确定产品是否存在缺陷，避免缺陷产品流入市场。
[0003]传统上，通常采用训练卷积神经网络模型的方式，以根据卷积神经网络模型对产品表面图片进行特征提取，并对提取到的特征进行二分类，分为有缺陷和缺陷两个类别，从而实现对产品进行有无质量问题的分类。
[0004]然而，实际应用过程中，由于产品的多样化，对不同产品采集到的缺陷图像并不属于简单的二分类，比如包括较多缺陷图像的程度较低，无法直接划分为有缺陷图像，或者某些图像缺陷程度十分轻微，本质上可以划分为无缺陷图像的情况等，即实际应用过程中的产品图像，无法通过简单的二值标签进行全面表述。同时，简单的二值标签需要人工预先标注，不同人进行标注时，根据缺陷图像的不同缺陷程度，其标注结果也会不同，会导致预先进行的人工标注的标签带有噪声和误差数据。而若利用带噪和误差的数据进行模型的训练，通常所获得的模型也携带噪声，会导致模型的识别、分类等性能下降，进而所利用模型获得的质量检测结果准确度也较低。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提供一种能够提升对产品的质量检测准确度的质量检测模型的构建方法、对象质量检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0006]第一方面，本申请提供了一种对象质量检测方法。所述方法包括：
[0007]接收对象质量检测请求，并获取与所述对象质量检测请求对应的待检测产品图像；
[0008]根据训练好的质量检测模型，对所述待检测产品图像进行质量检测处理，获得与所述待检测产品图像对应的缺陷置信度数据；
[0009]其中，所述训练好的质量检测模型，是根据目标检测模型对第二检测模型进行知识蒸馏训练得到的；所述目标检测模型是根据奖励参数从各第一检测模型中确定得到的，所述奖励参数是根据对所述第二检测模型训练过程中的监督损失、以及根据增强产品图像样本对各所述第一检测模型进行强化训练过程的强化损失，确定得到的；所述监督损失是根据与第一预测结果对应的监督数据、以及第二预测结果确定得到的，所述第一预测结果是根据多个训练好的第一检测模型，对各所述增强产品图像样本进行预测处理得到的，所
述第二预测结果是根据第二检测模型，对各所述增强产品图像样本进行预测处理得到的。
[0010]第二方面，本申请提供了一种质量检测模型的构建方法。所述方法包括：
[0011]获取增强产品图像样本，并根据多个训练好的第一检测模型、以及第二检测模型，对各所述增强产品图像样本进行预测处理，获得与各所述第一检测模型对应的第一预测结果、以及与所述第二检测模型对应的第二预测结果；
[0012]确定与各所述第一预测结果对应的监督数据，并根据所述监督数据和所述第二预测结果，确定在对所述第二检测模型训练过程中的监督损失；
[0013]根据各所述增强产品图像样本，对各所述第一检测模型进行强化训练，并确定强化训练过程的强化损失；
[0014]基于所述监督损失和所述强化损失，确定奖励参数；
[0015]根据所述奖励参数，从各所述第一检测模型中确定出目标检测模型，并根据所述目标检测模型对所述第二检测模型进行知识蒸馏训练，获得训练好的质量检测模型。
[0016]第三方面，本申请还提供了一种对象质量检测装置。所述装置包括：
[0017]待检测产品图像获得模块，用于接收对象质量检测请求，并获取与所述对象质量检测请求对应的待检测产品图像；
[0018]缺陷置信度数据获得模块，用于根据训练好的质量检测模型，对所述待检测产品图像进行质量检测处理，获得与所述待检测产品图像对应的缺陷置信度数据；
[0019]其中，所述训练好的质量检测模型，是根据目标检测模型对第二检测模型进行知识蒸馏训练得到的；所述目标检测模型是根据奖励参数从各第一检测模型中确定得到的，所述奖励参数是根据对所述第二检测模型训练过程中的监督损失、以及根据增强产品图像样本对各所述第一检测模型进行强化训练过程的强化损失，确定得到的；所述监督损失是根据与第一预测结果对应的监督数据、以及第二预测结果确定得到的，所述第一预测结果是根据多个训练好的第一检测模型，对各所述增强产品图像样本进行预测处理得到的，所述第二预测结果是根据第二检测模型，对各所述增强产品图像样本进行预测处理得到的。
[0020]第四方面，本申请还提供了一种质量检测模型的构建装置。所述装置包括：
[0021]预测结果获得模块，用于获取增强产品图像样本，并根据多个训练好的第一检测模型、以及第二检测模型，对各所述增强产品图像样本进行预测处理，获得与各所述第一检测模型对应的第一预测结果、以及与所述第二检测模型对应的第二预测结果；
[0022]监督损失确定模块，用于确定与各所述第一预测结果对应的监督数据，并根据所述监督数据和所述第二预测结果，确定在对所述第二检测模型训练过程中的监督损失；
[0023]强化损失确定模块，用于根据各所述增强产品图像样本，对各所述第一检测模型进行强化训练，并确定强化训练过程的强化损失；
[0024]奖励参数确定模块，用于基于所述监督损失和所述强化损失，确定奖励参数；
[0025]质量检测模型获得模块，用于根据所述奖励参数，从各所述第一检测模型中确定出目标检测模型，并根据所述目标检测模型对所述第二检测模型进行知识蒸馏训练，获得训练好的质量检测模型。
[0026]第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0027]接收对象质量检测请求，并获取与所述对象质量检测请求对应的待检测产品图
像；
[0028]根据训练好的质量检测模型，对所述待检测产品图像进行质量检测处理，获得与所述待检测产品图像对应的缺陷置信度数据；
[0029]其中，所述训练好的质量检测模型，是根据目标检测模型对第二检测模型进行知识蒸馏训练得到的；所述目标检测模型是根据奖励参数从各第一检测模型中确定得到的，所述奖励参数是根据对所述第二检测模型训练过程中的监督损失、以及根据增强产品图像样本对各所述第一检测模型进行强化训练过程的强化损失，确定得到的；所述监督损失是根据与第一预测结果对应的监督数据、以及第二预测结果确定得到的，所述第一预测结果是根据多个训练好的第一检测模型，对各所述增强产品图像样本进行预测处理得到的，所述第二预测结果是根据第二检测模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对象质量检测方法，其特征在于，所述方法包括：接收对象质量检测请求，并获取与所述对象质量检测请求对应的待检测产品图像；根据训练好的质量检测模型，对所述待检测产品图像进行质量检测处理，获得与所述待检测产品图像对应的缺陷置信度数据；其中，所述训练好的质量检测模型，是根据目标检测模型对第二检测模型进行知识蒸馏训练得到的；所述目标检测模型是根据奖励参数从各第一检测模型中确定得到的，所述奖励参数是根据对所述第二检测模型训练过程中的监督损失、以及根据增强产品图像样本对各所述第一检测模型进行强化训练过程的强化损失，确定得到的；所述监督损失是根据与第一预测结果对应的监督数据、以及第二预测结果确定得到的，所述第一预测结果是根据多个训练好的第一检测模型，对各所述增强产品图像样本进行预测处理得到的，所述第二预测结果是根据第二检测模型，对各所述增强产品图像样本进行预测处理得到的。2.根据权利要求1所述的方法，其特征在于，获得训练好的质量检测模型的方式，包括：获取增强产品图像样本，并根据多个训练好的第一检测模型、以及第二检测模型，对各所述增强产品图像样本进行预测处理，获得与各所述第一检测模型对应的第一预测结果、以及与所述第二检测模型对应的第二预测结果；确定与各所述第一预测结果对应的监督数据，并根据所述监督数据和所述第二预测结果，确定在对所述第二检测模型训练过程中的监督损失；根据各所述增强产品图像样本，对各所述第一检测模型进行强化训练，并确定强化训练过程的强化损失；基于所述监督损失和所述强化损失，确定奖励参数；根据所述奖励参数，从各所述第一检测模型中确定出目标检测模型，并根据所述目标检测模型对所述第二检测模型进行知识蒸馏训练，获得训练好的质量检测模型。3.根据权利要求2所述的方法，其特征在于，所述根据各所述增强产品图像样本，对各所述第一检测模型进行强化训练，并确定强化训练过程的强化损失，包括：根据各所述增强产品图像样本，对各所述第一检测模型进行强化训练，获得强化训练后的各所述第一检测模型对应的模型权重数据；从各所述模型权重数据中，确定出满足强化训练筛选条件的目标模型权重数据；确定与所述目标权重数据匹配的强化检测模型，并根据所述强化检测模型，对各所述增强产品图像样本进行预测处理，获得与各所述强化检测模型对应的强化预测结果；根据所述强化检测结果和所述第二预测结果，确定强化损失。4.根据权利要求3所述的方法，其特征在于，所述基于所述监督损失和所述强化损失，确定奖励参数，包括：基于所述第二预测结果和所述增强产品图像样本携带的标注标签，确定对所述第二检测模型的训练过程中的标签损失；根据所述强化预测结果和所述监督数据，确定差异损失；根据所述标签损失、监督损失、与所述监督损失对应的第一权重、强化损失、与所述强化损失对应的第二权重、差异损失、以及与所述差异损失对应的第三权重，确定融合损失；基于所述融合损失，确定强化训练过程中的奖励参数。5.根据权利要求2至4任意一项所述的方法，其特征在于，确定与各所述第一预测结果
对应的监督数据，包括：对与各所述第一检测模型关联的加权参数，进行初始化处理和归一化处理，获得处理后的各加权系数；基于各所述加权系数，依次对各所述第一预测结果进行加权处理，获得对所述第二检测模型训练过程中的监督数据。6.根据权利要求2至4任意一项所述的方法，其特征在于，所述根据所述奖励参数，从各所述第一检测模型中确定出目标检测模型，并根据所述目标检测模型对所述第二检测模型进行知识蒸馏训练，获得训练好的质量检测模型，包括：从各所述奖励参数中确定出最大奖励参数，并从各所述第一检测模型中确定与所述最大奖励参数对应的目标检测模型；根据各所述增强产品...

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