System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及深度学习,特别涉及一种数据缺陷的检测方法、装置、电子设备及存储介质。
技术介绍
1、随着深度学习在机器视觉领域展现出的强大能力,以深度学习为基础的视觉检测算法逐步进入工业场景,由于深度学习的特征表示能力以及识别检测能力需要依赖于大量的数据支撑,但是在工业场景下所能收集到的数据比较稀缺,从而造成深度学习在工业缺陷检测领域发展的瓶颈,因此,需要对工业缺陷检测进行相关改进。
2、相关技术中,往往采用有监督训练对产品样本进行缺陷检测。
3、然而,有监督训练需要大量经过精细标注的数据,再使用卷积神经网络进行反向梯度传播来学习,但是工业场景下所能收集到的数据比较稀缺,针对数据短缺的解决方案存在一定条件下的制约,从而使有监督训练无法正常进行,亟需改善。
技术实现思路
1、本申请提供一种数据缺陷的检测方法、装置、电子设备及存储介质,以解决在监督训练检测产品样本缺陷过程中,由于数据训练的限制和样本数据稀缺,导致训练过程的时间成本增加,且因无法通过足够多的样本数据支撑模型训练,而造成模型训练的效果差等问题。
2、本申请第一方面实施例提供一种数据缺陷的检测方法,包括以下步骤:获取待检测数据的缺陷标注样本;利用预设的微调算法微调目标扩散模型,得到所述待检测数据的无标注仿真数据;以及基于所述待检测数据的缺陷标注样本和无标注仿真数据训练半监督学习模型,并根据训练后的半监督学习模型检测所述无标注仿真数据,生成所述数据缺陷的检测结果。
3、优选地,获取所述
4、优选地,利用所述预设的微调算法微调目标扩散模型,得到所述待检测数据的无标注仿真数据,包括:获取所述待检测数据的缺陷标注样本的提示名称;根据所示提示名称得到所述扩散模型的待检测数据的无标注仿真数据。
5、优选地,基于所述待检测数据的缺陷标注样本和无标注仿真数据训练半监督学习模型,包括:基于预设深度分类网络预测所述无标注仿真数据,生成所述无标注仿真数据的伪标签;基于所述无标注仿真数据的伪标签和所述缺陷标注样本训练所述半监督学习模型。
6、优选地,根据所述训练后的半监督学习模型检测所述无标注仿真数据,生成所述数据缺陷的检测结果,包括:利用所述训练后的半监督学习模型检测所述无标注仿真数据,得到所述无标注仿真数据的缺陷等级;根据所述缺陷等级剔除不满足预设缺陷条件的无标注仿真数据,并利用剔除后的无标注仿真数据对迭代所述半监督学习模型,生成所述数据缺陷的检测结果。
7、本申请第二方面实施例提供一种数据缺陷的检测装置,包括:获取模块,用于获取待检测数据的缺陷标注样本;微调模块,用于利用预设的微调算法微调目标扩散模型,得到所述待检测数据的无标注仿真数据;以及检测模块,用于基于所述待检测数据的缺陷标注样本和无标注仿真数据训练半监督学习模型,并根据训练后的半监督学习模型检测所述无标注仿真数据,生成所述数据缺陷的检测结果。
8、优选地,所述获取模块,具体用于:基于目标范围的检测数据获取待检测数据的缺陷样本;利用预设光源设备对所述待检测数据的缺陷样本进行成像操作,并对成像后的所述待检测数据的缺陷样本进行标注,得到所述待检测数据的缺陷标注样本。
9、优选地,所述微调模块,具体用于:获取所述待检测数据的缺陷标注样本的提示名称;根据所示提示名称得到所述扩散模型的待检测数据的无标注仿真数据。
10、优选地,所述检测模块,具体用于:基于预设深度分类网络预测所述无标注仿真数据,生成所述无标注仿真数据的伪标签;基于所述无标注仿真数据的伪标签和所述缺陷标注样本训练所述半监督学习模型。
11、优选地,所述检测模块,具体用于:利用所述训练后的半监督学习模型检测所述无标注仿真数据,得到所述无标注仿真数据的缺陷等级;根据所述缺陷等级剔除不满足预设缺陷条件的无标注仿真数据,并利用剔除后的无标注仿真数据对迭代所述半监督学习模型,生成所述数据缺陷的检测结果。
12、本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如上述实施例所述的数据缺陷的检测方法。
13、本申请第四方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的数据缺陷的检测方法。
14、由此,本申请至少具有如下有益效果:
15、(1)通过扩散生成缺陷数据的分布以及通过大语言模型的低阶适应技术微调扩散模型,得到大量的无标注仿真数据,由此解决了工业缺陷检测中数据难以获得的问题。
16、(2)通过训练半监督学习模型检测无标注仿真数据,从而可以快速找到并剔除无标注仿真数据中得分较低的数据,以降低标注成本。
17、(3)基于扩散模型和半监督学习组成的框架结构,对无标注仿真数据中剩余的数据进行快速迭代,从而降低标注时间。
18、本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
本文档来自技高网...【技术保护点】
1.一种数据缺陷的检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,获取所述待检测数据的缺陷标注样本,包括:
3.根据权利要求1所述的方法,其特征在于,利用所述预设的微调算法微调目标扩散模型,得到所述待检测数据的无标注仿真数据,包括:
4.根据权利要求1所述的方法,其特征在于,基于所述待检测数据的缺陷标注样本和无标注仿真数据训练半监督学习模型,包括:
5.根据权利要求1所述的方法,其特征在于,根据所述训练后的半监督学习模型检测所述无标注仿真数据,生成所述数据缺陷的检测结果,包括:
6.一种数据缺陷的检测装置,其特征在于,包括:
7.根据权利要求6所述的装置,其特征在于,所述获取模块,具体用于:
8.根据权利要求6所述的装置,其特征在于,所述微调模块,具体用于:
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如权利要求1-5任一项所述的数据缺陷的检测方法。
...
【技术特征摘要】
1.一种数据缺陷的检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,获取所述待检测数据的缺陷标注样本,包括:
3.根据权利要求1所述的方法,其特征在于,利用所述预设的微调算法微调目标扩散模型,得到所述待检测数据的无标注仿真数据,包括:
4.根据权利要求1所述的方法,其特征在于,基于所述待检测数据的缺陷标注样本和无标注仿真数据训练半监督学习模型,包括:
5.根据权利要求1所述的方法,其特征在于,根据所述训练后的半监督学习模型检测所述无标注仿真数据,生成所述数据缺陷的检测结果,包括:
【专利技术属性】
技术研发人员:吴剑隆,陈凯迪,郭承儒,吴昊,
申请(专利权)人:上海樵弋机器人科技有限公司,
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。