【技术实现步骤摘要】
本专利技术涉及工业智能质检，具体而言，涉及一种小样本缺陷识别方法、系统、设备及存储介质。
技术介绍
1、在硬件制造过程中会产生很多缺陷，传统的缺陷检测是依赖人工进行检测，不仅容易受人员经验差异和精神状态影响，导致误判率较高，而且人工成本相对较高。因此目前的解决方案是引入人工智的目标检测模型对缺陷进行自动识别，从而减少人员的耗费。
2、由于硬件生产的良率较高，缺陷的产品数量偏少，因此目前通常针对此类小样本的缺陷检测是采用主流的一种目标检测模型(yolov5，you only look once version 5)，但是对于极少样本时，该模型仍会存在缺陷漏检的问题。
技术实现思路
1、本专利技术提供一种小样本缺陷识别方法、系统、设备及存储介质，从数据和模型进行综合改进，采用扩充训练样本和加入注意力机制的方式，能够更加有效的定位并检测小样本的特征，从而更精准的识别小样本缺陷。
2、在第一方面，本专利技术实施例中提供一种小样本缺陷识别方法，所述方法流程如下：
3、获取原始图像，对原始图像进行图像增强和特征增强，以得到训练集；
4、构建目标检测模型，基于训练集对目标检测模型进行模型训练，其中，所述目标检测模型包括输入模块、backbone模块、neck模块以及prediction模块，所述backbone模块包括若干采用双向注意力机制的ema子模块；
5、基于训练后的目标检测模型对小样本缺陷进行缺陷检测，以得到缺陷检测结果。>
6、于上述实施例中，本专利技术从数据和模型进行综合改进，在数据方面，通过图像增强和特征增强扩充训练样本；在模型方面，通过改进目标检测模型的模型结构，从而可以有针对性的获取不同特征的位置和空间通道信息，抑制背景的干扰，从而更精准的识别特征，能够更加有效的定位并检测小样本的特征，从而更精准的识别小样本的缺陷。
7、作为本申请一些可选实施方式，对原始图像进行图像增强和特征增强，以得到数据集的流程如下：
8、对原始图像分别进行翻转、平移、旋转、滤波以及色彩变换处理，以得到训练样本；
9、对原始图像进行缺陷标注处理，并且对缺陷标注后的原始图像依次进行特征裁剪、尺寸缩放、水平翻转、垂直翻转以及图像融合处理，以形成训练样本，并且基于所有训练样本构建训练集。
10、于上述实施例中，本专利技术对原始图像进行图像增强和特征增强，能够扩充训练集的样本数量。
11、作为本申请一些可选实施方式，构建目标检测模型，基于训练集对目标检测模型进行模型训练的流程如下：
12、通过输入模块输入训练集中的训练样本；
13、通过backbone模块对训练集中的训练样本进行不同图像细粒度的聚合并形成图像特征以及获取图像特征的位置信息、空间通道信息；
14、通过neck模块对图像特征进行组合，以形成图像特征集合；
15、通过prediction模块对图像特征集合进行预测，并且基于图像特征的位置信息、空间通道信息以形成边界框和缺陷分类结果。
16、于上述实施例中，本专利技术对目标检测模型的backbone模块进行改进，使得backbone模块能够针对小样本的缺陷，在网络结构层面，有效的提取特征的显著信息，增加对其的关注度，从而使模型可以有效获取该特征的位置信息和空间通道信息。
17、作为本申请一些可选实施方式，所述backbone模块包括若干线性设置的c3子模块以及添加于c3子模块后的若干ema子模块。
18、于上述实施例中，本专利技术在c3子模块后添加ema子模块，由于较为浅层的模型层可以保留较为丰富的纹理信息，较深的模型层会得到更多的语义信息；因此将ema子模块加入到较为浅层的backbone模型之后，从而帮助获取更多特征信息，定位特征的位置以及结构信息。
19、作为本申请一些可选实施方式，所述backbone模块包括四个c3子模块和四个ema子模块，每个ema子模块添加于每个c3子模块后。
20、于上述实施例中，本专利技术在每个c3子模块后均设置一个ema子模块，使得ema子模块能够对c3子模块输出的特征多次进行特征的显著信息提取，进而使得模型能够更加有效的定位并检测小样本的特征，从而更精准的识别小样本的缺陷。
21、作为本申请一些可选实施方式，所述ema子模块用于获取图像特征的位置信息、空间通道信息；所述ema子模块包括水平特征通道、垂直特征通道、混合特征通道以及跨空间学习通道；其中，所述水平特征通道、垂直特征通道以及混合特征通道并行设置。
22、于上述实施例中，本专利技术采用并行计算的机制避免了加深模型的深度，从而可以提升模型的识别和检测效率。
23、作为本申请一些可选实施方式，所述ema子模块获取图像特征的位置信息、空间通道信息的流程如下：
24、通过水平特征通道、垂直特征通道、混合特征通道获取图像特征的宽度信息、高度信息以及维度信息；
25、通过跨空间学习通道对图像特征的宽度信息、高度信息以及维度信息进行跨空间学习，以得到图像特征的位置信息、空间通道信息。
26、于上述实施例中，本专利技术对ema模型的结构进行设置，使得ema模型能够从不同维度对图像特征的信息进行提取，从而可以有针对性的获取不同特征的位置和空间通道信息，抑制背景的干扰。
27、在第二方面，本专利技术提供一种小样本缺陷识别系统，所述系统包括：
28、数据获取单元，所述数据获取单元用于获取原始图像，对原始图像进行图像增强和特征增强，以得到训练集；
29、模型训练单元，所述模型训练单元用于构建目标检测模型，基于训练集对目标检测模型进行模型训练，其中，所述目标检测模型包括输入模块、backbone模块、neck模块以及prediction模块，所述backbone模块包括若干采用双向注意力机制的ema子模块；
30、缺陷检测单元，所述缺陷检测单元基于训练后的目标检测模型对小样本缺陷进行缺陷检测，以得到缺陷检测结果。
31、在第三方面，本专利技术提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中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一种小样本缺陷识别方法。
32、在第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现所述一种小样本缺陷识别方法。
33、本专利技术的有益效果如下：本专利技术从数据和模型进行综合改进，在数据方面，通过图像增强和特征增强扩充训练样本；在模型方面，通过改进目标检测模型的模型结构，从而可以有针对性的获取不同特征的位置和空间通道信息，抑制背景的干扰，从而更精准的识别特征，能够更加有效的定位并检测小样本的特征，从而更精准的识别小样本的缺陷。
本文档来自技高网...【技术保护点】
1.一种小样本缺陷识别方法，其特征在于，所述方法流程如下：
2.根据权利要求1所述的一种小样本缺陷识别方法，其特征在于，对原始图像进行图像增强和特征增强，以得到训练集的流程如下：
3.根据权利要求2所述的一种小样本缺陷识别方法，其特征在于，构建目标检测模型，基于训练集对目标检测模型进行模型训练的流程如下：
4.根据权利要求1或3所述的一种小样本缺陷识别方法，其特征在于，所述Backbone模块包括若干线性设置的C3子模块以及添加于C3子模块后的若干EMA子模块。
5.根据权利要求4所述的一种小样本缺陷识别方法，其特征在于，所述Backbone模块包括四个C3子模块和四个EMA子模块，每个EMA子模块添加于每个C3子模块后。
6.根据权利要求1所述的一种小样本缺陷识别方法，其特征在于，所述EMA子模块用于获取图像特征的位置信息、空间通道信息；所述EMA子模块包括水平特征通道、垂直特征通道、混合特征通道以及跨空间学习通道；其中，所述水平特征通道、垂直特征通道以及混合特征通道并行设置。
7.根据权利要求6所述的一种
8.一种小样本缺陷识别系统，其特征在于，所述系统包括：
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述一种小样本缺陷识别方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述一种小样本缺陷识别方法。
...【技术特征摘要】
1.一种小样本缺陷识别方法，其特征在于，所述方法流程如下：
2.根据权利要求1所述的一种小样本缺陷识别方法，其特征在于，对原始图像进行图像增强和特征增强，以得到训练集的流程如下：
3.根据权利要求2所述的一种小样本缺陷识别方法，其特征在于，构建目标检测模型，基于训练集对目标检测模型进行模型训练的流程如下：
4.根据权利要求1或3所述的一种小样本缺陷识别方法，其特征在于，所述backbone模块包括若干线性设置的c3子模块以及添加于c3子模块后的若干ema子模块。
5.根据权利要求4所述的一种小样本缺陷识别方法，其特征在于，所述backbone模块包括四个c3子模块和四个ema子模块，每个ema子模块添加于每个c3子模块后。
6.根据权利要求1所述的一种小样本缺陷识别方法，其特征在于，所述ema子模块用于获...
【专利技术属性】
技术研发人员：请求不公布姓名，请求不公布姓名，请求不公布姓名，
申请(专利权)人：成都数之联科技股份有限公司，
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。