【技术实现步骤摘要】
本专利技术涉及缺陷检测，具体涉及一种缺陷检测模型的训练方法及装置。
技术介绍
1、传统缺陷检测技术如自动光学检测的检测覆盖范围较小，检测目标大多数只能是明显缺陷，对于不明显的缺陷只能进行人工检测，但是检测标准容易因人而异；且自动光学检测的检测算法可移植能力差，针对不同产品需要重新调用算法进行测试；且自动光学检测的维护成本高，无法应对突发的新缺陷；为了改进上述问题，提出机器缺陷检测，机器缺陷检测有着明显的优势，它精确度高，速度快，可“看”清人眼无法看清的快速运动的目标，具有较高的稳定性，提升质量的可控性，同时可以进行信息的集成与留存，方便人员追溯。因此，机器视觉在多个领域都有着频繁的应用，帮助人工进行缺陷的检测识别并标记。
2、在此基础上提取基于深度学习模型的缺陷检测，但是弱小的缺陷样本不但难以提取缺陷的特征使深度学习模型的训练效果不佳，还会导致定位偏移。
技术实现思路
1、本专利技术提供一种缺陷检测模型的训练方法及装置，用以解决现有技术中通过弱小的缺陷样本训练得到的模型定位效果不佳的问题。
2、为了解决上述技术问题，第一方面，本专利技术提供一种缺陷检测模型的训练方法，应用于工业缺陷检测，该方法包括：
3、第一步骤：将一个样本图像输入预设的深度学习模型的特征提取模块，获得所述样本图像对应的特征图，其中，所述样本图像为具有缺陷图像的图像；
4、第二步骤：将所述特征图输入所述深度学习模型中的检测头网络，得到所述样本图像中的缺陷图像的预测结果
5、将所有样本图像依次输入所述深度学习模型，循环执行所述第一步骤和所述第二步骤，直至得到所有所述样本图像中的缺陷图像的预测结果；
6、在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型，其中，所述损失函数包括高斯定位损失和smoothl1函数。
7、可选地，在所述将至少一个所述样本图像依次输入所述深度学习模型，循环执行所述第一步骤和所述第二步骤，直至得到所有所述样本图像中的缺陷图像的预测结果之后，所述在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型之前，还包括：
8、通过第一预设公式，确定高斯定位损失；
9、所述第一预设公式为：
10、
11、其中，所述n(x|u，σ2)为所述高斯定位损失，所述x为所述缺陷图像在所述样本图像中的预测位置信息，u为所有所述缺陷图像的真实位置信息的均值，σ2为所有所述缺陷图像的真实位置信息的方差。
12、可选地，所述方法还包括：
13、通过第二预设公式，确定smoothl1函数；
14、所述smoothl1函数为：
15、
16、其中，所述smoothl1(d)为所述smoothl1函数的输出值，d为所述缺陷图像在所述样本图像中的预测位置信息与实际位置信息之间的差值。
17、可选地，所述方法还包括：
18、通过第三预设公式，确定所述损失函数；
19、所述第三预设公式为：
20、
21、其中，所述lbox为所述损失函数的输出值，所述n为所述缺陷图像所有的位置信息的数量，所述xi为所述缺陷图像在所述样本图像中的第i个预测位置信息，所述u为所有所述缺陷图像的第i个真实位置信息的均值，σ2为所有所述缺陷图像的第i个真实位置信息的方差，所述d为所述xi与所述缺陷图像在所述样本图像中第i个真实位置信息的差值。
22、可选地，所述在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型，包括：
23、更新所述深度学习模型的权重，直至所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数输出最小值；
24、确定使得所述损失函数输出最小值的目标权重；
25、将所述目标权重对应的所述深度学习模型确定为缺陷检测模型。
26、可选地，所述更新所述深度学习模型的权重，直至所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数输出最小值，包括：
27、通过反向传播算法，根据所述深度学习模型的损失函数的梯度更新所述深度学习模型的权重，直至所述损失函数输出最小值，其中，所述损失函数为所述缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数。
28、可选地，在所述将所述特征图输入所述深度学习模型中的检测头网络，得到所述样本图像中的缺陷图像的预测结果之前，还包括：
29、通过k-means算法更新检测头网络的锚框，其中，所述锚框用于输出所述样本图像中缺陷图像的预测结果。
30、第二方面，本专利技术提供一种缺陷检测模型的训练装置，应用于工业缺陷检测，该装置包括：第一输入模块，用于执行第一步骤：将一个样本图像输入预设的深度学习模型的特征提取模块，获得所述样本图像对应的特征图，其中，所述样本图像为具有缺陷图像的图像；
31、第二输入模块，用于执行第二步骤：将所述特征图输入所述深度学习模型中的检测头网络，得到所述样本图像中的缺陷图像的预测结果，其中，所述缺陷图像的预测结果包括所述缺陷图像在所述样本图像中的位置；
32、预测模块，用于将所有样本图像依次输入所述深度学习模型，循环执行所述第一步骤和所述第二步骤，直至得到所有所述样本图像中的缺陷图像的预测结果；
33、确定模块，用于在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型，其中，所述损失函数包括高斯定位损失和smoothl1函数。
34、与现有技术相比，本专利技术提供的一种缺陷检测模型的训练方法及装置，具有以下有益效果：
35、通过在所训练的深度学习模型的损失函数中加入高斯定位损失，可以通过使得控制损失函数输出较小的值(即输出的值低于预设阈值)，保证输出的高斯定位损失更小，进而可以减小定位偏移，以使得训练得到的模型定位效果增强，所以本申请提供的方案可以解决现有技术中通过弱小的缺陷样本训练得到的模型定位效果不佳的问题。
本文档来自技高网...【技术保护点】
1.一种缺陷检测模型的训练方法，应用于工业缺陷检测，其特征在于，包括：
2.根据权利要求1所述的缺陷检测模型的训练方法，其特征在于，在所述将所有样本图像依次输入所述深度学习模型，循环执行所述第一步骤和所述第二步骤，直至得到所有所述样本图像中的缺陷图像的预测结果之后，所述在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型之前，还包括：
3.根据权利要求2所述的缺陷检测模型的训练方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的缺陷检测模型的训练方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的缺陷检测模型的训练方法，其特征在于，所述在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型，包括：
6.根据权利要求5所述的缺陷检测模型的训练方法，其特征在于，所述更新所述深度学习模型的权重，直至所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数输出最小值，包括：p>
7.根据权利要求1所述的缺陷检测模型的训练方法，其特征在于，在所述将所述特征图输入所述深度学习模型中的检测头网络，得到所述样本图像中的缺陷图像的预测结果之前，还包括：
8.一种缺陷检测模型的训练模块，应用于工业缺陷检测，其特征在于，包括：
9.根据权利要求8所述的缺陷检测模型的训练装置，其特征在于，还包括：
10.根据权利要求8所述的缺陷检测模型的训练装置，其特征在于，还包括：
...【技术特征摘要】
1.一种缺陷检测模型的训练方法，应用于工业缺陷检测，其特征在于，包括：
2.根据权利要求1所述的缺陷检测模型的训练方法，其特征在于，在所述将所有样本图像依次输入所述深度学习模型，循环执行所述第一步骤和所述第二步骤，直至得到所有所述样本图像中的缺陷图像的预测结果之后，所述在所有缺陷图像的所述预测结果与所述缺陷图像的真实结果之间的损失函数低于预设阈值时，将所述深度学习模型确定为缺陷检测模型之前，还包括：
3.根据权利要求2所述的缺陷检测模型的训练方法，其特征在于，所述方法还包括：
4.根据权利要求3所述的缺陷检测模型的训练方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的缺陷检测模型的训练方法，其特征在于，所述在所有缺陷图像的所述预测结果与所述缺陷...
【专利技术属性】
技术研发人员：蔡传宝，陈高，王斌，
申请(专利权)人：广东方振新材料精密组件有限公司，
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。