【技术实现步骤摘要】
本申请属于工业检测，尤其涉及一种基于双分支网络的产品检测方法、装置、存储介质及电子设备。
技术介绍
1、近年来，深度学习领域持续发展，深度学习模型在工业检测领域也开始应用。
2、目前，工业检测领域中使用的深度学习模型主要是分类模型，用于对零件产品进行分类，比如各种产品缺陷分类，但是，由于缺陷类别形态多样，很难收集所有的缺陷类别图像进行分类模型的训练，导致在利用分类模型进行工业检测时，对于未知缺陷类别的检测图像，会识别为已知缺陷类别，导致发生误检和漏检现象，模型识别精准度较低。
技术实现思路
1、本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种基于双分支网络的产品检测方法、装置、存储介质及电子设备，能有效识别未知类别目标和已知类别目标，提高模型识别精准度。
2、第一方面，本申请提供了一种基于双分支网络的产品检测方法，包括：
3、获取待检测产品的产品图像、以及已训练的双分支网络，所述双分支网络包括第一分支网络和第二分支网络，所述第一分支网络包括教师网络，所述第二分支网络包括学生网络和边界点分类器，所述边界点分类器包括多个已知类别中每个已知类别对应的至少一个参数化的边界点，所述教师网络和所述学生网络用于提取图像特征；
4、将所述产品图像输入所述双分支网络中进行处理，以得到所述第一分支网络针对未知类别输出的第一预测概率、以及所述第二分支网络针对所述已知类别输出的第二预测概率；
5、根据所述第一预测概率和所述第二
6、在一些实施例中，所述第一分支网络还包括预测模块，所述将所述产品图像输入所述双分支网络中进行处理，包括：
7、分别通过所述教师网络和所述学生网络提取所述产品图像的图像特征，得到所述教师网络对应的第一图像特征以及所述学生网络对应的第二图像特征；
8、通过所述预测模块，根据所述第一图像特征和所述第二图像特征，输出针对未知类别的第一预测概率；
9、通过所述边界点分类器，根据所述第二图像特征和所述边界点，输出针对多个已知类别的第二预测概率。
10、在一些实施例中，所述通过所述预测模块，根据所述第一图像特征和所述第二图像特征，输出针对未知类别的第一预测概率，包括：
11、通过所述预测模块，计算所述第一图像特征和所述第二图像特征之间的第一距离；
12、根据所述第一距离确定所述待检测产品属于所述未知类别的第一预测概率。
13、在一些实施例中，所述通过所述边界点分类器，根据所述第二图像特征和所述边界点，输出针对所述已知类别的第二预测概率，包括：
14、通过所述边界点分类器，计算所述第二图像特征与各个所述已知类别对应的所述边界点之间的第二距离；
15、根据所述第二距离确定所述待检测产品属于相应已知类别的第二预测概率。
16、在一些实施例中，所述根据所述第一预测概率和所述第二预测概率，从所述未知类别和所述已知类别中确定所述待检测产品对应的目标类别，包括：
17、当所述第一预测概率大于或等于预设阈值时，将所述未知类别作为所述待检测产品对应的目标类别；
18、当所述第一预测概率小于所述预设阈值时，将数值最大的所述第二预测概率对应的所述边界点的所述已知类别，作为所述待检测产品对应的目标类别。
19、在一些实施例中，还包括：
20、构建所述双分支网络和典型样本分类器，并利用所述边界点分类器，构建每个所述已知类别对应的至少一个初始化的所述边界点；
21、获取训练样本图像集、以及所述训练样本图像集中每张训练样本图像对应的所述已知类别；
22、根据所述训练样本图像集、所述已知类别和所述典型样本分类器对所述双分支网络进行训练，且在训练过程中，冻结所述教师网络的模型参数。
23、在一些实施例中，所述根据所述训练样本图像集、所述已知类别和所述典型样本分类器对所述双分支网络进行训练，包括：
24、分别通过所述教师网络和所述学生网络提取所述训练样本图像的图像特征，得到所述教师网络对应的第一样本图像特征以及所述学生网络对应的第二样本图像特征；
25、根据所述第一样本图像特征和所述第二样本图像特征，确定所述第一分支网络对应的第一损失值；
26、根据所述第二样本图像特征、所述边界点和所述已知类别，确定所述边界点分类器对应的第二损失值；
27、根据所述第二样本图像特征和所述已知类别，确定所述典型样本分类器对应的第三损失值；
28、根据所述第一损失值、所述第二损失值和所述第三损失值，反向调整所述双分支网络中的所述学生网络和所述边界点分类器的模型参数，以对所述双分支网络进行训练。
29、第二方面，本申请提供了一种基于双分支网络的产品检测装置，包括：
30、获取单元，用于获取待检测产品的产品图像、以及已训练的双分支网络，所述双分支网络包括第一分支网络和第二分支网络，所述第一分支网络包括教师网络，所述第二分支网络包括学生网络和边界点分类器，所述边界点分类器包括多个已知类别中每个已知类别对应的至少一个参数化的边界点，所述教师网络和所述学生网络用于提取图像特征；
31、处理单元，用于将所述产品图像输入所述双分支网络中进行处理，以得到所述第一分支网络针对未知类别输出的第一预测概率、以及所述第二分支网络针对所述已知类别输出的第二预测概率；
32、确定单元，用于根据所述第一预测概率和所述第二预测概率，从所述未知类别和所述已知类别中确定所述待检测产品对应的目标类别，以对所述待检测产品进行工业检测。
33、在一些实施例中，所述第一分支网络还包括预测模块，所述处理单元具体用于：
34、分别通过所述教师网络和所述学生网络提取所述产品图像的图像特征，得到所述教师网络对应的第一图像特征以及所述学生网络对应的第二图像特征；
35、通过所述预测模块，根据所述第一图像特征和所述第二图像特征，输出针对未知类别的第一预测概率；
36、通过所述边界点分类器，根据所述第二图像特征和所述边界点，输出针对多个已知类别的第二预测概率。
37、在一些实施例中，所述处理单元具体用于：
38、通过所述预测模块，计算所述第一图像特征和所述第二图像特征之间的第一距离；
39、根据所述第一距离确定所述待检测产品属于所述未知类别的第一预测概率。
40、在一些实施例中，所述处理单元具体用于：
41、通过所述边界点分类器，计算所述第二图像特征与各个所述已知类别对应的所述边界点之间的第二距离；
42、根据所述第二距离确定所述待检测产品属于相应已知类别的第二预测概率。
43、在一些实施例中，所述确定本文档来自技高网...
【技术保护点】
1.一种基于双分支网络的产品检测方法，其特征在于，包括：
2.根据权利要求1所述的基于双分支网络的产品检测方法，其特征在于，所述第一分支网络还包括预测模块，所述将所述产品图像输入所述双分支网络中进行处理，包括：
3.根据权利要求2所述的基于双分支网络的产品检测方法，其特征在于，所述通过所述预测模块，根据所述第一图像特征和所述第二图像特征，输出针对未知类别的第一预测概率，包括：
4.根据权利要求2所述的基于双分支网络的产品检测方法，其特征在于，所述通过所述边界点分类器，根据所述第二图像特征和所述边界点，输出针对所述已知类别的第二预测概率，包括：
5.根据权利要求1所述的基于双分支网络的产品检测方法，其特征在于，所述根据所述第一预测概率和所述第二预测概率，从所述未知类别和所述已知类别中确定所述待检测产品对应的目标类别，包括：
6.根据权利要求1-5中任一项所述的基于双分支网络的产品检测方法，其特征在于，还包括：
7.根据权利要求6所述的基于双分支网络的产品检测方法，其特征在于，所述根据所述训练样本图像集、所述已知
8.一种基于双分支网络的产品检测装置，其特征在于，包括：
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于双分支网络的产品检测方法。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于双分支网络的产品检测方法。
...【技术特征摘要】
1.一种基于双分支网络的产品检测方法，其特征在于，包括：
2.根据权利要求1所述的基于双分支网络的产品检测方法，其特征在于，所述第一分支网络还包括预测模块，所述将所述产品图像输入所述双分支网络中进行处理，包括：
3.根据权利要求2所述的基于双分支网络的产品检测方法，其特征在于，所述通过所述预测模块，根据所述第一图像特征和所述第二图像特征，输出针对未知类别的第一预测概率，包括：
4.根据权利要求2所述的基于双分支网络的产品检测方法，其特征在于，所述通过所述边界点分类器，根据所述第二图像特征和所述边界点，输出针对所述已知类别的第二预测概率，包括：
5.根据权利要求1所述的基于双分支网络的产品检测方法，其特征在于，所述根据所述第一预测概率和所述第二预测概率，从所述未知类别和所述已知类别中确定所述待检...
【专利技术属性】
技术研发人员：张黎，
申请(专利权)人：深圳市凌云视迅科技有限责任公司，
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。