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】
本申请属于缺陷分类,尤其涉及一种铝塑膜缺陷分类方法和装置。
技术介绍
1、软包锂离子电池在满足用户使用需求的同时,其安全性和可靠性获得了广泛关注,铝塑膜是锂电池软包常见的组成部分,生产过程中铝塑膜不可避免的可能会出现瑕疵。相关技术中,主要通过人工检测的方法检测铝塑膜的瑕疵。但是上述方法检测方法准确率低、漏检率高且难以应对缺陷类别差异小的缺陷,容易造成误检。
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,本申请提出一种铝塑膜缺陷分类方法和装置,有效检测差异度小的缺陷类别,提高缺陷分类的准确率,降低漏检率,减少误检,提供精准的缺陷分类结果,提高工业场景下铝塑膜缺陷检测的准确度。
2、第一方面,本申请提供了一种铝塑膜缺陷分类方法,该方法包括:
3、获取待检测铝塑膜对应的待测图像信息;
4、将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别;其中,
5、所述目标模型为以样本图像信息为样本,以与所述样本图像信息对应的样本缺陷类别为样本标签,基于目标损失函数训练得到;所述目标损失函数为基于交叉熵损失函数和对比学习损失函数所确定的。
6、根据本申请的铝塑膜缺陷分类方法,通过在使用交叉熵损失函数训练模型的基础上,进一步引入对比学习损失函数训练目标模型,有效区分缺陷形态,将待检测铝塑膜对应的待测图像信息输入至优化后的目标模型,获取待测图像信息对应的缺陷类别,有效检测差异度小的
7、根据本申请的铝塑膜缺陷分类方法,所述目标损失函数为基于交叉熵损失函数和对比学习损失函数所确定的,包括:
8、所述目标损失函数基于公式:
9、loss=lossce+losssup
10、确定,其中,loss为所述目标损失函数;lossce为所述交叉熵损失函数;losssup为所述对比学习损失函数。
11、根据本申请实施例提供的铝塑膜缺陷分类方法,引入对比学习损失函数训练目标模型,优化缺陷分类模型的特征空间,增大不同缺陷类别的特征距离,有效区分形态差异度小的缺陷类别,提高分类准确率,减少误检率。
12、根据本申请的铝塑膜缺陷分类方法,所述对比学习损失函数为:
13、
14、
15、其中,losssup为所述对比学习损失函数;n为训练过程中的批次大小;a(i)是与第i张样本属于同一批次的图像样本集,p(i)为a(i)集合中与第i张样本图像同一缺陷的样本集合;p(i)为a(i)集合中与第i张样本图像同一缺陷的样本集合;|p(i)|为p(i)集合中的样本总数;zi为第i张图像经过网络提取得到的图像高维特征;τ为温度参数;zp为图像p经模型提取得到的高维特征;za为图像a经模型提取得到的高维特征。
16、根据本申请实施例提供的铝塑膜缺陷分类方法,通过考虑对比学习损失函数,优化缺陷分类方法的模型空间,提高分类的准确性。
17、根据本申请的铝塑膜缺陷分类方法,在所述将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别之前,所述方法还包括:
18、获取样本铝塑膜对应的初始缺陷图像;
19、对所述初始缺陷图像进行随机数据增强处理,并将处理后的图像缩放至目标尺寸,得到所述样本图像信息;
20、对所述样本图像信息对应的缺陷类别进行标注,得到所述样本图像信息对应的样本缺陷类别。
21、根据本申请实施例提供的铝塑膜缺陷分类方法,通过对获取的样本铝塑膜对应的初始缺陷图像进行随机数据增强,并设置为目标尺寸,从而得到样本图像信息,基于样本图像信息的缺陷类别对样本图像信息进行标注,获取质量高的样本数据集,有助于提高缺陷分类模型的训练效果。
22、根据本申请的铝塑膜缺陷分类方法,在所述将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别之前,所述方法还包括:
23、基于目标检测精度和目标检测效率中的至少一种,从多个候选模型中确定所述目标模型。
24、根据本申请实施例提供的铝塑膜缺陷分类方法,通过确定目标检测精度和目标检测效率,基于目标检测精度和目标检测效率选取适合的目标模型,模型选择具有灵活性。
25、根据本申请的铝塑膜缺陷分类方法,所述目标缺陷类别包括:亮点、漏涂、漏喷、褶皱、黑点、压痕和脏污中的至少一种。
26、根据本申请实施例提供的铝塑膜缺陷分类方法,通过确定目标缺陷类别所包括的多个类别,将铝塑膜可能具有的缺陷进行详细划分,明确多种缺陷类别,提高检测效果,提供精确的检测结果,提高用户使用体验。
27、第二方面,本申请提供了一种铝塑膜缺陷分类装置,该装置包括:
28、第一处理模块,用于获取待检测铝塑膜对应的待测图像信息;
29、第二处理模块,用于将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别;其中,
30、所述目标模型为以样本图像信息为样本,以与所述样本图像信息对应的样本缺陷类别为样本标签,基于目标损失函数训练得到;所述目标损失函数为基于交叉熵损失函数和对比学习损失函数所确定的。
31、根据本申请的铝塑膜缺陷分类装置,通过在使用交叉熵损失函数训练模型的基础上,进一步引入对比学习损失函数训练目标模型,有效区分缺陷形态,将待检测铝塑膜对应的待测图像信息输入至优化后的目标模型,获取待测图像信息对应的缺陷类别,有效检测差异度小的缺陷类别,提高缺陷分类的准确率,降低漏检率,减少误检,提供精准的缺陷分类结果,有效应用于工业场景,提高工业场景下铝塑膜缺陷检测的准确度。
32、第三方面,本申请提供了一种电子设备,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计算机程序时实现如上述第一方面所述的铝塑膜缺陷分类方法。
33、第四方面,本申请提供了一种非暂态计算机可读存储介质,其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如上述第一方面所述的铝塑膜缺陷分类方法。
34、第五方面,本申请提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的铝塑膜缺陷分类方法。
35、本申请实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
36、通过在使用交叉熵损失函数训练模型的基础上,进一步引入对比学习损失函数训练目标模型,有效区分缺陷形态,将待检测铝塑膜对应的待测图像信息输入至优化后的目标模型,获取待测图像信息对应的缺陷类别,有效检测差异度小的缺陷类别,提高缺陷分类的准确率,降低漏检率,本文档来自技高网...
【技术保护点】
1.一种铝塑膜缺陷分类方法,其特征在于,包括:
2.根据权利要求1所述的铝塑膜缺陷分类方法,其特征在于,所述目标损失函数为基于交叉熵损失函数和对比学习损失函数所确定的,包括:
3.根据权利要求2所述的铝塑膜缺陷分类方法,其特征在于,所述对比学习损失函数为:
4.根据权利要求1-3任一项所述的铝塑膜缺陷分类方法,其特征在于,在所述将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别之前,所述方法还包括:
5.根据权利要求1-3任一项所述的铝塑膜缺陷分类方法,其特征在于,在所述将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别之前,所述方法还包括:
6.根据权利要求1-3任一项所述的铝塑膜缺陷分类方法,其特征在于,所述目标缺陷类别包括:亮点、漏涂、漏喷、褶皱、黑点、压痕和脏污中的至少一种。
7.一种铝塑膜缺陷分类装置,其特征在于,包括:
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特
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1-6任一项所述的铝塑膜缺陷分类方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述铝塑膜缺陷分类方法。
...【技术特征摘要】
1.一种铝塑膜缺陷分类方法,其特征在于,包括:
2.根据权利要求1所述的铝塑膜缺陷分类方法,其特征在于,所述目标损失函数为基于交叉熵损失函数和对比学习损失函数所确定的,包括:
3.根据权利要求2所述的铝塑膜缺陷分类方法,其特征在于,所述对比学习损失函数为:
4.根据权利要求1-3任一项所述的铝塑膜缺陷分类方法,其特征在于,在所述将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别之前,所述方法还包括:
5.根据权利要求1-3任一项所述的铝塑膜缺陷分类方法,其特征在于,在所述将所述待测图像信息输入至目标模型,获取所述目标模型输出的所述待检测铝塑膜对应的目标缺陷类别之前,所述方法还包括:
6...
【专利技术属性】
技术研发人员:高鹏程,唐永亮,
申请(专利权)人:凌云光技术股份有限公司,
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。