LED灯带缺陷检测模型的训练方法、装置、计算机可读存储介质及LED灯带缺陷检测方法制造方法及图纸

本发明专利技术实施例提供一种LED灯带缺陷检测模型的训练方法、装置、计算机可读存储介质及LED灯带缺陷检测方法，训练方法包括：提供LED灯带训练集；从LED灯带训练集中选取出K个典型正类样本，并存入记忆池；获取各个正类样本对应的伪异常样本；以及将剩余正类样本和伪异常样本作为输入图像进行模型训练：采用特征提取网络提取输入图像在各个预定维度的高级特征信息；获得输入图像和记忆样本之间的差异信息，并确定最佳差异信息；获得串联信息；基于串联信息获得融合特征图；以及获取空间注意力图，并将各个空间注意力图通过跳跃连接流向解码器输出预测图像。本实施例能提高模型的鲁棒性，方便不同数据集上进行扩展。

【技术实现步骤摘要】

本专利技术实施例涉及计算机视觉检测，尤其涉及一种led灯带缺陷检测模型的训练方法、装置、计算机可读存储介质及led灯带缺陷检测方法。

技术介绍

1、led灯带的生产过程中有一个检测工序，用来检测生成出来的led灯带上的各个led灯珠是否存在缺陷。

2、当前，计算机视觉检测技术在led灯带缺陷检测方法中应用相当广泛。现有的一种led灯带缺陷检测方法是利用预先训练好的检测模型对由拍摄装置拍摄获得的led灯带点亮时的实际待测图像进行检测分析，以确定各个led灯珠是否存在缺陷。而在预先训练所述检测模型时，是采用led灯珠的发光图像作为训练样本，从训练样本划分出正类样本后直接输入至deep svdd网络进行深度学习和训练，从而获得所述检测模型。

3、然而，专利技术人在具体实施时发现，deep svdd网络的深度学习训练方式局限性相对较大，模型在训练时相对困难，扩展性也较差；而且传统模型训练只学习正类样本的图像特征，模型检测性能有限。

技术实现思路

1、本专利技术实施例要解决的技术问题在于，提供一本文档来自技高网...

【技术保护点】

1.一种LED灯带缺陷检测模型的训练方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，在进行模型训练时，还计算真实值S和预测值S*之间的差异，构建最小化L1损失函数和focal损失函数来训练模型，具体包括：

3.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述基于K-means++聚类选择算法从所述LED灯带训练集中选取出K个典型正类样本具体包括：

4.如权利要求1所述的LED灯带缺陷检测模型的训练方法，其特征在于，所述基于伪异常样本生成方法获取所述LED灯带训练集中的各个...

【技术特征摘要】

1.一种led灯带缺陷检测模型的训练方法，其特征在于，所述方法包括以下步骤：

2.如权利要求1所述的led灯带缺陷检测模型的训练方法，其特征在于，在进行模型训练时，还计算真实值s和预测值s*之间的差异，构建最小化l1损失函数和focal损失函数来训练模型，具体包括：

3.如权利要求1所述的led灯带缺陷检测模型的训练方法，其特征在于，所述基于k-means++聚类选择算法从所述led灯带训练集中选取出k个典型正类样本具体包括：

4.如权利要求1所述的led灯带缺陷检测模型的训练方法，其特征在于，所述基于伪异常样本生成方法获取所述led灯带训练集中的各个正类样本对应的伪异常样本具体包括：

5.如权利要求1所述的led灯带缺陷检测模型的训练方法，其特征在于，所述多尺度特征融合网络模型包括：

6.如权利要求1所述的led灯带缺陷检测模型的训练方法，其...

【专利技术属性】
技术研发人员：周文辉，刘志业，黎冬媛，
申请(专利权)人：电子科技大学中山学院，
类型：发明
国别省市：