[發明專利]基于流關聯的深度學習模型的多工位檢測設備

在審

• 申請號: 202010432900.9
• 申請日: 2020-05-21
• 公開（公告）號: CN111340809A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 都衛東;王巖松;和江鎮;龍仕玉
• 申請（專利權）人: 征圖新視（江蘇）科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/08
• 代理公司: 常州品益專利代理事務所(普通合伙) 32401
• 代理人: 喬楠

本發明涉及一種基于流關聯的深度學習模型的多工位檢測設備，具有多個檢測工位，每個檢測工位都對應一個深度學習模型，待檢測物依次通過各個檢測工位并利用深度學習模型進行推理完成各個檢測步驟，每個檢測工位的深度學習模型之間通過流關聯模塊關聯在一起，流關聯模塊用于對各個檢測步驟的深度學習模型的推理結果進行判斷，并根據判斷結果決定是調用下一步檢測步驟的深度學習模型進行下一步推理，還是停止下一步推理并輸出判斷結果，直至所有深度學習模型都被調用并輸出對最后一步檢測步驟的深度學習模型的推理結果的判斷結果。有益效果是：深度學習模塊訓練樣本需求小，開發難度小，訓練時間短，推理效率高，可以適應多變的工業應用場景。

技術領域

本發明涉及一種基于流關聯的深度學習模型的多工位檢測設備。

背景技術

傳統的通過圖形處理進行表面缺陷檢測的方法包括模板匹配，圖形差值等。在工業領域中，對圖形的處理的場景，往往比較復雜，很難滿足日益復雜的工業圖形的表面缺陷檢測，由于深度學習在圖形領域的突出表現，越來越多的深度學習模型被應用到工業圖形的各種領域中，并在特定的檢測領域取得了一定的效果。

現有的通過深度學習模型進行多工位表面缺陷檢測的方法為設置多個檢測工位，每個檢測工位都進行一至多項缺陷的檢測，所有檢測工位的樣本都匯集于一個深度學習模型進行推理，獲得檢測結果。

該現有技術存在的技術問題是：

（1）為識別所有檢測工位的表面缺陷，需要一個大而全的深度學習模型（又稱大模型），一個大而全的模型需要針對所有檢測工位設計算法網絡，需要適應工位1、工位2、工位3、工位n 的所有樣本集合的特性。實際過程中往往每一個工位的作用完全不一樣，樣本之間的聯系很少，存在的共性也較少。要想將所有工位的圖片樣本進行訓練往往是一個巨大的工作。

（2）訓練一個大而全的深度學習模型往往需要大量的樣本數據，對于工業領域來講樣本數據往往很有限的，需要手動擴展樣本的多樣性。數量級需要千萬級別，才能達到一個比較滿意的效果。

（3）對于大量的樣本訓練，離線訓練算力往往不能滿足，只有國內少數的云計算公司能滿足算力支持。訓練一個模型的代價太高，時間太久。調優的過程需要經驗豐富人員。

（4）對于每一個工位，都要調用大模型，推理效率低下，不能滿足工業流水線檢測這樣速度要求高的場景。

（5）工業應用領域往往多變，是一種小需求，多定制的場景，剛訓練好一個模型后，客戶就可能又變更了應用場景，比如一旦新增工位，或者成像不同輸出的圖片格式改變，現有的深度學習模型就不能適應，需要重新設計并訓練，這就導致一個大而全的深度學習模型并不能適用多變的工業應用場景。

發明內容

本發明所要解決的技術問題是：一個功能大而全的深度學習模型不滿足復雜多變的應用場景，而且訓練一個功能大而全的深度學習模型的代價高，時間久。

本發明解決其技術問題所采用的技術方案是：一種基于流關聯的深度學習模型的多工位檢測設備，具有多個檢測工位，每個檢測工位都對應一個深度學習模型，待檢測物依次通過各個檢測工位并利用深度學習模型進行推理完成各個檢測步驟，每個檢測工位的深度學習模型之間通過流關聯模塊關聯在一起，檢測工位用于獲得推理樣本，每個檢測工位的推理樣本進入對應的深度學習模型進行推理，流關聯模塊用于對各個檢測步驟的深度學習模型的推理結果進行判斷，并根據判斷結果決定是調用下一步檢測步驟的深度學習模型進行下一步推理，還是停止下一步推理并輸出判斷結果，直至所有深度學習模型都被調用并輸出對最后一步檢測步驟的深度學習模型的推理結果的判斷結果。

上述的多個深度學習模型通過規定的條件關聯在一起，并按照該關聯條件先后執行并得到執行結果的方法即稱之為流關聯。