[發明專利]瑕疵檢測模型、訓練方法、檢測方法、裝置、設備及介質

在審

• 申請號: 202010520818.1
• 申請日: 2020-06-09
• 公開（公告）號: CN111681228A
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 張發恩;劉旭
• 申請（專利權）人: 創新奇智（合肥）科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 蔣姍

本申請提供一種瑕疵檢測模型、訓練方法、檢測方法、裝置、設備及介質，瑕疵檢測模型包括：神經網絡用于對輸入的圖片進行特征提取，輸出特征圖；權重層用于與所述神經網絡輸出的特征圖點乘，以提高所述神經網絡輸出的特征圖中存在瑕疵的位置的權重，輸出權重調整后的最終特征圖；而權重層為與神經網絡輸出的特征圖的尺寸相同，且矩陣值與神經網絡輸出的特征圖的矩陣值關聯變化的矩陣。這樣得到的最終特征圖中，最終特征圖對應的矩陣中最大值所對應的位置即可以大概率為瑕疵在圖片中的位置。這樣，即在一定程度上實現了在瑕疵檢測過程中對瑕疵位置的檢測，解決了目前瑕疵檢測過程中沒有體現出瑕疵在圖片中的位置信息的問題。

技術領域

本申請涉及計算機技術領域，具體而言，涉及一種瑕疵檢測模型、訓練方法、檢測方法、裝置、設備及介質。

背景技術

在工業中，由于原材料、軋制設備和工藝等原因，生產出的工業產品往往不可避免會出現不同類型的瑕疵，而瑕疵的存在不僅影響產品的外觀，還會降低產品的耐腐蝕性、耐磨性和疲勞強度等性能，給企業造成巨大的經濟損失。因此瑕疵檢測一直是工業領域十分關注的問題。

分類算法是目前行業內對瑕疵檢測的常見方法，通過神經網絡來判斷產品圖片中是否有瑕疵，進而給出“合格”、“不合格”、“待定”等檢測結果。但是傳統分類的方法僅僅對于圖片有一個定性的描述，而沒有體現出瑕疵在圖片中的位置信息。

發明內容

本申請實施例的目的在于提供一種瑕疵檢測模型、訓練方法、檢測方法、裝置、設備及介質，用以解決目前瑕疵檢測過程中沒有體現出瑕疵在圖片中的位置信息的問題。

本申請實施例提供了一種瑕疵檢測模型，包括：神經網絡，用于對輸入的圖片進行特征提取，輸出特征圖；權重層，用于與所述神經網絡輸出的特征圖點乘，以提高所述神經網絡輸出的特征圖中存在瑕疵的位置的權重，輸出權重調整后的最終特征圖；所述權重層為與所述神經網絡輸出的特征圖的尺寸相同，且矩陣值與所述神經網絡輸出的特征圖的矩陣值關聯變化的矩陣。

在上述瑕疵檢測模型中，在神經網絡之后接入一個權重層，通過權重層來與神經網絡輸出的特征圖點乘，提高神經網絡輸出的特征圖中存在瑕疵的位置的權重。這樣得到的最終特征圖中，最終特征圖對應的矩陣中最大值所對應的位置即可以大概率為瑕疵在圖片中的位置。這樣，即在一定程度上實現了在瑕疵檢測過程中對瑕疵位置的檢測，解決了目前瑕疵檢測過程中沒有體現出瑕疵在圖片中的位置信息的問題。

本申請實施例還提供了一種瑕疵檢測模型的訓練方法，包括：使用上述瑕疵檢測模型對訓練集圖片進行處理；所述訓練集圖片包括無瑕疵訓練集圖片和有瑕疵訓練集圖片，所述有瑕疵訓練集圖片標注有瑕疵位置；將所述瑕疵檢測模型輸出的各訓練集圖片對應的最終特征圖輸入預設的損失函數中；判斷所述損失函數的損失值是否收斂；若未收斂，根據所述損失值進行反向傳播，更新所述瑕疵檢測模型中所述神經網絡的參數以及所述權重層的矩陣值，并重復上述過程；若收斂，結束訓練，得到訓練好的所述瑕疵檢測模型。

在上述實現過程中，通過無瑕疵訓練集圖片和標注有瑕疵位置的有瑕疵訓練集圖片對瑕疵檢測模型進行訓練，這樣可以在有效實現對于進行起分類作用的神經網絡的訓練的同時，對權重層也進行訓練，得到適合的權重層矩陣，從而使得訓練得到的瑕疵檢測模型得以在實現對圖片中是否有瑕疵的準確判斷的同時，還可以針對有瑕疵的圖片快速得到瑕疵在圖片中的位置信息。

進一步地，所述損失函數為分類損失函數加上瑕疵位置損失函數。

上述訓練的瑕疵檢測模型包括可實現瑕疵分類的神經網絡以及加強瑕疵位置權重的權重層，在上述實現過程中，在通過分類損失函數實現對于圖片分類準確性的判定的同時，還通過瑕疵位置損失函數對瑕疵位置確定的準確性也進行判定，進而綜合兩方面來確定瑕疵檢測模型是否需要繼續迭代，這就使得訓練得到的瑕疵檢測模型更為準確、可用。

進一步地，所述分類損失函數為交叉熵函數或softmax函數。