[發明專利]缺陷檢測模型訓練和缺陷檢測方法、設備及存儲介質

有效

• 申請號: 202010624258.4
• 申請日: 2020-06-30
• 公開（公告）號: CN111784673B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張發恩;孫天齊;袁智超;陸強
• 申請（專利權）人: 創新奇智（上海）科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/088;G01N21/88
• 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: 李飛

本申請涉及一種缺陷檢測模型訓練和缺陷檢測方法、設備及存儲介質，其中，缺陷檢測模型訓練方法包括獲取訓練圖片集并對訓練圖片集進行數據標注，得到標注信息；對標注信息進行解碼，得到像素級標注圖像及目標框標注圖像；根據像素級標注圖像和目標框標注圖像、訓練圖片集構建訓練集和測試集；構建缺陷檢測模型及目標損失函數，缺陷檢測模型至少包括主干分割子模型、輔助分割子模型、卷積變體子模型；根據訓練集、測試集對主干分割子模型、輔助分割子模型、卷積變體子模型進行訓練并根據目標損失函數得到并保存缺陷檢測模型的最優參數。本申請能夠減少缺陷識別中的數據標注工作量及減少訓練所需要的數據量。

技術領域

本申請涉及人工智能技術領域，尤其是涉及一種缺陷檢測模型訓練和缺陷檢測方法、設備及存儲介質。

背景技術

隨著人工智能、深度學習技術的出現及發展，基于視覺技術的物體表面缺陷檢測技術有了較大提升，但現有缺陷檢測技術為了保持檢測精確度，需要高質量、數據量龐大的語義分割級別標注，這對于人工和金錢是很大的消耗。

發明內容

本申請的目的在于提供一種缺陷檢測模型訓練和缺陷檢測方法、設備及存儲介質，以減少缺陷識別中的數據標注工作量及減少訓練所需要的數據量。

本申請第一方面公開一種缺陷檢測模型訓練方法，所述方法包括步驟：

獲取訓練圖片集并對所述訓練圖片集進行數據標注，得到標注信息；

對所述標注信息進行解碼，得到像素級標注圖像及目標框標注圖像；

根據所述像素級標注圖像和所述目標框標注圖像、所述訓練圖片集構建訓練集和測試集；

構建缺陷檢測模型及目標損失函數，所述缺陷檢測模型至少包括主干分割子模型、輔助分割子模型、卷積變體子模型；

根據所述訓練集、所述測試集對所述主干分割子模型、所述輔助分割子模型、所述卷積變體子模型進行訓練并根據所述目標損失函數得到所述缺陷檢測模型的最優參數；

保存所述缺陷檢測模型的最優參數。

在本申請中，通過對訓練圖片集進行目標框標注和像素級標注可得到訓練集和測試集，進而能夠通過訓練集和測試集訓練主干分割子模型、輔助分割子模型、卷積變體子模型，進而通過主干分割子模型、輔助分割子模型、卷積變體子模型能夠減少訓練過程中的訓練數據量和數據標注量。

作為一種可選的實施方式，在所述根據所述像素級標注圖像和所述目標框標注圖像、所述訓練圖片集構建訓練集和測試集之后，所述根據所述目標損失函數、所述訓練集、所述測試集對所述主干分割子模型、所述輔助分割子模型、所述卷積變體子模型進行訓練之前，所述方法還包括：

對訓練集進行數據增強，以擴展所述訓練集。

在本可選的實施方式中，對訓練集進行數據增強，可擴展訓練集，增加訓練數據的密度和避免訓練數據過度擬合，從而進一步提高主干分割子模型、輔助分割子模型、卷積變體子模型的預缺陷識別精確度。

作為一種可選的實施方式，所述根據所述訓練集、所述測試集對所述主干分割子模型、所述輔助分割子模型、所述卷積變體子模型進行訓練并根據所述目標損失函數得到所述缺陷檢測模型的最優參數，包括：

根據所述主干分割子模型對所述訓練集、所述測試集進行像素掩碼預測，得到第一預測結果；

根據所述輔助分割子模型對所述訓練集、所述測試集進行目標框預測，得到第二預測結果；

根據卷積變體子模型對所述第一預測結果、所述第二預測結果進行自校正，得到校正后第一預測結果、校正后第二預測結果；

根據所述目標損失函數對所述校正后第一預測結果、所述校正后第二預測結果進行損失計算，得到所述缺陷檢測模型的最優參數。