本技术涉及人工智能,特别是涉及一种缺陷检测模型的训练方法、装置、计算机设备和存储介质。
背景技术:
1、在工业数据的处理中,工业缺陷图像检测(即工业质检)是指对生产制造过程中的工业产品进行质量检测、找到产品中可能存在的不同种类的缺陷,以保证工业产品制程的良率。
2、目前,可以基于机器视觉的人工智能(artificial intelligence,ai)质检对工业产品进行缺陷检测,如对输入图像进行梯度特征以及纹理特征的提取等,随后根据提取到的梯度特征以及纹理特征确定输入图片是否为存在缺陷的图像。然而,由于提取到的梯度特征以及纹理特征通常泛化性比较差,即梯度特征以及纹理特征中包括容易产生混淆的冗余特征,从而影响对工业产品进行缺陷检测的准确性。因此,如何提升对工业产品进行缺陷检测的准确性的亟需解决的问题。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提升对工业产品进行缺陷检测的准确性的缺陷检测模型的训练方法、装置、计算机设备和存储介质。
2、第一方面,本技术提供了一种缺陷检测模型的训练方法。所述方法包括:
3、获取多个良品图像样本,并对各良品图像样本进行数据增强处理,生成各良品图像样本分别对应的良品子图样本,数据增强处理至少包括:子图裁剪处理以及赋噪处理,良品图像样本为所对应的工业产品为良品工业产品的图像;
4、确定各良品子图样本对应的待处理良品图像样本,待处理良品图像样本为:多个良品图像样本中,除良品子图样本对应的良品图像样本外的任一良品图像样本;
5、对各良品子图样本对进行插值变化,并将各插值变化后的良品子图样本置于所对应的待处理良品图像样本中,以生成各良品子图样本对应的缺陷图像样本;
6、通过各良品图像样本以及各缺陷图像样本,对初始缺陷检测模型进行训练,以得到缺陷检测模型,缺陷检测模型用于检测工业产品图像的图像类型。
7、第二方面,本技术还提供了一种缺陷检测模型的训练装置。所述装置包括:
8、良品图像样本获取处理模块,用于获取多个良品图像样本,并对各良品图像样本进行数据增强处理,生成各良品图像样本分别对应的良品子图样本,数据增强处理至少包括:子图裁剪处理以及赋噪处理,良品图像样本为所对应的工业产品为良品工业产品的图像;
9、确定模块,用于确定各良品子图样本对应的待处理良品图像样本,待处理良品图像样本为:多个良品图像样本中,除良品子图样本对应的良品图像样本外的任一良品图像样本;
10、缺陷图像样本获取模块,用于对各良品子图样本对进行插值变化,并将各插值变化后的良品子图样本置于所对应的待处理良品图像样本中,以生成各良品子图样本对应的缺陷图像样本;
11、模型训练模块,用于通过各良品图像样本以及各缺陷图像样本,对初始缺陷检测模型进行训练,以得到缺陷检测模型,缺陷检测模型用于检测工业产品图像的图像类型。
12、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
13、获取多个良品图像样本,并对各良品图像样本进行数据增强处理,生成各良品图像样本分别对应的良品子图样本,数据增强处理至少包括:子图裁剪处理以及赋噪处理,良品图像样本为所对应的工业产品为良品工业产品的图像;
14、确定各良品子图样本对应的待处理良品图像样本,待处理良品图像样本为:多个良品图像样本中,除良品子图样本对应的良品图像样本外的任一良品图像样本;
15、对各良品子图样本对进行插值变化,并将各插值变化后的良品子图样本置于所对应的待处理良品图像样本中,以生成各良品子图样本对应的缺陷图像样本;
16、通过各良品图像样本以及各缺陷图像样本,对初始缺陷检测模型进行训练,以得到缺陷检测模型,缺陷检测模型用于检测工业产品图像的图像类型。
17、第四方面,本技术还提供了一种计算机可读存储介质。所述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以下步骤:
18、获取多个良品图像样本,并对各良品图像样本进行数据增强处理,生成各良品图像样本分别对应的良品子图样本,数据增强处理至少包括:子图裁剪处理以及赋噪处理,良品图像样本为所对应的工业产品为良品工业产品的图像;
19、确定各良品子图样本对应的待处理良品图像样本,待处理良品图像样本为:多个良品图像样本中,除良品子图样本对应的良品图像样本外的任一良品图像样本;
20、对各良品子图样本对进行插值变化,并将各插值变化后的良品子图样本置于所对应的待处理良品图像样本中,以生成各良品子图样本对应的缺陷图像样本;
21、通过各良品图像样本以及各缺陷图像样本,对初始缺陷检测模型进行训练,以得到缺陷检测模型,缺陷检测模型用于检测工业产品图像的图像类型。
22、第五方面,本技术还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
23、获取多个良品图像样本,并对各良品图像样本进行数据增强处理,生成各良品图像样本分别对应的良品子图样本,数据增强处理至少包括:子图裁剪处理以及赋噪处理,良品图像样本为所对应的工业产品为良品工业产品的图像;
24、确定各良品子图样本对应的待处理良品图像样本,待处理良品图像样本为:多个良品图像样本中,除良品子图样本对应的良品图像样本外的任一良品图像样本;
25、对各良品子图样本对进行插值变化,并将各插值变化后的良品子图样本置于所对应的待处理良品图像样本中,以生成各良品子图样本对应的缺陷图像样本;
26、通过各良品图像样本以及各缺陷图像样本,对初始缺陷检测模型进行训练,以得到缺陷检测模型,缺陷检测模型用于检测工业产品图像的图像类型。
27、上述缺陷检测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品,获取多个良品图像样本,并对各良品图像样本进行数据增强处理,生成各良品图像样本分别对应的良品子图样本,数据增强处理至少包括:子图裁剪处理以及赋噪处理,良品图像样本为所对应的工业产品为良品工业产品的图像,再确定各良品子图样本对应的待处理良品图像样本,待处理良品图像样本为:多个良品图像样本中,除良品子图样本对应的良品图像样本外的任一良品图像样本,并对各良品子图样本对进行插值变化,并将各插值变化后的良品子图样本置于所对应的待处理良品图像样本中,以生成各良品子图样本对应的缺陷图像样本,最后通过各良品图像样本以及各缺陷图像样本,对初始缺陷检测模型进行训练,以得到缺陷检测模型,以及所得到的缺陷检测模型用于检测工业产品图像的图像类型。
28、通过前述缺陷检测模型的训练方法,由于通过缺陷检测模型确定检测工业产品图像的图像类型,首先不需要进行梯度特征以及纹理特征的设计以及提取,在缺陷检测模型的训练过程中能够学习到对当前分类任务最适合的特征,从而保证检测工业产品图像的图像类型的准确度,且具体考虑到实际应用中工业产品所处产线的良率通常较高,导致缺陷图像样本的获取较困难的问题,从而具体通过对良品图像样本进行处理以得到缺陷图像样本,能够保证足够的数据样本使得缺陷检测模型通过模型训练能够具备区分良品图像以及缺陷图像的能力,以保证缺陷检测模型的鲁棒性以及可靠性,进一地保证检测工业产品图像的图像类型的可靠性。