应用于工业表面检测的模型训练方法及装置与流程

本技术属于计算机视觉，尤其涉及一种应用于工业表面检测的模型训练方法及装置。

背景技术：

1、在工业检测中，目前常通过深度学习算法训练用于工业表面检测的模型。在此基础上，可以通过工业表面检测的模型，对在多种光场下获得的图像数据进行分析。

2、但使用多种光场下获得的图像数据，增加了训练用于工业表面检测的模型的复杂性。当前的深度学习算法主要针对单光场的rgb图像，在需要使用多种光场下获得的图像数据，则需要分别获取每个光场下的图像数据，一方面需要获取大量标注的数据，另一方面不同光场条件下的光照和反射等因素引入了额外的噪声和变化。综上，现有技术训练应用于工业表面检测的模型的效率较低，模型的性能也较差。

技术实现思路

1、本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种应用于工业表面检测的模型训练方法及装置，能提高训练应用于工业表面检测的模型的效率。

2、第一方面，本技术提供了一种应用于工业表面检测的模型训练方法，该方法包括：

3、获取每一目标光场下无缺陷的目标工业表面的第一图像，以及每一所述目标光场下的每一缺陷的第二图像；所述目标光场的数量为多个；

4、分别针对每一所述目标光场，从所述目标光场下的全部所述第二图像中，任意选择不超过目标数量的所述第二图像作为缺陷区域，分别添加在所述目标光场下的所述第一图像中的随机位置，获取样本图像，并确定所述样本图像对应的标签；

5、基于各所述样本图像和各所述样本图像对应的标签，对用于工业表面检测的模型进行训练。

6、根据本技术的应用于工业表面检测的模型训练方法，通过数据增强操作，使用缺陷贴图技术，将多种光场下的缺陷信息叠加到无缺陷的工业表面的图像中，生成对应多种光场和多种缺陷等场景的样本图像，能实现利用少量的缺陷图像，生成大量的包含缺陷的训练样本，解决缺乏高质量标注数据的问题，能在减少构建用于训练模型的样本集的时间和成本的情况下，保证训练样本的多样性，样本集能够涵盖多种类型的光场和多种类型的缺陷，从而能实现既提高模型训练的效率又提高模型的准确率，能通过更好的利用多种光场下图像数据，使得深度学习算法可以适配多种光场之间不同的组合方式，能提高模型和使用该模型的工业表面检测算法的鲁棒性。

7、根据本技术的一个实施例，所述基于各所述样本图像和各所述样本图像对应的标签，对用于工业表面检测的模型进行训练，包括：

8、针对每一所述样本图像，基于第一目标概率确定所述样本图像对应的目标光场是否参与所述模型的训练；

9、在所述样本图像对应的目标光场不参与所述模型的训练的情况下，对所述样本图像和所述样本图像对应的标签进行置零操作。

10、根据本技术的应用于工业表面检测的模型训练方法，通过分光场进行掩膜，进行适配各种光场通道不存在的情况的数据增强，具体通过基于第一目标概率确定样本图像对应的目标光场是否参与模型的训练，在样本图像对应的目标光场不参与模型的训练的情况下，对样本图像和样本图像对应的标签进行置零操作，使得模型能够适应于新的、之前未学习过的光场的情况，从而能提高模型的适用性。

11、根据本技术的一个实施例，所述第一目标概率是所述样本图像对应的目标光场对应的概率。

12、根据本技术的一个实施例，所述针对每一所述样本图像，基于概率确定所述样本图像对应的目标光场是否参与所述模型的训练之后，还包括：

13、在所述样本图像对应的目标光场参与所述模型的训练的情况下，将所述样本图像输入所述模型，以根据所述模型的输出和所述样本图像对应的标签，调整所述模型的参数。

14、根据本技术的一个实施例，所述基于各所述样本图像和各所述样本图像对应的标签，对用于工业表面检测的模型进行训练，包括：

15、针对每一所述样本图像，基于缺陷的类型对应的第二目标概率，确定所述样本图像中的每一所述缺陷区域是否参与所述模型的训练；

16、在所述缺陷区域不参与所述模型的训练的情况下，从所述样本图像中去掉不参与所述模型的训练的所述缺陷区域并对应修改所述样本图像对应的标签。

17、根据本技术的一个实施例，所述基于各所述样本图像和各所述样本图像对应的标签，对用于工业表面检测的模型进行训练，包括：

18、基于各所述样本图像，获取多组所述样本图像；每组所述样本图像包括的所述样本图像数量与所述目标光场的数量相同，且每组所述样本图像包括的所述样本图像与所述目标光场一一对应；

19、分别将每组所述样本图像融合成多光场通道的叠加图像，并将每组所述样本图像对应的标签合并为所述叠加图像对应的标签；

20、基于各所述叠加图像和各所述叠加图像对应的标签，对所述模型进行训练。

21、第二方面，本技术提供了一种应用于工业表面检测的模型训练装置，该装置包括：

22、获取模块，用于获取每一目标光场下无缺陷的目标工业表面的第一图像，以及每一所述目标光场下的每一缺陷的第二图像；所述目标光场的数量为多个；

23、贴图模块，用于分别针对每一所述目标光场，从所述目标光场下的全部所述第二图像中，任意选择不超过目标数量的所述第二图像作为缺陷区域，分别添加在所述目标光场下的所述第一图像中的随机位置，获取样本图像，并确定所述样本图像对应的标签；

24、训练模块，用于基于各所述样本图像和各所述样本图像对应的标签，对用于工业表面检测的模型进行训练。

25、根据本技术的应用于工业表面检测的模型训练装置，通过数据增强操作，使用缺陷贴图技术，将多种光场下的缺陷信息叠加到无缺陷的工业表面的图像中，生成对应多种光场和多种缺陷等场景的样本图像，能实现利用少量的缺陷图像，生成大量的包含缺陷的训练样本，解决缺乏高质量标注数据的问题，能在减少构建用于训练模型的样本集的时间和成本的情况下，保证训练样本的多样性，样本集能够涵盖多种类型的光场和多种类型的缺陷，从而能实现既提高模型训练的效率又提高模型的准确率，能通过更好的利用多种光场下图像数据，使得深度学习算法可以适配多种光场之间不同的组合方式，能提高模型和使用该模型的工业表面检测算法的鲁棒性。

26、第三方面，本技术提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的应用于工业表面检测的模型训练方法。

27、第四方面，本技术提供了一种非暂态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如上述第一方面所述的应用于工业表面检测的模型训练方法。

28、第五方面，本技术提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的应用于工业表面检测的模型训练方法。

29、第六方面，本技术提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的应用于工业表面检测的模型训练方法。

30、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。