[发明专利]零部件的异常检测方法及装置

说明书

本发明提供了一种零部件的异常检测方法及装置，上述方法包括：获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。通过本发明，可以解决相关技术中零部件的异常检测的效率较低的问题。

技术领域

本发明涉及通信领域，具体而言，涉及一种零部件的异常检测方法及装置。

背景技术

在对车辆的零部件进行异常检测时，可以通过轨道车辆在线阵相机前方的运动获得整个车辆的图片，车辆的图片包含了各种零部件信息，并且各种零部件的相关缺陷可以在该图片中反映出来。例如，螺丝是车辆的零部件中出现异常问题较为广泛的零部件。在对车辆的图片进行分析时，可以基于传统图像处理技术利用图像中的纹理、边缘、颜色等信息进行螺丝异常的特征提取工作。而这一方式，存在以下缺陷：车辆的图片很大，而每个螺丝所占面积非常小，难以利用传统图像处理的技术在一整个车辆图片上直接提取到螺丝的特征；传统图像处理的技术难以扩展到车辆的各种不同部分上的螺丝的异常问题，需要为每个部分单独设置特征提取工作，从而导致螺丝的异常检测的效率低下。

针对相关技术中，零部件的异常检测的效率较低等问题，尚未提出技术方案。

发明内容

本发明实施例提供了一种零部件的异常检测方法及装置，以至少解决相关技术中零部件的异常检测的效率较低的问题。

根据本发明的一个实施例，提供了一种零部件的异常检测方法，包括：

获取第一零部件的正常样本以及异常样本，其中，所述正常样本包括：所述第一零部件的第一图片，所述异常样本包括：与所述第一零部件处于不同位置的第二零部件的第二图片；

使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，其中，所述孪生神经网络模型用于确定输入到所述孪生神经网络模型中的正常样本与异常样本的相似度；

使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常。

可选地，所述使用所述正常样本以及所述异常样本对孪生神经网络模型进行训练，包括：

将多组训练数据输入到所述孪生神经网络模型中，使用所述多组训练数据对所述孪生神经网络模型进行训练，其中，所述多组训练数据至少包括第一组训练数据和第二组训练数据，其中，所述第一组训练数据包括第一正常样本以及第一异常样本，所述第二组训练数据包括第二正常样本以及第三正常样本。

可选地，所述使用训练完成后的所述孪生神经网络模型检测输入到所述孪生神经网络模型的第三图片中的第一零部件是否存在异常，包括：

获取所述第一图片以及第三图片；

将所述第一图片以及第三图片输入到所述训练完成后的孪生神经网络模型中，获取所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度；

根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常。

可选地，所述根据所述孪生神经网络模型对所述第一图片和所述第三图片分析后得到的相似度确定所述第三图片中的第一零部件是否存在异常，包括：

在所述相似度小于第一阈值的情况下，确定所述第三图片中的第一零件存在异常；

在所述相似度大于第二阈值的情况下，确定所述第三图片中的第一零件未存在异常。