[发明专利]瑕疵检测模型、训练方法、检测方法、装置、设备及介质

说明书

本申请提供一种瑕疵检测模型、训练方法、检测方法、装置、设备及介质，瑕疵检测模型包括：神经网络用于对输入的图片进行特征提取，输出特征图；权重层用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；而权重层为与神经网络输出的特征图的尺寸相同，且矩阵值与神经网络输出的特征图的矩阵值关联变化的矩阵。这样得到的最终特征图中，最终特征图对应的矩阵中最大值所对应的位置即可以大概率为瑕疵在图片中的位置。这样，即在一定程度上实现了在瑕疵检测过程中对瑕疵位置的检测，解决了目前瑕疵检测过程中没有体现出瑕疵在图片中的位置信息的问题。

技术领域

本申请涉及计算机技术领域，具体而言，涉及一种瑕疵检测模型、训练方法、检测方法、装置、设备及介质。

背景技术

在工业中，由于原材料、轧制设备和工艺等原因，生产出的工业产品往往不可避免会出现不同类型的瑕疵，而瑕疵的存在不仅影响产品的外观，还会降低产品的耐腐蚀性、耐磨性和疲劳强度等性能，给企业造成巨大的经济损失。因此瑕疵检测一直是工业领域十分关注的问题。

分类算法是目前行业内对瑕疵检测的常见方法，通过神经网络来判断产品图片中是否有瑕疵，进而给出“合格”、“不合格”、“待定”等检测结果。但是传统分类的方法仅仅对于图片有一个定性的描述，而没有体现出瑕疵在图片中的位置信息。

发明内容

本申请实施例的目的在于提供一种瑕疵检测模型、训练方法、检测方法、装置、设备及介质，用以解决目前瑕疵检测过程中没有体现出瑕疵在图片中的位置信息的问题。

本申请实施例提供了一种瑕疵检测模型，包括：神经网络，用于对输入的图片进行特征提取，输出特征图；权重层，用于与所述神经网络输出的特征图点乘，以提高所述神经网络输出的特征图中存在瑕疵的位置的权重，输出权重调整后的最终特征图；所述权重层为与所述神经网络输出的特征图的尺寸相同，且矩阵值与所述神经网络输出的特征图的矩阵值关联变化的矩阵。

在上述瑕疵检测模型中，在神经网络之后接入一个权重层，通过权重层来与神经网络输出的特征图点乘，提高神经网络输出的特征图中存在瑕疵的位置的权重。这样得到的最终特征图中，最终特征图对应的矩阵中最大值所对应的位置即可以大概率为瑕疵在图片中的位置。这样，即在一定程度上实现了在瑕疵检测过程中对瑕疵位置的检测，解决了目前瑕疵检测过程中没有体现出瑕疵在图片中的位置信息的问题。

本申请实施例还提供了一种瑕疵检测模型的训练方法，包括：使用上述瑕疵检测模型对训练集图片进行处理；所述训练集图片包括无瑕疵训练集图片和有瑕疵训练集图片，所述有瑕疵训练集图片标注有瑕疵位置；将所述瑕疵检测模型输出的各训练集图片对应的最终特征图输入预设的损失函数中；判断所述损失函数的损失值是否收敛；若未收敛，根据所述损失值进行反向传播，更新所述瑕疵检测模型中所述神经网络的参数以及所述权重层的矩阵值，并重复上述过程；若收敛，结束训练，得到训练好的所述瑕疵检测模型。

在上述实现过程中，通过无瑕疵训练集图片和标注有瑕疵位置的有瑕疵训练集图片对瑕疵检测模型进行训练，这样可以在有效实现对于进行起分类作用的神经网络的训练的同时，对权重层也进行训练，得到适合的权重层矩阵，从而使得训练得到的瑕疵检测模型得以在实现对图片中是否有瑕疵的准确判断的同时，还可以针对有瑕疵的图片快速得到瑕疵在图片中的位置信息。

进一步地，所述损失函数为分类损失函数加上瑕疵位置损失函数。

上述训练的瑕疵检测模型包括可实现瑕疵分类的神经网络以及加强瑕疵位置权重的权重层，在上述实现过程中，在通过分类损失函数实现对于图片分类准确性的判定的同时，还通过瑕疵位置损失函数对瑕疵位置确定的准确性也进行判定，进而综合两方面来确定瑕疵检测模型是否需要继续迭代，这就使得训练得到的瑕疵检测模型更为准确、可用。

进一步地，所述分类损失函数为交叉熵函数或softmax函数。