[发明专利]缺陷检测模型生成系统、方法、装置和计算机设备在审

专利信息
申请号: 202010892996.7 申请日: 2020-08-31
公开(公告)号: CN112102263A 公开(公告)日: 2020-12-18
发明(设计)人: 陈欣赏;李睿宇;石康;蒋园园;周超;王晓飞;梁灏 申请(专利权)人: 深圳思谋信息科技有限公司
主分类号: G06T7/00 分类号: G06T7/00;G06N20/00
代理公司: 广州华进联合专利商标代理有限公司 44224 代理人: 毛丹
地址: 518051 广东省深圳市*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 缺陷 检测 模型 生成 系统 方法 装置 计算机 设备
【说明书】:

本申请涉及一种缺陷检测模型生成系统、方法、装置、计算机设备和存储介质,系统包括:缺陷数据存储模块接收第一缺陷形态图像;获取与第一缺陷形态图像对应的标注信息;根据第一缺陷形态图像以及对应的标注信息,得到第二缺陷形态图像并发送至缺陷检测模型训练模块;缺陷检测模型训练模块根据参数配置信息确定算法镜像、候选训练服务器集群;根据算法镜像建立对应的缺陷检测模型;调度候选训练服务器集群,基于第二缺陷形态图像对缺陷检测模型进行训练,得到训练完成的缺陷检测模型。本系统根据算法镜像建立对应模型,能够满足对于不同缺陷类型进行检测的模型需求;通过选取候选训练服务器集群,无需人工参与,提高了缺陷检测模型生成的效率。

技术领域

本申请涉及人工智能技术领域,特别是涉及一种缺陷检测模型生成系统、方法、装置、计算机设备和存储介质。

背景技术

近年来新兴3C产品层出不穷,而这些产品又需要依靠种类繁多的零部件支撑;这些零部件具有体积小,外形不规则的特点,人工在复杂的生产环境下很难准确检测出零部件存在的细微缺陷。

随着人工智能技术的普及,深度学习技术也被引入了3C产业;通过缺陷检测模型,能够代替人工对3C产品进行质量缺陷的检测工作。传统的机器学习方法不能很好地适应产品快速更迭,人工训练调试模型则需要耗费大量时间成本,同时能够训练的模型类型较为单一,整体时效性较差,无法及时满足客户多样化的需求。因此,现有的缺陷检测模型生成效率还较低。

发明内容

基于此,有必要针对上述技术问题,提供一种能够提高缺陷检测模型生成效率的缺陷检测模型生成系统、方法、装置、计算机设备和存储介质。

一种缺陷检测模型生成系统,所述系统包括:缺陷数据存储模块以及缺陷检测模型训练模块;所述缺陷数据存储模块与所述缺陷检测训练模块之间通信连接;

所述缺陷数据存储模块用于接收所述终端上传的第一缺陷形态图像;获取与所述第一缺陷形态图像对应的标注信息;根据所述第一缺陷形态图像以及对应的标注信息,得到携带有所述标注信息的第二缺陷形态图像;将所述第二缺陷形态图像发送至所述缺陷检测模型训练模块;

所述缺陷检测模型训练模块用于获取终端发送的缺陷检测模型训练请求中携带的参数配置信息;根据所述参数配置信息确定算法镜像以及候选训练服务器集群;根据所述算法镜像建立对应的缺陷检测模型;调度所述候选训练服务器集群,基于所述第二缺陷形态图像对所述缺陷检测模型进行训练,得到训练完成的缺陷检测模型。

在其中一个实施例中,所述缺陷检测模型生成系统还包括账户变更模块;所述账户变更模块包括账户创建模块、账户识别模块以及权限调整模块;所述账户创建模块用于响应于所述终端发送的账户创建请求,生成对应的账户信息;所述账户信息携带有账户标识;所述账户识别模块用于识别出与所述账户标识对应的账户信息;所述权限调整模块用于调整与所述账户信息对应的权限参数。

在其中一个实施例中,所述缺陷数据存储模块中还包括缺陷数据获取模块;所述缺陷数据获取模块用于响应于终端发送的缺陷形态图像上传请求;获取所述缺陷形态图像上传请求中携带的所述账户信息,并确定与所述账户信息对应的权限参数;若所述权限参数小于预设权限阈值,则拒绝执行所述缺陷形态图像上传请求;若所述权限参数大于或等于所述预设权限阈值,则根据所述缺陷形态图像上传请求,获取所述第一缺陷形态图像以及与所述第一缺陷形态图像对应的标注信息。

在其中一个实施例中,所述缺陷检测模型训练模块中还包括集群调度模块;所述集群调度模块用于获取多个训练服务器集群的运行状态;根据所述训练服务器集群的运行状态确定所述训练服务器集群的负载状态参数;将所述负载状态参数小于预设负载阈值的训练服务器集群,作为所述候选训练服务器集群。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳思谋信息科技有限公司,未经深圳思谋信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010892996.7/2.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top