[发明专利]物体缺陷检测模型的训练方法、物体缺陷检测方法及装置

说明书

本申请公开了一种物体缺陷检测模型的训练方法、物体缺陷检测方法及装置，该物体缺陷检测模型的训练方法包括：获取物体的待训练图像，并通过物体缺陷检测模型的特征提取子网络对待训练图像进行特征提取，得到待训练图像的特征图；通过物体缺陷检测模型的分类子网络对待训练图像的特征图进行分类，得到图像的分类结果和分类损失值；通过物体缺陷检测模型的缺陷检测子网络对有缺陷待训练图像进行缺陷检测，得到有缺陷图像的缺陷检测结果和缺陷检测损失值；根据分类损失值和缺陷检测损失值，利用梯度下降算法对物体缺陷检测模型的参数进行优化，得到训练后的物体缺陷检测模型。本申请的训练方法缩短了模型训练的整体耗时，并且提升了模型的检测精度。

技术领域

本申请涉及物体检测技术领域，具体涉及一种物体缺陷检测模型的训练方法、物体缺陷检测方法及装置。

背景技术

在工件等物体检测技术领域，采集超高分辨率的工件图像是提高工件检测结果的准确率的重要保证。超高分辨率图像通常是指像素超过5000万的图像，然而在利用超高分辨率图像进行缺陷检测模型的训练和测试时，会遇到如下问题：1)图像分辨率过大，导致现有的缺陷检测模型在训练时显存占用太高，在只有16G显存的GPU(Graphics ProcessingUnit，图像处理器)上无法正常训练；2)工件缺陷的尺度变化通常很多，同一种检测模型很难同时兼顾工件上可能存在的大型缺陷和微小缺陷；3)模型的整体运行时间较长。

针对上述问题，现有技术进行了改进，通过对超高分辨率图像进行压缩或者拆分，然后再输入神经网络模型进行训练，最后根据训练好的模型对工件进行缺陷检测。

然而发明人发现，上述针对超高分辨率图像的缺陷检测模型的训练方法，仍然存在着无法同时保证模型的训练效率和检测精度的问题。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的物体缺陷检测模型的训练方法、物体缺陷检测方法及装置。

依据本申请的第一方面，提供了一种物体缺陷检测模型的训练方法，包括：

获取物体的待训练图像，并通过物体缺陷检测模型的特征提取子网络对所述待训练图像进行特征提取，得到待训练图像的特征图，其中所述待训练图像包括有缺陷待训练图像和无缺陷待训练图像的图像集；

通过物体缺陷检测模型的分类子网络对所述有缺陷待训练图像和所述无缺陷待训练图像的特征图进行分类，得到所述待训练图像的分类结果和分类损失值；

通过物体缺陷检测模型的缺陷检测子网络对所述有缺陷待训练图像进行缺陷检测，得到有缺陷图像的缺陷检测结果和缺陷检测损失值；

根据所述分类损失值和所述缺陷检测损失值，利用梯度下降算法对所述物体缺陷检测模型的参数进行优化，得到训练后的物体缺陷检测模型，以基于所述训练后的物体缺陷检测模型进行物体缺陷检测。

可选地，所述通过物体缺陷检测模型的特征提取子网络对所述待训练图像进行特征提取包括：

将所述待训练图像输入所述特征提取子网络，依次进行一次1x1卷积、一次3x3卷积、一次全局最大池化、一次3x3卷积和一次全局最大池化处理后，得到子特征图；

对所述子特征图进行一次3x3卷积后，得到第一输出特征图；

对所述第一输出特征图进行一次3x3卷积后，得到第二输出特征图；

对所述第二输出特征图进行一次3x3卷积后，得到第三输出特征图；

将所述第一输出特征图、所述第二输出特征图和所述第三输出特征图进行多次全连接后，得到第四输出特征图，将所述第四输出特征图作为所述待训练图像的特征图。