[发明专利]训练缺陷分级检测模型的方法、装置、设备及存储介质

权利要求书

1.一种训练缺陷分级检测模型的方法，其特征在于，所述缺陷分级检测模型用于从工业缺陷识别图像中检测缺陷的类型、位置和级别，该方法包括：

获取样本图像，所述样本图像包括缺陷位置和类别的标注信息；

将所述样本图像输入预设的缺陷分级检测模型，所述缺陷分级检测模型包括用于获取缺陷的类别和位置的分类分支网络，用于获取缺陷的级别的分级分支网络，以及用于生成缺陷级别伪标签的聚类分支网络；

利用所述缺陷分级检测模型中的分类分支网络和分级分支网络对所述样本图像进行缺陷分级检测，得到所述样本图像中缺陷的预测类别、预测位置和预测级别；

利用所述缺陷分级检测模型中的聚类分支网络对所述样本图像进行处理得到所述样本图像中缺陷级别的伪标签，并将所述伪标签作为所述样本图像中缺陷级别的真值；

根据所述样本图像的缺陷的所述预测类别、预测位置、预测级别以及所述样本图像中缺陷位置和类别的所述标注信息、所述样本图像中缺陷级别的伪标签训练所述预设的缺陷分级检测模型，得到目标缺陷分级检测模型。

2.根据权利要求1所述的方法，其特征在于，所述利用所述缺陷分级检测模型对所述样本图像进行缺陷分级检测，得到所述样本图像中缺陷的预测类别、预测位置和预测级别，包括：

获取所述样本图像的特征图；

利用所述分类分支网络对所述特征图进行处理，得到所述样本图像中的缺陷的所述预测类别和所述预测位置；

利用所述分级分支网络对所述特征图进行处理，得到所述样本图像中的缺陷的预测级别。

3.根据权利要求2所述的方法，其特征在于，所述聚类分支网络包括类激活映射子网络、特征提取子网络、特征集子网络和聚类子网络；

所述利用所述缺陷分级检测模型中的聚类分支网络对所述样本图像进行处理来得到所述样本图像中缺陷级别的伪标签，包括：

利用所述类激活映射子网络，根据所述特征图和所述样本图像中缺陷的所述预测类别和预测位置得到每类缺陷的热力图；

利用所述特征提取子网络，根据所述热力图得到每类缺陷的缺陷分级特征向量；

利用所述特征集子网络，按照缺陷的所述预测级别将缺陷分级特征向量存入对应类别缺陷的分级特征集中；

利用所述聚类子网络，对各类别缺陷的分级特征集进行聚类，得到各类别缺陷的缺陷级别的所述伪标签，所述伪标签用于表示缺陷的级别。

4.根据权利要求3所述的方法，其特征在于，所述利用所述特征提取子网络，根据所述热力图得到每类缺陷的缺陷分级特征向量，包括：

获取所述热力图的热力图前景面积大小、热力图前景二值图的填充度、热力图前景区的均匀度、热力图前景与背景的对比度、热力图高亮区域的占比中的至少一种信息。

5.根据权利要求3所述的方法，其特征在于，所述利用所述聚类子网络对各类别缺陷的分级特征集进行聚类，得到各类别缺陷的缺陷级别的所述伪标签，所述伪标签用于表示缺陷的级别，包括：

利用聚类子网络用于对各类别缺陷的分级特征集进行聚类，得到与缺陷等级数对应的分级特征向量组和所述分级特征向量组的特征大小；

根据预设的伪标签以及每个分级特征向量组的特征大小为每个分级特征向量组标识所述伪标签，以得到各类别缺陷的缺陷级别的所述伪标签。

6.根据权利要求3所述的方法，其特征在于，所述样本图像划分为多个样本图像组，每个所述样本图像组包括多个所述样本图像，

在利用所述聚类子网络，对各类别缺陷的分级特征集进行聚类之前，

利用所述类激活映射子网络、特征提取子网络、特征集子网络获取每个所述样本图像组的缺陷的全部分级特征集。