[发明专利]一种应用于工业检测的分类方法、装置及设备

说明书

本申请涉及工业检测技术领域，具体而言，涉及一种应用于工业检测的分类方法、装置及设备，一定程度上可以解决对于提取获得的图像特征相似度较高的待检测零件导致模型分类检测能力较差的问题。所述分类方法包括以下步骤：图像数据输入至分类模型，并提取图像数据的特征向量；通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述分类决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果。

技术领域

本申请涉及工业检测技术领域，具体而言，涉及一种应用于工业检测的分类方法、装置及设备。

背景技术

近年来，深度学习领域持续发展，深度学习模型工业检测领域也开始应用。工业检测图像使用分类模型检测零件，从而将产品分类为合格和不合格类别。由于产品中缺陷类别，形态多样，传统算法很提取有效的特征，检测效果不好。因此深度学习模型逐渐应用至工业领域。

在一些深度学习模型检测零件过程的实现中，深度学习模型自动学习待检测零件提取获得的图像特征，通过深度学习模型对未知类别的检测零件进行分类。

然而，当待检测零件提取的图像特征相似度较高时，会导致通过深度学习模型检测零件产生分类错误的问题，模型分类检测能力较差。

发明内容

为了解决对于待检测零件提取的图像特征相似度较高导致模型分类检测能力较差的问题，本申请提供了一种应用于工业检测的分类方法、装置及设备。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种应用于工业检测的分类方法：包括以下步骤：

图像数据输入至分类模型，并提取图像数据的特征向量；

通过分类模型将所述特征向量的多维特征空间映射至线性特征空间，所述线性特征空间用于转化形成角度空间；

基于所述角度空间，训练所述分类模型，并得到分类决策空间，所述分类决策空间用于对未知类别的图像进行分类，并获取预测输出的分类结果；

其中，在训练分类模型的过程中，在图像数据的相似度小于预设阈值时，在角度空间上增加第一边界，所述第一边界用于使得所述角度空间的类类间距变小，类间的间距变大；

在图像数据的相似度大于预设阈值时，在角度空间上增加第二边界，所述第二边界为所述第一边界与强化系数经过计算获得，其中，所述强化系数随着图像数据相似度的增大而增加，所述第二边界即所述分类决策空间的边界。

在一些实施例中，训练所述分类模型包括：

初始化权重矩阵，并设定角度空间强化间距；

输入相似度较小的图像数据，构建第一边界；

基于所述第一边界，判断输入图像数据的相似度，当输入图像数据的相似度较大时，通过强化系数获得第二边界；

其中，强化系数随着图像数据相似度的增大而增加。

在一些实施例中，在图像数据输入至分类模型，并提取图像数据的特征向量步骤中：

所述特征向量具体为经过分类模型提取的一维向量和输入图像数据已知类别向量，所述类别向量为大小为分类的类别数的一维向量。

在一些实施例中，所述第一边界的构建过程包括：

通过权重矩阵与图像数据提取的一维向量的点积，获得图像数据提取的一维向量与每一个类别在决策空间的参数的角度；

获取余弦向量，所述余弦向量为所述角度在当前图像数据类别的角度空间与强化角度空间间距的和的余弦。