零件异常检测方法、模型训练方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110738164A(43)申请公布日2020.01.31(21)申请号201910969632.1(22)申请日2019.10.12(71)申请人北京猎户星空科技有限公司地址100025北京市朝阳区姚家园南路一号惠通时代广场8号(72)发明人侯峰(74)专利代理机构北京同达信恒知识产权代理有限公司11291代理人王英(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/08(2006.01)G06T7/00(2017.01)权利要求书2页说明书16页附图5页(54)发明名称零件异常检测方法、模型训练方法及装置(57)摘要本申请公开了一种零件异常检测方法、模型训练方法及装置，涉及计算机视觉技术领域，该方法包括：获取待检测区域的待检测图像，所述待检测区域包括至少一个零件；将所述待检测图像输入至预先训练的神经网络模型；获取所述神经网络模型的输出结果，所述输出结果中包括所述待检测图像中包含的各个零件的位置信息及各个零件的状态信息，所述状态信息用于指示所述零件处于正常状态或异常状态。通过该方式检测零件的状态，提高了零件异常的检测的精确度。CN110738164ACN110738164A权利要求书1/2页1.一种零件异常检测方法，其特征在于，所述方法包括：获取待检测区域的待检测图像，所述待检测区域包括至少一个零件；将所述待检测图像输入至预先训练的神经网络模型；获取所述神经网络模型的输出结果，所述输出结果中包括所述待检测图像中包含的各个零件的位置信息及各个零件的状态信息，所述状态信息用于指示所述零件处于正常状态或异常状态。2.一种用于零件异常检测的神经网络模型训练方法，其特征在于，包括：获取训练图像以及所述训练图像的标注数据；其中，所述训练图像为包括待检测区域的图像，所述待检测区域包括至少一个零件，所述标注数据用于标注所述训练图像中各个零件的位置信息及各个零件的状态信息，所述状态信息用于指示所述零件处于正常状态或异常状态；根据所述训练图像和所述训练图像的标注数据，对神经网络模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述训练图像中包括正样本和负样本，所述正样本包括所述训练图像中各零件所在区域的图像像素点；所述负样本包括所述训练图像中除零件之外的区域的图像像素点；所述根据所述训练图像和所述训练图像的标注数据，对神经网络模型进行训练，包括：根据所述训练图像中的所述正样本及所述正样本的标注数据和所述负样本及所述负样本的标注数据，对所述神经网络模型进行训练；其中，所述正样本的标注数据中包括：各零件的位置信息以及各零件的状态信息；所述负样本的标注数据中包括：所述负样本包含的像素点的位置信息以及状态信息。4.根据权利要求2所述的方法，其特征在于，所述根据所述训练图像和所述训练图像的标注数据，对神经网络模型进行训练，包括：提取所述训练图像的图像特征，所述图像特征中包括用于表征所述训练图像中各零件位置的第一通道的特征图，以及用于表征所述训练图像中各零件状态的第二通道的特征图；根据所述第一通道的特征图中的特征值，确定各零件的位置信息；以及，根据所述第二通道的特征图中的特征值，确定各零件的状态信息；根据所确定的各零件的位置信息和各零件的状态信息、以及所述训练图像的标注数据，对所述神经网络模型进行训练。5.根据权利要求4所述的方法，其特征在于，所述根据所述训练图像和所述训练图像的标注数据，对神经网络模型进行训练，包括：基于所述第一通道的特征图的特征值，计算所述神经网络模型识别的所述训练图像中的各个零件的位置信息对应的第一损失量；基于所述第二通道的特征图的特征值计算关于识别的各个零件的状态信息的第二损失量；基于所述第一通道的特征图的特征值，和/或，基于所述第二通道的特征图的特征值计算关于所述训练图像背景和前景分离的第三损失量；基于所述第一损失量、所述第二损失量以及所述第三损失量，计算所述神经网络模型的总损失量。2CN110738164A权利要求书2/2页6.根据权利要求5所述的方法，其特征在于，计算所述第一损失量、所述第二损失量以及所述第三损失量，包括：根据所述正样本的样本权重值和所述负样本的样本权重值，分别计算所述第一损失量、所述第二损失量以及所述第三损失量，其中，所述正样本的样本权重值大于所述负样本的样本权重值。7.一种零件异常检测装置，其特征在于，所述装置包括：待检测图像获取模块，用于获取待检测区域的待检测图像，所述待检测区域包括至少一个零件；输入模块，用于将所述待检测图像输入至预先训练的神经网络模型；输出结果获取模块，用于获取所述神经网络模型的输出结果，所述输出结果中包括所述待检测图像中包含的各个零件的位置信息及各个零