[发明专利]缺陷分割网络训练方法、装置、设备及可读存储介质

说明书

本申请公开了一种缺陷分割网络训练方法、装置、设备和可读存储介质，该方法包括对样本训练集进行特征提取得到特征图；对所述样本训练集中的各训练图像生成缺陷区域框；对所述样本训练集中的各训练图像生成非缺陷区域框；根据所述缺陷区域框和所述非缺陷区域框对所述特征图进行截取，获取截取后的截取特征图以及对应的截取标注信息；根据所述截取特征图与所述截取标注信息对缺陷分割网络的网络参数进行监督训练。通过缺陷区域框与非缺陷区域框对特征图进行截取，从而调整缺陷区域在训练过程中输入信息中所占的比例，从而提高缺陷分割方法的识别准确性。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种缺陷分割网络训练方法、装置、设备及可读存储介质。

背景技术

在工业场景中，对产品的出厂指标都有非常严格的要求，这些要求为产品出厂后发挥功能性作用提供了保证。在工业场景下，各种机械、声、光、电的复杂环境和众多工序可能会给产品的外观造成损坏，使其成为带缺陷的产品零件。以往，大量的针对产品零件的缺陷检测都非常依赖于人工逐一检测，占用了大量的人力资源，消耗了大量的人力成本。

目前，工业界已经开始出现通过传统图像算法甚至利用训练的语义分割神经网络模型对缺陷进行识别。

对于传统的图像处理算法而言，存在诸如检测的缺陷种类非常单一，处理算法的前期验证复杂等不足，进而影响检测的效率。对于已经投入少量应用的语义分割神经网络模型的方案来说，在网络的训练过程中，有缺陷的产品往往数量很少，在有缺陷的产品的图像上，缺陷对应的区域往往也很小。通过这样的方式训练出来的网络模型，在实际应用检测的过程中，存在诸如小缺陷不易识别或者缺陷检测不出的问题，从而影响检测的效果。

发明内容

本申请的主要目的在于提供一种缺陷分割网络训练方法、装置、设备及可读存储介质，旨在解决现有的缺陷识别方法的准确率低的问题。

为实现上述目的，本申请提供的一种缺陷分割网络训练方法，所述缺陷分割网络训练方法包括以下步骤：

对样本训练集进行特征提取得到特征图；

对所述样本训练集中的各训练图像生成缺陷区域框；

对所述样本训练集中的各训练图像生成非缺陷区域框；

根据所述缺陷区域框和所述非缺陷区域框对所述特征图进行截取，获取截取后的截取特征图以及对应的截取标注信息；

根据所述截取特征图与所述截取标注信息对缺陷分割网络的网络参数进行监督训练。

可选地，所述对样本训练集进行特征提取得到特征图的步骤包括：

获取样本数据集；

对所述样本数据集中的训练图像，通过包含卷积层的神经网络模型进行特征提取，得到特征图。

可选地，所述对所述样本训练集中的各训练图像生成缺陷区域框的步骤包括：

获取各训练图像的缺陷标注信息；

根据所述缺陷标注信息，获取各所述训练图像的各缺陷区域的各中心坐标；

对第一预设数目的所述中心坐标进行随机扰动，获取扰动缺陷中心点；

根据所述扰动缺陷中心点，生成缺陷区域框。

可选地，所述对所述样本训练集中的各训练图像生成非缺陷区域框的步骤包括：

对各训练图像随机选取第二预设数目的像素点；

以所述像素点为中心，生成非缺陷区域框。

可选地，所述以所述像素点为中心，生成非缺陷区域框的步骤包括：