[发明专利]缺陷检测方法及装置、电子设备和存储介质

说明书

本公开涉及一种缺陷检测方法及装置、电子设备和存储介质，通过获取待检测图像，通过缺陷检测网络对待检测图像进行缺陷检测，得到缺陷检测结果。其中，缺陷检测网络通过目标数据集训练得到，目标数据集包括带有真实标签的第一数据集和/或带有伪标签的第二数据集，第二数据集中的伪标签通过标签生成模型生成，其中，标签生成模型的置信度阈值基于所述第一数据集确定。本公开通过标注了真实标签的样本和半监督的方法标注伪标签的样本一同进行缺陷检测网络训练，以通过大量样本训练提高缺陷检测网络的准确程度，使得在缺陷检测时得到更加准确的缺陷检测结果。

技术领域

本公开涉及计算机技术领域，尤其涉及一种缺陷检测方法及装置、电子设备和存储介质。

背景技术

目前深度学习广泛应用于各领域中，能够提高缺陷检测过程的效率。然而缺陷检测网络的训练需要基于大量高质量标注数据，在标注数据量较少时缺陷检测网络训练结果较差，影响通过缺陷检测网络得到的缺陷检测结果。

发明内容

本公开提出了一种缺陷检测方法及装置、电子设备和存储介质，旨在通过提高通过缺陷检测网络得到缺陷检测结果的准确程度。

根据本公开的第一方面，提供了一种缺陷检测方法，包括：

获取待检测图像；

通过缺陷检测网络对所述待检测图像进行缺陷检测，得到缺陷检测结果；

其中，所述缺陷检测网络通过目标数据集训练得到，所述目标数据集包括带有真实标签的第一数据集和/或带有伪标签的第二数据集，所述第二数据集中的伪标签通过标签生成模型生成，所述标签生成模型的置信度阈值基于所述第一数据集确定。

在一种可能的实现方式中，所述第二数据集中伪标签的生成过程包括：

将所述第二数据集中的每个第二图像数据输入所述标签生成模型，得到每个所述第二图像数据对应的检测信息，所述检测信息包括检测结果和对应的置信度；

从所述第二图像数据的检测信息中，筛选出符合要求的检测结果，作为第二图像数据的伪标签。

在一种可能的实现方式中，所述第一数据集中包括至少两个第一图像数据和每个所述第一图像数据的真实标签；

基于所述第一数据集确定所述标签生成模型的置信度阈值，包括：

将各所述第一图像数据输入训练得到的标签生成模型，得到各所述第一图像数据的检测信息，所述检测信息中包括检测结果和对应的置信度；

根据各所述第一图像数据的检测信息和真实标签确定所述标签生成模型的置信度阈值。

在一种可能的实现方式中，所述根据各所述第一图像数据的检测信息和真实标签确定所述标签生成模型的置信度阈值包括：

确定候选阈值：

根据所述候选阈值筛选各所述第一图像数据的检测信息，得到目标检测信息；

根据所述目标检测信息和真实标签确定调整信息；

根据所述调整信息和所述候选阈值确定置信度阈值。

在一种可能的实现方式中，所述根据所述目标检测信息和真实标签确定调整信息，包括：

根据所述目标检测信息和真实标签确定召回率和/或检测准确度；

根据所述召回率和/或检测准确度确定调整信息。

在一种可能的实现方式中，根据每个所述目标检测信息确定检测框集合，所述检测框集合中包括至少一个检测图像框；

根据各所述目标检测信息对应的目标图像数据的真实标签确定标注框集合，所述标注框集合中包括至少一个标注图像框；