CN114330090B - 一种缺陷检测方法、装置、计算机设备和存储介质 - Google Patents
一种缺陷检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114330090B CN114330090B CN202111120360.1A CN202111120360A CN114330090B CN 114330090 B CN114330090 B CN 114330090B CN 202111120360 A CN202111120360 A CN 202111120360A CN 114330090 B CN114330090 B CN 114330090B
- Authority
- CN
- China
- Prior art keywords
- population
- defect detection
- index
- individuals
- detection information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 342
- 238000001514 detection method Methods 0.000 title claims abstract description 251
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 117
- 238000000034 method Methods 0.000 claims description 65
- 230000002068 genetic effect Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 36
- 230000006978 adaptation Effects 0.000 claims description 28
- 230000006798 recombination Effects 0.000 claims description 26
- 238000005215 recombination Methods 0.000 claims description 26
- 230000035772 mutation Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000008521 reorganization Effects 0.000 claims description 4
- 230000008094 contradictory effect Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 18
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000007689 inspection Methods 0.000 description 21
- 238000004422 calculation algorithm Methods 0.000 description 20
- 230000002950 deficient Effects 0.000 description 17
- 238000010801 machine learning Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000010076 replication Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000006181 electrochemical material Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003874 inverse correlation nuclear magnetic resonance spectroscopy Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例公开了一种缺陷检测方法、装置、计算机设备和存储介质；本申请实施例可应用于云技术、人工智能、智慧交通、辅助驾驶等各种场景。本申请实施例可以获取针对工业元器件的至少一个缺陷检测信息；基于缺陷检测信息确定至少两个性能衡量指标，以及性能衡量指标之间的指标均衡关系；根据至少一个缺陷检测信息和指标均衡关系，构建性能衡量指标的指标调整函数，指标调整函数包括参数约束条件和待求解判别阈值；根据参数约束条件对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值；基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果，可以提高对工业元器件进行缺陷检测的效率。
Description
技术领域
本申请涉及计算机技术领域，具体涉及一种缺陷检测方法、装置、计算机设备和存储介质。
背景技术
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能技术是一门综合学科，可以应用于各个领域。例如，可以将人工智能技术应用于工业检测领域。例如，可以将人工智能技术对工业元器件进行检测，从而得到工业元器件的缺陷检测结果。其中，在利用人工智能技术对工业元器件进行检测时，一般需要进行参数搜索。但是，在对现有技术的实践中，本申请的发明人发现现有的参数搜索方法存在搜索时间长，效率低下的问题。
发明内容
本申请实施例提出了一种缺陷检测方法、装置、计算机设备和存储介质，可以提高参数搜索的效率，从而提高对工业元器件进行缺陷检测的效率。
本申请实施例提供了一种缺陷检测方法，包括：
获取针对工业元器件的至少一个缺陷检测信息；
基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；
根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；
根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
相应的，本申请实施例还提供了一种缺陷检测装置，包括：
获取单元，用于获取针对工业元器件的至少一个缺陷检测信息；
确定单元，用于基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；
构建单元，用于根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；
求解单元，用于根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
可信度判别单元，用于基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
在一实施例中，所述求解单元，包括：
编码子单元，用于对所述至少一个缺陷检测信息进行编码处理，得到初始种群，其中，所述初始种群包括至少一个种群个体，所述种群个体表征编码后缺陷检测信息；
第一计算子单元，用于计算所述种群个体的个体适应度；
第一搜索子单元，用于基于所述个体适应度，在所述种群个体中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值。
在一实施例中，所述搜索子单元，包括：
指标映射模块，用于对所述个体适应度进行指标映射，得到所述种群个体的指标映射值；
匹配模块，用于将所述指标映射值和所述参数约束条件进行匹配，得到匹配结果；
确定模块，用于当所述匹配结果为所述指标映射值和所述参数约束条件相匹配时，将所述种群个体对应的缺陷检测信息确定为所述求解判别阈值。
在一实施例中，所述求解单元，还包括：
演化子单元，用于当所述指标映射值和所述参数约束条件不相匹配时，对所述初始种群中的种群个体进行演化处理，得到演化后种群，所述演化后种群包括至少一个演化后种群个体；
第二计算子单元，用于计算所述演化后种群个体的个体适应度；
第二搜索子单元，用于基于所述个体适应度，在所述演化后种群中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值。
在一实施例中，所述演化子单元，包括：
变异模块，用于对所述初始种群的种群个体进行变异处理，得到变异后种群个体；
重组模块，用于对所述变异后种群个体进行信息重组处理，得到所述演化后种群个体。
在一实施例中，所述变异模块，包括：
第一筛选子模块，用于从所述种群个体中筛选出目标变异种群个体；
融合子模块，用于将所述目标变异种群个体和所述至少一个预设变异影响因子进行融合处理，得到所述变异后种群个体。
在一实施例中，所述重组模块，包括：
识别子模块，用于对所述变异后种群个体进行识别，得到所述变异后种群个体的至少一个遗传信息；
第二重组子模块，用于从所述至少一个遗传信息中筛选出至少一个重组遗传信息；
重组子模块，用于将所述至少一个重组遗传信息和预设重组比例因子进行重组，得到所述演化后种群个体。
在一实施例中，所述第一计算子单元，包括：
遍历模块，用于对所述初始种群进行遍历，得到所述初始种群的种群规模和位置系数；
获取模块，用于获取所获取所述种群个体在所述初始种群中的环境适应压力；
逻辑运算模块，用于将所述种群规模、所述位置系数和所述环境适应压力进行逻辑运算处理，得到所述个体适应度。
在一实施例中，所述逻辑运算模块，包括：
计算子模块，用于基于所述种群规模和所述位置系数计算所述种群个体的等级系数；
线性运算子模块，用于将所述等级系数和所述环境适应压力进行线性运算处理，得到所述个体适应度。
在一实施例中，所述确定单元，包括：
获取子单元，用于获取至少两个性能衡量规则；
指标换算子单元，用于对所述缺陷检测信息在所述至少两个性能衡量规则下进行指标换算处理，得到所述至少两个性能衡量指标。
在一实施例中，所述构建单元，包括：
解析子单元，用于对所述缺陷检测信息进行解析，得到至少一个缺陷检测参数；
设置子单元，用于根据所述缺陷检测参数设置所述待求解判别阈值；
构建子单元，用于基于所述缺陷检测参数的预设边界点构建所述参数约束条件。
在一实施例中，所述可信度判别单元，包括：
可信度判别子单元，用于基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述缺陷检测信息的判别结果；
生成子单元，用于基于所述判别结果生成所述工业元器件的缺陷检测结果。
本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述一方面的各种可选方式中提供的方法。
相应的，本申请实施例还提供一种存储介质，所述存储介质存储有指令，所述指令被处理器执行时实现本申请实施例任一提供的缺陷检测方法。
本申请实施例可以获取针对工业元器件的至少一个缺陷检测信息；基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果，可以提高搜索求解判别阈值的效率，从而提高对工业元器件进行缺陷检测的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的缺陷检测方法的场景示意图；
图2是本申请实施例提供的缺陷检测方法的流程示意图；
图3是本申请实施例提供的个体适应度和指标映射值之间的关系图；
图4是本申请实施例提供的缺陷检测方法的又一流程示意图；
图5是本申请实施例提供的缺陷检测方法的又一场景示意图；
图6是本申请实施例提供的多目标种群方法的流程示意图；
图7是本申请实施例提供的缺陷检测装置的结构示意图；
图8是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，然而，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提出了一种缺陷检测方法，该缺陷检测方法可以由缺陷检测装置执行，该缺陷检测装置可以集成在计算机设备中。其中，该计算机设备可以包括终端以及服务器等中的至少一个。即，本申请实施例提出的缺陷检测方法即可以由终端执行，还可以由服务器执行，还可以由能够进行互相通信的终端和服务器共同执行。
其中，终端可以包括但不限于智能手机、平板电脑、笔记本电脑、个人电脑(Personal Computer，PC)、智能家电、可穿戴电子设备、VR/AR设备、车载终端、智能语音交互设备等等。
服务器可以为多个异构系统之间的互通服务器或者后台服务器，还可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器等等。
需要说明的是，本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
在一实施例中，如图1所述，缺陷检测装置可以集成在终端或服务器等计算机设备上，以实施本申请实施例提出的缺陷检测方法。具体地，计算机设备可以获取针对工业元器件的至少一个缺陷检测信息；基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
以下分别进行详细说明，需要说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
本申请实施例将从缺陷检测装置的角度进行描述，该缺陷检测装置可以集成在计算机设备中，该计算机设备可以是服务器，也可以是终端等设备。
如图2所述，提供了一种缺陷检测方法，具体流程包括：
101、获取针对工业元器件的至少一个缺陷检测信息。
其中，工业元器件可以包括电子元件和机器、仪器的组成部分。例如，工业元器件可以包括电器、无线电、仪表等工业的零件。例如，工业元器件可以包括电阻、电容、电感、电位器、电子管、继电器、集成电路、各类电路、晶体、电子化学材料，等等。
其中，缺陷检测信息包括通过缺陷检测方法对工业元器件进行检测后所得到的信息。例如，当工业元器件可能存在缺陷时，则会被检测出缺陷检测信息。而当工业元器件可能不存在缺陷时，则不会被检测出缺陷检测信息。
其中，该缺陷检测方法可以包括基于自动化的工业质检方法。其中，基于自动化的工业质检方法包括使用计算机等电子设备在工业产品的生产过程中进行自动化质量测检的过程。相比于传统的人工质检过程，工业自动化质检具有智能、高效、稳定的特点，是未来工业质检的发展方向。
在一实施例中，可以采用基于人工智能(Artificial Intelligence，AI)的质检平台对工业元器件进行缺陷检测。例如，可以利用拍摄设备采集工业元器件的图像，并将采集到的图像输入到基于AI的质检平台中，从而得到工业元器件的缺陷检测信息。
其中，该基于AI的质检平台可以是一个深度学习或者机器学习的模型。
其中，AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中，机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
例如，该基于AI的质检平台可以是卷积神经网络(Convolutional NeuralNetworks,CNN)、反卷积神经网络(De-Convolutional Networks,DN)、深度神经网络(DeepNeural Networks，DNN)、深度卷积逆向图网络(Deep Convolutional Inverse GraphicsNetworks,DCIGN)、基于区域的卷积网络(Region-based Convolutional Networks，RCNN)、基于区域的快速卷积网络(Faster Region-based Convolutional Networks，FasterRCNN)和双向编解码(Bidirectional Encoder Representations from Transformers，BERT)模型等等中的至少一种。
在一实施例中，由于工业元器件一般都较小，且构造精密，因此在利用拍摄设备采集工业元器件时，可以将拍摄设备设计成多角度拍摄，从而使得拍摄设备可以在多个不同的角度上采集工业元器件的图像信息。例如，针对同一个工业元器件，可以令摄像头在多个不同的角度上对该工业元器件进行拍摄，从而得到该工业元器件在多个不同角度上的图像。然后，可以利用基于AI的质检平台对该工业元器件在多个不同角度上的图像进行推断，得到缺陷检测信息。
在一实施例中，当利用基于AI的质检平台对该工业元器件在多个不同角度上的图像进行推断时，可能有的图像会检测出多个缺陷检测信息，可能有的图像则检测不出缺陷检测信息。
在一实施例中，缺陷检测信息包括至少一个缺陷检测参数。
其中，缺陷检测参数包括缺陷类别、缺陷置信度和缺陷面积，等等。其中，缺陷置信度包括说明工业元器件属于某个缺陷类型的概率是多少。例如，当缺陷置信度为0.5时，说明工业元器件属于某个缺陷类型的概率是0.5。其中，缺陷面积包括说明工业元器件存在缺陷的区域面积的大小。
在一实施例中，本申请的发明人发现，利用基于AI的质检平台对工业元器件进行检测时，从质检平台的检测结果可以看出，缺陷种类多且表现形式不一，缺陷置信度大小分布差异大，缺陷面积尺度也不一样。因此，需要鲁棒性较强的阈值规则对缺陷检测信息进行可信度判别，从而避免正常无缺陷的工业元器件被误判为存在缺陷，或者有缺陷的工业元器件被误判为无缺陷。
在一实施例中，本申请实施例提出的缺陷检测方法可以高效地搜索出鲁棒性较强的判别阈值，并基于判别阈值构建阈值规则对缺陷检测信息进行可信度判别，从而降低对工业元器件的误判率，提高对工业元器件进行缺陷检测的准确率。
102、基于缺陷检测信息确定至少两个性能衡量指标，以及性能衡量指标之间的指标均衡关系。
在一实施例中，本申请实施例为了降低对工业元器件的误判率，本申请实施例会基于缺陷检测指标构建至少两个性能衡量指标。
其中，该性能衡量指标用于衡量缺陷检测信息的准确率和可靠性的指标。例如，该缺陷衡量规则可以包括准确率、精确率、漏检率和过杀率，等等。
在一实施例中，假设有A个工业元器件，其中，在该A个工业元器件中有P个工业元器件没有存在缺陷，而有N个工业元器件存在缺陷。其中，A＝P+N。
此外，假设这P个工业元器件中，被正确地检测为没有存在缺陷的工业元器件有TP个，而被错误地被检测为存在缺陷的工业元器件有FN个。其中，P＝TP+FN。
同理，假设这N个工业元器件中，被正确地检测为存在缺陷的工业元器件为TN个，而被错误地检测为不存在缺陷的工业元器件为FP个。其中，N＝TN+FP。
基于上述的假设，准确率可以指在所有的工业元器件中，具有正确的检测结果的工业元器件的比例。具体的，准确率可以如下述公式所示：
其中，准确率越高说明缺陷检测的结果越好。
精确率可以指被检测为没有存在缺陷的工业元器件中，真正没有存在缺陷的工业元器件的比例。具体的，精确率可以如下述公式所示：
其中，准确率越高说明缺陷检测的结果越好。
漏检率可以指对于存在缺陷的工业元器件中，被错误地判定为无缺陷的工业元器件的比例。具体的，漏检率可以如下述公式所示：
其中，漏检率越低说明缺陷检测的结果越好。
过杀率可以指对于无缺陷的工业元器件中，被错误地判定为存在缺陷的工业元器件的比例。具体的，过杀率可以如下述公式所示：
其中，过杀率越低说明缺陷检测的结果越好。
在一实施例中，可以基于缺陷检测信息确定至少两个性能衡量指标。具体的，步骤“基于缺陷检测信息确定至少两个性能衡量指标”，包括：
获取至少两个性能衡量规则；
对缺陷检测信息在至少两个性能衡量规则下进行指标换算处理，得到至少两个性能衡量指标。
其中，性能衡量规则可以包括性能衡量指标需要遵守的计算规则。例如，当性能衡量指标包括漏检率和过杀率时，性能衡量规则可以包括漏检率和过杀率的计算规则。例如，漏检率的性能衡量规则为过杀率的性能衡量规则为
在一实施例中，在获取得到至少两个性能衡量规则之后，可以对缺陷检测信息在至少两个性能衡量规则下进行指标换算处理，得到至少两个性能衡量指标。
例如，假设利用基于AI的质检平台对工业元器件在多个不同角度上拍摄的图像进行检测，得到每个角度图像的缺陷检测信息为：
其中，Xj表示AI质检平台对单张图像检测后生成的缺陷检测信息。N可以表示缺陷检测信息的数量。cj、sj、和aj可以表示缺陷检测参数。其中，cj可以表示缺陷类型。sj可以表示缺陷置信度。aj可以表示缺陷面积。
其中，缺陷检测装置接收到指令将漏检率和过杀率作为性能衡量指标。然后，缺陷检测装置可以获取漏检率和过杀率对应的性能衡量规则，并对缺陷检测信息在至少两个性能衡量规则下进行指标换算处理，得到至少两个性能衡量指标。
例如，缺陷检测装置可以依据性能衡量规则计算缺陷检测信息X的过杀率和漏检率。
在一实施例中，在确定了至少两个性能衡量指标之后，可以确定至少两个性能衡量指标之间的指标均衡关系。
其中，指标均衡关系可以包括多个性能衡量指标之间存在的一种关联关系。例如，指标均衡关系可以包括纳什均衡或帕累托最优，等等。
其中，帕累托最优是指资源分配的一种理想状态，假定固有的一群人和可分配的资源，从一种分配状态到另一种状态的变化中，在没有使任何人境况变坏的前提下，使得至少一个人变得更好，这就是帕累托改进或帕累托最优化。
例如，当性能均衡指标包括过杀率和漏检率时，由于过杀率和漏检率之间存在矛盾。若要提高工业元器件的过杀率，则便会降低工业元器件的漏检率。此时，若基于过杀率和漏检率构建指标调整函数时，所求出来的求解判别阈值便符合帕累托最优解。
在一实施例中，确定缺陷检测信息的至少两个性能衡量指标，以及性能衡量指标之间的指标均衡关系，可以从指标的维度出发构建指标调整函数。然后，可以通过对指标调整函数进行优化，从而在提高缺陷检测的性能衡量指标的同时，可以搜索出具有鲁棒性的判别阈值。
103、根据至少一个缺陷检测信息和所述指标均衡关系，构建性能衡量指标的指标调整函数，指标调整函数包括参数约束条件和待求解判别阈值。
在一实施例中，本申请实施例提出的缺陷检测方法可以高效地搜索出鲁棒性较强的判别阈值，并基于判别阈值构建阈值规则对缺陷检测信息进行可信度判别，从而降低对工业元器件的误判率，提高对工业元器件进行缺陷检测的准确率。其中，为了高效地搜索出鲁棒性较强的判别阈值，可以构建性能指标的指标调整函数，通过对指标调整函数进行求解从而得到鲁棒性较强的判别阈值。
其中，指标调整函数包括对至少两个性能衡量指标进行优化时，该至少两个性能衡量指标之间需要满足的条件。
在一实施例中，步骤“根据至少一个缺陷检测信息和指标均衡关系，构建性能衡量指标的指标调整函数，指标调整函数包括参数约束条件和待求解判别阈值”，可以包括：
对缺陷检测信息进行解析，得到至少一个缺陷检测参数；
根据缺陷检测参数设置待求解判别阈值；
基于缺陷检测参数的预设边界点构建参数约束条件。
例如，通过对缺陷检测信息进行解析，可以得到缺陷类别、缺陷置信度和缺陷面积。然后，可以根据缺陷类别、缺陷置信度和缺陷面积设置待求解判别阈值。此外，还可以基于缺陷类别、缺陷置信度和缺陷面积的预设边界点构建参数约束条件。
在一实施例中，当性能衡量指标为过杀率和漏检率时，指标调整函数可以如下所示：
min{overkill＝f1(x),escape＝f2(x)}
其中，f1(x)可以是基于缺陷检测信息和过杀率构建的过杀率优化函数。f2(x)可以是基于缺陷检测信息和漏检率构建的漏检率优化函数。在f1(x)和f2(x)中构建了待求解判别阈值和缺陷检测信息之间的映射关系。
其中，由于漏检率和过杀率越低说明缺陷检测的结果越好，所以min{overkill＝f1(x)，escape＝f2(x)}表示最小化过杀率和漏检率，从而使得在最小化过杀率和漏检率的前提下搜索出来的求解判别阈值可以提高缺陷检测的质量。
其中，在指标调整函数中，参数约束条件可以包括X＝{X1,X2,…,XN}、0≤sj≤1和0≤aj≤areaj。其中，areaj为每类缺陷的先验面积参数。
其中，x标识待求解判别阈值。例如，x可以是缺陷置信度对应的判别阈值。又例如，x可以是缺陷面积的判别阈值。又例如，x可以是一个向量，该向量中的元素包括缺陷置信度对应的判别阈值和缺陷面积的判别阈值。其中，参数约束条件X＝{X1,X2,…,XN}表示f1(x)和f2(x)中的x为在缺陷检测信息的范围内。参数约束条件表示缺陷检测信息包括缺陷类别、缺陷置信度和缺陷面积。参数约束条件0≤sj≤1表示缺陷置信度的大小被约束在[0,1]这个范围内。参数约束调剂0≤aj≤areaj表示缺陷面积的大小被约束在[0,areaj]这个范围内。
在一实施例中，在工业场景中，低过杀率，往往伴随高漏检率，低漏检率往往伴随高过杀率，因此在工业场景中，帕累托最优解的下限往往设置为对AI质检平台上线指标的要求。
104、根据参数约束条件对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值。
在一实施例中，在构建了指标调整函数之后，可以对指标调整函数中的待求解判别阈值进行求解，得到指标调整函数中的求解判别阈值。
在一实施例中，有多种方式可以对指标调整函数中的待求解判别阈值进行求解，得到指标调整函数中的求解判别阈值。例如，可以利用梯度下降法、牛顿法、种群算法、模拟退火算法、网格搜索算法和随机搜索算法等等对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值。
在一实施例中，本申请实施例基于构建的指标调整函数，提出了一个符合帕累托最优准则的多目标遗传算法。其中，该多目标遗传算法可以并行地对至少一个待求解判别阈值进行求解，从而得到求解判别阈值。例如，该多目标遗传算法可以并行地对缺陷置信度的判别阈值和缺陷面积的判别阈值进行搜索。通过本申请实施例提出的多目标遗传算法可以对指标调整函数中的待求解判别阈值进行求解，可以快速且准确地搜索出求解判别阈值。
其中，遗传算法(Genetic Algorithm,GA)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，不需要确定的规则就能自动获取和指导优化的搜索空间，自适应地调整搜索方向。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。
在一实施例中，依据遗传算法对指标调整函数中的待求解判别阈值进行求解时，可以对缺陷检测信息进行编码，得到初始种群。然后，计算初始种群中种群个体的适应度，并基于个体适应度搜索出求解判别阈值。具体的，步骤“根据参数约束条件对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值”，包括：
对至少一个缺陷检测信息进行编码处理，得到初始种群，其中，初始种群包括至少一个种群个体，种群个体表征编码后缺陷检测信息；
计算种群个体的个体适应度；
基于个体适应度，在种群个体中搜索出符合指标调整函数中参数约束条件的求解判别阈值。
其中，个体适应度用于度量种群个体对于生存环境的适应程度。譬如，个体适应度可以用于衡量种群个体可能是最优解的可能性。
在一实施例中，有多种方法可以对缺陷检测信息进行编码，得到编码后缺陷检测信息。例如，可以利用二进制编码法、浮点编码法或符号编码法等方法对缺陷检测信息进行编码，得到编码后缺陷检测信息。
在一实施例中，可以将编码后缺陷检测信息构建为初始种群，并将每个编码后缺陷检测信息表征为一个种群个体。
在一实施例中，为了衡量每个种群个体可能是最优解的可能性，可以计算初始种群中种群个体的个体适应度。本申请实施例结合工业应用场景提出了一种适应度计算方法。具体的，步骤“计算种群个体的个体适应度”，包括：
对初始种群进行遍历，得到初始种群的种群规模和位置系数；
获取种群个体在初始种群中的环境适应压力；
将种群规模、位置系数和环境适应压力进行逻辑运算处理，得到个体适应度。
其中，种群规模可以表示初始种群中种群个体的数量。
在一实施例中，每个种群个体实际上都是一个数字，因此，可以根据种群个体的大小对种群个体进行排序。而位置系数可以指种群个体的大小在初始种群中的排序位置。此外，还可以将种群个体输入到指标调整函数中进行计算，得到种群个体对应的指标映射值。然后，基于目标函数值的大小对种群个体进行排序，而位置系数可以指种群个体的指标映射值在初始种群中的排序位置。
在一实施例中，为了模拟自然界中种群个体生产的真实环境，还会为每个种群个体设置一个环境适应压力，该环境适应压力用于表征种群个体对环境变换时的承受程度。一般情况下，环境适应压力越大，种群个体越容易在环境中生存下来。
在一实施例中，可以通过对初始种群进行遍历，得到初始种群的种群规模和位置系数。
例如，通过对初始种群进行遍历，可以得到初始种群中的种群规模为Nind。此外，还可以在遍历的同时，对初始种群中的种群个体进行识别，得到每个种群个体的数值。然后，可以基于每个种群个体的数值对种群个体从大到小进行排序，得到每个种群个体的位置系数。
在一实施例中，当种群个体的位置系数指种群个体的指标映射值在初始种群中的排序位置时，可以计算每个种群个体的指标映射值，并基于每个种群个体的指标映射值对种群个体从大到小进行排序，得到每个种群个体的位置系数。
例如，可以令i表示种群个体在初始种群中的位置，其中，i∈[1，Nind]。
在一实施例中，环境适应压力可以是预先设置好存储在缺陷检测装置中。当计算个体适应度时，缺陷检测装置可以获取种群个体在初始种群中的环境适应压力。其中，环境适应压力可以是随机生成的。
在一实施例中，在得到种群规模、位置系数和环境适应压力之后，可以将种群规模、位置系数和环境适应压力进行逻辑运算处理，得到个体适应度。具体的，步骤“将种群规模、位置系数和环境适应压力进行逻辑运算处理，得到个体适应度”，可以包括：
基于种群规模和位置系数计算种群个体的等级系数；
将等级系数和环境适应压力进行线性运算处理，得到个体适应度。
其中，等级系数包括种群个体在初始种群中的等级。一般情况下，等级系数越高的种群个体越容易在自然选择中生存下来。
在一实施例中，可以有多种方式计算等级系数。例如，可以将种群规模和位置系数进行相乘，得到种群个体的等级系数。又例如，可以将种群规模和位置系数进行相除，得到种群个体的等级系数。
譬如，可以按照下式基于种群规模和位置系数计算种群个体的等级系数：
其中，di可以表示位置系数为i的种群个体的等级系数。Nind可以表示初始种群中的种群规模。i可以表示种群个体在初始种群中的位置，其中，i∈[1，Nind]。
在一实施例中，在得到等级系数之后，可以将等级系数和环境适应压力进行线性运算处理，得到个体适应度。例如，可以按照下式计算个体适应度：
Fintnessi＝2-SPi+2(SPi-1)di
其中，Fintnessi可以表示种群个体i的个体适应度。SPi可以表示种群个体i的环境适应压力。其中，可以令SPi∈[1,2]。
在一实施例中，个体适应度与种群个体的指标映射值(过杀率，漏检率)符合指数换算关系：
个体适应度＝e-β·指标映射值
指标映射值＝α*overkill+β*escape
其中，α和β是比例系数。
例如，如图3所示，图3中进行了个体适应度和指标映射值的指数变换，并且使其符合“指标映射值越大，个体适应度越小”的规定。同时，个体适应度大的种群个体将会“更加优秀”。指数变换可以突出优秀个体，加速搜索最优解的速度。
在一实施例中，在计算得到个体适应度之后，可以基于个体适应度在种群个体中筛选出符合指标调整函数中参数约束条件的求解判别阈值。具体的，步骤“基于个体适应度，在种群个体中搜索出符合指标调整函数中参数约束条件的求解判别阈值”，包括：
对个体适应度进行指标映射，得到种群个体的指标映射值；
将指标映射值和参数约束条件进行匹配，得到匹配结果；
当匹配结果为指标映射值和参数约束条件相匹配时，将种群个体对应的缺陷检测信息确定为求解判别阈值。
例如，可以将种群个体对应是数值输入到指标调整函数中进行计算，得到种群个体对应的指标映射值。
然后，可以将指标映射值和参数约束条件进行匹配，得到匹配结果。例如，可以计算指标映射值和预设阈值之间的差值。其中，当指标映射值和和预设阈值之间的差值趋近于0时，说明捡漏率和过杀率已经优化到最小值，此时说明指标映射值满足参数约束条件，种群个体对应的缺陷检测信息为求解判别阈值。
例如，计算得到某个种群个体的指标映射值和预设阈值之间的差值趋近于0。其中，该种群个体的缺陷置信度和缺陷面积分别为0.97、0.22，则可以将0.97作为缺陷置信度对应的判别阈值，将0.22作为缺陷面积对应的判别阈值。
然后，可以基于判别阈值建立判别规则。例如，对于缺陷置信度，判别规则可以为：若工业元器件的缺陷置信度小于0.97，则判定该工业元器件不存在缺陷；若工业元器件的缺陷置信度大于或等于0.97，则判定该工业元器件存在缺陷。又例如，对于缺陷面积，判别规则可以为：若工业元器件的缺陷置面积小于0.22，则判定该工业元器件不存在缺陷；若工业元器件的缺陷置信度大于或等于0.22，则判定该工业元器件存在缺陷。
在一实施例中，当指标映射值和参数约束条件不相匹配时，可以对初始种群进行演化，得到演化后种群，并在演化后种群中搜索出求解判别阈值。具体的，本申请实施例提出的方法还包括：
当指标映射值和参数约束条件不相匹配时，对初始种群中的种群个体进行演化处理，得到演化后种群，演化后种群包括至少一个演化后种群个体；
计算演化后种群个体的个体适应度；
基于个体适应度，在演化后种群中搜索出符合指标调整函数中参数约束条件的求解判别阈值。
在一实施例中，对种群个体进行演化处理相当于以一定的概率从种群的种群个体中选择若干个个体作为下一代种群的过程。其中，该选择过程是一种基于个体适应度的优胜劣汰的过程。
在一实施例中，在对种群个体进行演化处理时，可以首先对种群个体进行变异处理，然后对种群个体进行信息重组处理。具体的，步骤“对初始种群中的种群个体进行演化处理，得到演化后种群，演化后种群包括至少一个演化后种群个体”，包括：
对初始种群的种群个体进行变异处理，得到变异后种群个体；
对变异后种群个体进行信息重组处理，得到演化后种群个体。
其中，对种群个体进行变异处理相当于模拟自然界中的基因变异过程。即在细胞进行复制的过程中，可能会产生某些复制差错，从而变异产生具有新的遗传信息的染色体，并且该染色体会导致种群个体表现出新的性状。
其中，对种群个体进行信息重组处理相当于模拟自然界中的基因重组过程。具体的，种群个体中的两个染色体在某一个相同的位置会被切断，并前后两串分别交叉组合成新的染色体。
在一实施例中，在对初始种群的种群个体进行变异处理时，可以从种群个体中筛选出目标变异种群个体；然后，将目标变异种群个体和至少一个预设变异影响因子进行融合处理，得到变异后种群个体。具体的，步骤“对初始种群的种群个体进行变异处理，得到变异后种群个体”，包括：
从种群个体中筛选出目标变异种群个体；
将目标变异种群个体和预设变异影响因子进行融合处理，得到变异后种群个体。
在一实施例中，有多种方式可以从种群个体中筛选出目标变异种群个体。例如，可以随机地从种群个体中筛选出目标变异种群个体。又例如，可以按照一定的规则从从种群个体中筛选出目标变异种群个体。
在一实施例中，为了避免在演进的过程中出现退化现象。本申请实施采用随机补偿选择的方式从种群个体中筛选出目标变异种群个体。具体的，可以按照下述生成目标变异种群个体的索引r0：
其中，rg是一个在[1，Nind-1]之间的整数，它在每一代的进化中会被重新生成一次。通过索引r0便可以从种群个体中筛选出目标变异种群个体。
在一实施例中，可以将目标变异种群个体和至少一个预设变异影响因子进行融合处理，得到变异后种群个体。例如，可以将预设变异影响因子和目标变异种群个体进行相加，从而得到变异后种群个体。又例如，可以将预设变异影响因子和目标变异种群个体进行相乘，从而得到变异后种群个体。
其中，预设变异影响因素是一个预先设置好的影响种群个体进行变异的因素。一般情况下，该预设变异影响因子是随机生成的。例如，可以按照下列公式生成变异影响因子：
其中，vi,g为变异影响因子。和是三个不同且随机生成的变量。F是一个缩放因子，值取正实数，一般取(0,1]之间的随机数，它可以控制种群的进化率。
生成预设变异影响因子之后，可以将预设变异影响因子和目标变异种群个体的信息进行相加，得到变异后种群个体。
在一实施例中，在得到变异后种群个体之后，可以对变异后种群个体进行信息重组，得到演化后种群个体。具体的，步骤“对变异后种群个体进行信息重组处理，得到演化后种群个体”，包括：
对变异后种群个体进行识别，得到变异后种群个体的至少一个遗传信息；
从至少一个遗传信息中筛选出至少一个重组遗传信息；
将至少一个重组遗传信息和预设重组比例因子进行重组，得到演化后种群个体。
其中，遗传信息可以包括组成变异后种群个体的信息。例如，变异后种群个体可以是一个矩阵，该遗传信息可以指该矩阵中的列向量。又例如，该变异后种群个体为一个向量，该异常信息可以为向量的位数，等等。
其中，由于有至少一个重组遗传信息，所以可以利用预设重组比例因子限定每个重组遗传信息的重组比例为多少。
在一实施例中，可以有多种方式从至少一个遗传信息中筛选出至少一个重组遗传信息。例如，可以随机地从至少一个遗传信息中筛选出重组遗传信息。又例如，可以按照隔行抽取的方式从至少一个遗传信息中筛选出重组遗传信息。
在一实施例中，可以判断遗传信息是否满足参数约束条件，若满足，则确定该遗传信息为重组遗传信息。通过这种方式筛选重组遗传信息，可以提高搜索求解判别阈值的效率和准确性。
在一实施例中，在筛选出重组遗传信息之后，可以将至少一个重组遗传信息和预设重组比例因子进行重组，得到演化后种群个体。例如，可以将至少一个重组遗传信息和预设重组比例因子按照下列公式进行重组，得到演化后种群个体：
其中，αi是[-d,1+d]之间的随机数，它是一个随机均匀选择的比例因子。和可以表示重组遗传信息。可以表示演化后种群个体。
在一实施例中，可以通过上述的方式对初始种群中的种群个体进行演化处理，得到演化后种群，其中，演化后种群包括至少一个演化后种群个体。
其中，在得到演化后种群之后，可以计算演化后种群个体的个体适应度，并基于个体适应度在演化后种群中搜索出符合指标调整函数中参数约束条件的求解判别阈值。
其中，计算演化后种群个体的个体适应度可以参考步骤“计算种群个体的个体适应度”，此处不再重复阐述。
其中，基于个体适应度，步骤“在演化后种群中搜索出符合指标调整函数中参数约束条件的求解判别阈值”可以参考步骤“基于个体适应度，在种群个体中搜索出符合指标调整函数中参数约束条件的求解判别阈值”，此处不再重复阐述。
通过如此的不断循环和搜索，便可以求解出求解判别阈值。然后，便可以基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果。
105、基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果。
其中，可信度判别可以指判断缺陷检测信息是否可靠的一个过程。
在一实施例中，步骤“基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果”，可以包括：
基于求解判别阈值对缺陷检测信息进行可信度判别，得到缺陷检测信息的判别结果；
基于判别结果生成工业元器件的缺陷检测结果。
例如，可以基于判别阈值建立判别规则。譬如，假设针对N类缺陷，搜索得到的缺陷置信度的判别阈值为{s1,s2,…,sn}和缺陷面积的判别阈值为{α1,α2,…,αn}。则可以基于缺陷置信度的判别阈值和缺陷面积的判别阈值建立相应阈值规则。
例如，对于缺陷置信度，判别规则可以为：若工业元器件的缺陷置信度小于0.97，则判定该工业元器件不存在缺陷；若工业元器件的缺陷置信度大于或等于0.97，则判定该工业元器件存在缺陷。又例如，对于缺陷面积，判别规则可以为：若工业元器件的缺陷置面积小于0.22，则判定该工业元器件不存在缺陷；若工业元器件的缺陷置信度大于或等于0.22，则判定该工业元器件存在缺陷。
通过基于求解判别阈值对缺陷检测信息进行可信度判别，可以提高对缺陷检测信息判别的准确率。
本申请实施例提出了一种缺陷检测方法，该缺陷检测方法包括：获取针对工业元器件的至少一个缺陷检测信息；基于缺陷检测信息确定至少两个性能衡量指标，以及性能衡量指标之间的指标均衡关系；根据至少一个缺陷检测信息和所述指标均衡关系，构建性能衡量指标的指标调整函数，指标调整函数包括参数约束条件和待求解判别阈值；根据参数约束条件对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值；基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果。通过本申请实施例提出的方法，可以高效地搜索出鲁棒性较强的求解判别阈值，并基于求解判别阈值构建阈值规则对缺陷检测信息进行可信度判别，从而降低对工业元器件的误判率，提高对工业元器件进行缺陷检测的准确率。
其次，在本申请实施例中提出了多目标遗传算法对对指标调整函数中的待求解判别阈值进行求解。通过该多目标遗传算法，可以并行地利用遗传算法对指标调整函数中的至少一个求解判别阈值进行搜索。例如，通过本申请实施例提出的多目标遗传算法，可以并行地求解出缺陷面积对应的判别阈值和缺陷置信度对应的判别阈值，从而节约了搜索时间，提高了搜索效率，进而提高了对工业元器件进行缺陷检测的效率。
此外，通过本申请实施例提出的缺陷检测方法，可以自动地对指标调整函数中的待求解判别阈值进行搜索，而不需要人为地对待求解判别阈值进行调整，解放了劳动力，节约了人力物力。
根据上面实施例所描述的方法，以下将举例作进一步详细说明。
本申请实施例将以缺陷检测方法集成在计算机设备上为例来介绍本申请实施例方法。
在一实施例中，如图4所示，一种缺陷检测方法，具体流程如下：
201、计算机设备获取针对工业元器件的至少一个缺陷检测信息。
例如，如图5所示，计算机设备使用缺陷检测模型对多角度拍摄的图片进行推理，获得每个角度图片的预测结果：
其中，Xi表示模型对于单张图片的预测结果，其中N表示点位个数，cj,sj,aj表示图片中单个缺陷预测输出信息，分别表示缺陷类别，缺陷置信度以及缺陷面积。
202、计算机设备基于缺陷检测信息确定至少两个性能衡量指标，以及性能衡量指标之间的指标均衡关系。
例如，计算机设备可以确定过杀率和漏检率为性能衡量指标，其中，过杀率和漏检率之间符合帕累托最优准则。
203、计算机设备根据至少一个缺陷检测信息和所述指标均衡关系，构建性能衡量指标的指标调整函数，指标调整函数包括参数约束条件和待求解判别阈值。
例如，计算机可以按照下式构建指标调整函数：
min{overkill＝f1(x),escape＝f2(x)}
其中，areaj为每类缺陷的先验面积参数。在工业场景中，低过杀率，往往伴随高漏检率，低漏检率往往伴随高过杀率，因此在工业场景中，帕累托最优解的下限往往设置为产线对AI缺陷质检平台上线指标要求。其中，基于帕累托最优的多目标种群算法的算法流程如图6所示。
204、计算机设备根据参数约束条件对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值。
基于图6的多目标种群算法对指标调整函数中的待求解判别阈值进行求解的流程可以如下所示：
(1)编码产生初始种群：基于缺陷检测模型的输出信息X＝{X1,X2,…,XN}的特征维度进行随机编码产生初始种群。
(2)基于下式计算个体适应度：
其中，Fintnessi可以表示种群个体i的个体适应度。SPi可以表示种群个体i的环境适应压力。其中，可以令SPi∈[1,2]。Nind可以表示初始种群中的种群规模。i可以表示种群个体在初始种群中的位置，其中，i∈[1，Nind]。
在一实施例中，个体适应度与种群个体的指标映射值(过杀率，漏检率)符合指数换算关系：
个体适应度＝e-β·指标映射值
指标映射值＝α*overkill+β*escape
其中，α和β是比例系数。
(3)筛选目标变异种群个体
例如，计算机设备可以按照下述生成目标变异种群个体的索引r0：
r0＝(i+rg)％Nind
其中，rg是一个在[1，Nind-1]之间的整数，它在每一代的进化中会被重新生成一次。通过索引r0便可以从种群个体中筛选出目标变异种群个体。
(4)差分变异
例如，计算机设备可以按照下式计算预设变异影响因子：
其中，vi,g为变异影响因子。和是三个不同且随机生成的变量。F是一个缩放因子，值取正实数，一般取(0,1]之间的随机数，它可以控制种群的进化率。
然后，计算机设备可以将预设变异影响因子和目标变异种群个体进行相加，从而得到变异后种群个体。
(5)重组
例如，计算机设备采用中间重组方式生成子代个体，具体公式如下：
其中，αi是[-d,1+d]之间的随机数，它是一个随机均匀选择的比例因子。和可以表示重组遗传信息。可以表示演化后种群个体。
通过对上述流程进行循环，计算机设备可以求解出求解判别阈值。
205、计算机设备基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果。
接下来，计算机设备可以基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果。例如，可以基于判别阈值建立判别规则。譬如，假设针对N类缺陷，搜索得到的缺陷置信度的判别阈值为{s1,s2,…,sn}和缺陷面积的判别阈值为{α1,α2,…,αn}。则可以基于缺陷置信度的判别阈值和缺陷面积的判别阈值建立相应阈值规则。
例如，对于缺陷置信度，判别规则可以为：若工业元器件的缺陷置信度小于0.97，则判定该工业元器件不存在缺陷；若工业元器件的缺陷置信度大于或等于0.97，则判定该工业元器件存在缺陷。又例如，对于缺陷面积，判别规则可以为：若工业元器件的缺陷置面积小于0.22，则判定该工业元器件不存在缺陷；若工业元器件的缺陷置信度大于或等于0.22，则判定该工业元器件存在缺陷。
例如，如图5所示，利用AI质检平台对工业元器件进行缺陷检测，检测出多个具有缺陷的工业元器件。而利用求解判别阈值对缺陷检测信息进行可信度判别，可以将被错误地判别为存在缺陷的工业元器件纠正为无缺陷的工业元器件，从而提高了对工业元器件进行缺陷检测的准确率。
本申请实施例中，计算机设备获取针对工业元器件的至少一个缺陷检测信息；基于缺陷检测信息确定至少两个性能衡量指标，以及性能衡量指标之间的指标均衡关系；计算机设备根据至少一个缺陷检测信息和所述指标均衡关系，构建性能衡量指标的指标调整函数，指标调整函数包括参数约束条件和待求解判别阈值；计算机设备根据参数约束条件对指标调整函数中的待求解判别阈值进行求解处理，得到指标调整函数中的求解判别阈值；计算机设备基于求解判别阈值对缺陷检测信息进行可信度判别，得到工业元器件的缺陷检测结果。通过本申请实施例提出的方法，计算机设备可以高效地搜索出鲁棒性较强的求解判别阈值，并基于求解判别阈值构建阈值规则对缺陷检测信息进行可信度判别，从而降低对工业元器件的误判率，提高对工业元器件进行缺陷检测的准确率。
为了更好地实施本申请实施例提供的缺陷检测方法，在一实施例中还提供了一种缺陷检测装置，该缺陷检测装置可以集成于计算机设备中。其中名词的含义与上述缺陷检测方法中相同，具体实现细节可以参考方法实施例中的说明。
在一实施例中，提供了一种缺陷检测装置，该缺陷检测装置具体可以集成在计算机设备中，如图7所示，该缺陷检测装置包括：获取单元301、确定单元302、构建单元303、求解单元304和可信度判别单元305，具体如下：
获取单元301，用于获取针对工业元器件的至少一个缺陷检测信息；
确定单元302，用于基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；
构建单元303，用于根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；
求解单元304，用于根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
可信度判别单元305，用于基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
在一实施例中，所述求解单元304，包括：
编码子单元，用于对所述至少一个缺陷检测信息进行编码处理，得到初始种群，其中，所述初始种群包括至少一个种群个体，所述种群个体表征编码后缺陷检测信息；
第一计算子单元，用于计算所述种群个体的个体适应度；
第一搜索子单元，用于基于所述个体适应度，在所述种群个体中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值。
在一实施例中，所述搜索子单元，包括：
指标映射模块，用于对所述个体适应度进行指标映射，得到所述种群个体的指标映射值；
匹配模块，用于将所述指标映射值和所述参数约束条件进行匹配，得到匹配结果；
确定模块，用于当所述匹配结果为所述指标映射值和所述参数约束条件相匹配时，将所述种群个体对应的缺陷检测信息确定为所述求解判别阈值。
在一实施例中，所述求解单元，还包括：
演化子单元，用于当所述指标映射值和所述参数约束条件不相匹配时，对所述初始种群中的种群个体进行演化处理，得到演化后种群，所述演化后种群包括至少一个演化后种群个体；
第二计算子单元，用于计算所述演化后种群个体的个体适应度；
第二搜索子单元，用于基于所述个体适应度，在所述演化后种群中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值。
在一实施例中，所述演化子单元，包括：
变异模块，用于对所述初始种群的种群个体进行变异处理，得到变异后种群个体；
重组模块，用于对所述变异后种群个体进行信息重组处理，得到所述演化后种群个体。
在一实施例中，所述变异模块，包括：
第一筛选子模块，用于从所述种群个体中筛选出目标变异种群个体；
融合子模块，用于将所述目标变异种群个体和所述至少一个预设变异影响因子进行融合处理，得到所述变异后种群个体。
在一实施例中，所述重组模块，包括：
识别子模块，用于对所述变异后种群个体进行识别，得到所述变异后种群个体的至少一个遗传信息；
第二重组子模块，用于从所述至少一个遗传信息中筛选出至少一个重组遗传信息；
重组子模块，用于将所述至少一个重组遗传信息和预设重组比例因子进行重组，得到所述演化后种群个体。
在一实施例中，所述第一计算子单元，包括：
遍历模块，用于对所述初始种群进行遍历，得到所述初始种群的种群规模；
获取模块，用于获取所述种群个体在所述初始种群中的环境适应压力和位置系数；
逻辑运算模块，用于将所述种群规模、所述位置系数和所述环境适应压力进行逻辑运算处理，得到所述个体适应度。
在一实施例中，所述逻辑运算模块，包括：
计算子模块，用于基于所述种群规模和所述位置系数计算所述种群个体的等级系数；
线性运算子模块，用于将所述等级系数和所述环境适应压力进行线性运算处理，得到所述个体适应度。
在一实施例中，所述确定单元302，包括：
获取子单元，用于获取至少两个性能衡量规则；
指标换算子单元，用于对所述缺陷检测信息在所述至少两个性能衡量规则下进行指标换算处理，得到所述至少两个性能衡量指标。
在一实施例中，所述构建单元303，包括：
解析子单元，用于对所述缺陷检测信息进行解析，得到至少一个缺陷检测参数；
设置子单元，用于根据所述缺陷检测参数设置所述待求解判别阈值；
构建子单元，用于基于所述缺陷检测参数的预设边界点构建所述参数约束条件。
在一实施例中，所述可信度判别单元305，包括：
可信度判别子单元，用于基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述缺陷检测信息的判别结果；
生成子单元，用于基于所述判别结果生成所述工业元器件的缺陷检测结果。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
通过上述的缺陷检测装置可以提高对工业元器件进行缺陷检测的效率。
本申请实施例还提供一种计算机设备，该计算机设备可以包括终端或服务器，比如，计算机设备可以作为缺陷检测终端，该终端可以为手机、平板电脑等等；又比如计算机设备可以为服务器，如缺陷检测服务器等。如图8所示，其示出了本申请实施例所涉及的终端的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图8中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体检测。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取针对工业元器件的至少一个缺陷检测信息；
基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；
根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；
根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种缺陷检测方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取针对工业元器件的至少一个缺陷检测信息；
基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系；
根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值；
根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种缺陷检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种缺陷检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种缺陷检测方法、装置、计算机设备和存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (16)
1.一种缺陷检测方法，其特征在于，包括：
获取针对工业元器件的至少一个缺陷检测信息；
基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系，所述指标均衡关系包括所述至少两个性能衡量指标之间的矛盾关系；
根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和所述性能衡量指标对应的优化函数，所述优化函数包括所述缺陷检测信息和待求解判别阈值的映射关系，所述参数约束条件用于在优化所述至少两个性能衡量指标时约束所述待求解判别阈值的范围，所述待求解判别阈值包括所述缺陷检测信息中的缺陷检测参数对应的判别阈值；
根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
2.如权利要求1所述的方法，其特征在于，所述根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值，包括：
对所述至少一个缺陷检测信息进行编码处理，得到初始种群，其中，所述初始种群包括至少一个种群个体，所述种群个体表征编码后缺陷检测信息；
计算所述种群个体的个体适应度；
基于所述个体适应度，在所述种群个体中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值。
3.如权利要求2所述的方法，其特征在于，所述基于所述个体适应度，在所述种群个体中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值，包括：
对所述个体适应度进行指标映射，得到所述种群个体的指标映射值；
将所述指标映射值和所述参数约束条件进行匹配，得到匹配结果；
当所述匹配结果为所述指标映射值和所述参数约束条件相匹配时，将所述种群个体对应的缺陷检测信息确定为所述求解判别阈值。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
当所述指标映射值和所述参数约束条件不相匹配时，对所述初始种群中的种群个体进行演化处理，得到演化后种群，所述演化后种群包括至少一个演化后种群个体；
计算所述演化后种群个体的个体适应度；
基于所述个体适应度，在所述演化后种群中搜索出符合所述指标调整函数中参数约束条件的求解判别阈值。
5.如权利要求4所述的方法，其特征在于，所述对所述初始种群中的种群个体进行演化处理，得到演化后种群，所述演化后种群包括至少一个演化后种群个体，包括：
对所述初始种群的种群个体进行变异处理，得到变异后种群个体；
对所述变异后种群个体进行信息重组处理，得到所述演化后种群个体。
6.如权利要求5所述的方法，其特征在于，所述对所述初始种群的种群个体进行变异处理，得到变异后种群个体，包括：
从所述种群个体中筛选出目标变异种群个体；
将所述目标变异种群个体和预设变异影响因子进行融合处理，得到所述变异后种群个体。
7.如权利要求5所述的方法，其特征在于，所述对所述变异后种群个体进行信息重组处理，得到所述演化后种群个体，包括：
对所述变异后种群个体进行识别，得到所述变异后种群个体的至少一个遗传信息；
从所述至少一个遗传信息中筛选出至少一个重组遗传信息；
将所述至少一个重组遗传信息和预设重组比例因子进行重组，得到所述演化后种群个体。
8.如权利要求2所述的方法，其特征在于，所述计算所述种群个体的个体适应度，包括：
对所述初始种群进行遍历，得到所述初始种群的种群规模和位置系数；
获取所述种群个体在所述初始种群中的环境适应压力；
将所述种群规模、所述位置系数和所述环境适应压力进行逻辑运算处理，得到所述个体适应度。
9.如权利要求8所述的方法，其特征在于，所述将所述种群规模、所述位置系数和所述环境适应压力进行逻辑运算处理，得到所述个体适应度，包括：
基于所述种群规模和所述位置系数计算所述种群个体的等级系数；
将所述等级系数和所述环境适应压力进行线性运算处理，得到所述个体适应度。
10.如权利要求1所述的方法，其特征在于，所述基于所述缺陷检测信息确定至少两个性能衡量指标，包括：
获取至少两个性能衡量规则；
对所述缺陷检测信息在所述至少两个性能衡量规则下进行指标换算处理，得到所述至少两个性能衡量指标。
11.如权利要求1所述的方法，其特征在于，所述根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和待求解判别阈值，包括：
对所述缺陷检测信息进行解析，得到至少一个缺陷检测参数；
根据所述缺陷检测参数设置所述待求解判别阈值；
基于所述缺陷检测参数的预设边界点构建所述参数约束条件。
12.如权利要求1所述的方法，其特征在于，所述基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果，包括：
基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述缺陷检测信息的判别结果；
基于所述判别结果生成所述工业元器件的缺陷检测结果。
13.一种缺陷检测装置，其特征在于，包括：
获取单元，用于获取针对工业元器件的至少一个缺陷检测信息；
确定单元，用于基于所述缺陷检测信息确定至少两个性能衡量指标，以及所述性能衡量指标之间的指标均衡关系，所述指标均衡关系包括所述至少两个性能衡量指标之间的矛盾关系；
构建单元，用于根据所述至少一个缺陷检测信息和所述指标均衡关系，构建所述性能衡量指标的指标调整函数，所述指标调整函数包括参数约束条件和所述性能衡量指标对应的优化函数，所述优化函数包括所述缺陷检测信息和待求解判别阈值的映射关系，所述参数约束条件用于在优化所述至少两个性能衡量指标时约束所述待求解判别阈值的范围，所述待求解判别阈值包括所述缺陷检测信息中的缺陷检测参数对应的判别阈值；
求解单元，用于根据所述参数约束条件对所述指标调整函数中的待求解判别阈值进行求解处理，得到所述指标调整函数中的求解判别阈值；
可信度判别单元，用于基于所述求解判别阈值对所述缺陷检测信息进行可信度判别，得到所述工业元器件的缺陷检测结果。
14.一种计算机设备，其特征在于，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行权利要求1至12任一项所述的缺陷检测方法中的操作。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至12任一项所述的缺陷检测方法中的步骤。
16.一种计算机程序产品，包括计算机程序或指令，其特征在于，该计算机程序或指令被处理器执行时实现权利要求1至12任一项所述的缺陷检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111120360.1A CN114330090B (zh) | 2021-09-24 | 2021-09-24 | 一种缺陷检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111120360.1A CN114330090B (zh) | 2021-09-24 | 2021-09-24 | 一种缺陷检测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114330090A CN114330090A (zh) | 2022-04-12 |
| CN114330090B true CN114330090B (zh) | 2024-08-13 |
Family
ID=81044715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111120360.1A Active CN114330090B (zh) | 2021-09-24 | 2021-09-24 | 一种缺陷检测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330090B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115272249B (zh) * | 2022-08-01 | 2024-07-09 | 腾讯科技（深圳）有限公司 | 一种缺陷检测方法、装置、计算机设备和存储介质 |
| WO2024050700A1 (zh) | 2022-09-06 | 2024-03-14 | 宁德时代新能源科技股份有限公司 | 检测方法、检测装置及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034172A (zh) * | 2018-07-27 | 2018-12-18 | 北京工商大学 | 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法 |
| CN111833300A (zh) * | 2020-06-04 | 2020-10-27 | 西安电子科技大学 | 一种基于生成对抗学习的复合材料构件缺陷检测方法和装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11243041A (ja) * | 1998-02-26 | 1999-09-07 | Mitsubishi Electric Corp | 品質管理システムおよび記録媒体 |
| JP2008112516A (ja) * | 2006-10-31 | 2008-05-15 | Fujitsu Ltd | 誤り訂正回路及び情報再生装置 |
| FR3026531A1 (fr) * | 2014-09-26 | 2016-04-01 | Astree Software | Procede pour evaluer les performances telles que energetiques et de productivite d'un site de production et applications |
| US10115298B2 (en) * | 2016-12-02 | 2018-10-30 | Aktiebolaget Skf | Method of trend analysis and automatic tuning of alarm parameters |
| CN109977028A (zh) * | 2019-04-08 | 2019-07-05 | 燕山大学 | 一种基于遗传算法和随机森林的软件缺陷预测方法 |
| CN110807468B (zh) * | 2019-09-19 | 2023-06-20 | 平安科技（深圳）有限公司 | 检测异常邮件的方法、装置、设备和存储介质 |
| CN110658202B (zh) * | 2019-09-30 | 2021-01-01 | 贵州航天云网科技有限公司 | 一种基于深度学习的工业元器件外观缺陷检测方法 |
-
2021
- 2021-09-24 CN CN202111120360.1A patent/CN114330090B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109034172A (zh) * | 2018-07-27 | 2018-12-18 | 北京工商大学 | 一种基于模糊松弛约束多核学习的产品外观缺陷检测方法 |
| CN111833300A (zh) * | 2020-06-04 | 2020-10-27 | 西安电子科技大学 | 一种基于生成对抗学习的复合材料构件缺陷检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114330090A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113688889B (zh) | 异常检测方法、装置、电子设备及计算机可读存储介质 | |
| CN108334805B (zh) | 检测文档阅读顺序的方法和装置 | |
| CN112508126B (zh) | 深度学习模型训练方法、装置、电子设备及可读存储介质 | |
| CN113837308B (zh) | 基于知识蒸馏的模型训练方法、装置、电子设备 | |
| CN114330090B (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
| CN117372819B (zh) | 用于有限模型空间的目标检测增量学习方法、设备及介质 | |
| CN115909002A (zh) | 一种基于对比学习的图像翻译方法 | |
| CN116804668B (zh) | 一种食盐碘含量检测数据标识方法及系统 | |
| WO2024179409A1 (zh) | 三维工业异常检测方法、装置、存储介质及电子设备 | |
| CN113642727A (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
| CN114463603A (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
| CN114971375A (zh) | 基于人工智能的考核数据处理方法、装置、设备及介质 | |
| CN114399780A (zh) | 表格检测方法、表格检测模型训练方法及装置 | |
| CN116975711A (zh) | 多视图数据分类方法以及相关设备 | |
| CN113255701B (zh) | 一种基于绝对-相对学习架构的小样本学习方法和系统 | |
| CN114418111A (zh) | 标签预测模型训练及样本筛选方法、装置、存储介质 | |
| CN117333493B (zh) | 一种基于机器视觉的显示器底座生产用检测系统以及方法 | |
| CN112100509A (zh) | 信息推荐方法、装置、服务器和存储介质 | |
| CN116758280A (zh) | 目标检测方法、装置、设备以及存储介质 | |
| CN116977271A (zh) | 缺陷检测方法、模型训练方法、装置及电子设备 | |
| CN115511209A (zh) | 一种空气质量预测方法、装置、电子设备及存储介质 | |
| CN116127376A (zh) | 模型训练方法、数据分类分级方法、装置、设备及介质 | |
| CN116978080A (zh) | 信息识别方法、装置和计算机可读存储介质 | |
| CN116842936A (zh) | 关键词识别方法、装置、电子设备和计算机可读存储介质 | |
| CN111026661B (zh) | 一种软件易用性全面测试方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |