缺陷检测方法、装置、计算机设备、存储介质和程序产品与流程

本技术涉及电池，特别是涉及一种缺陷检测方法、装置、计算机设备、存储介质和程序产品。

背景技术：

1、随着科技的进步发展，电池得到了广泛应用，由于电池的生产过程可能导致电池表面存在缺陷，从而影响电池的使用寿命和安全性，因此，有必要对电池表面进行缺陷检测。

2、目前，电池表面的缺陷检测过程是：首先获取电池的样本图像并对样本图像进行缺陷标注，然后用标注后的样本图像进行训练得到缺陷检测模型，利用缺陷检测模型对待检电池进行缺陷检测。然而，在缺陷检测模型应用过程中，若待检电池存在新缺陷类型，则需要将新缺陷类型的待检电池的图像加入到训练集中重新训练缺陷检测模型，利用重新训练的缺陷检测模型对待检电池进行缺陷检测。

3、然而，目前的缺陷检测方法需要经过很长的周期，难以满足实际场景的需求。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够减少缺陷检测时间，从而满足实际场景需求的缺陷检测方法、装置、计算机设备、存储介质和程序产品。

2、第一方面，本技术提供了一种缺陷检测方法，该方法包括：

3、根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果；缺陷检测模型根据电池的检测图像样本预先训练得到；

4、根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。

5、本技术实施例的技术方案中，根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果，根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型；其中，缺陷检测模型根据电池的检测图像样本预先训练得到。本技术根据第一检测图像和缺陷检测模型获取缺陷预测结果，同时利用第一检测图像的缺陷伪标签和缺陷预测结果对缺陷检测模型进行训练，得到了更新后的新缺陷检测模型，不需要额外获取与第一检测图像同缺陷类型的外部数据集，以及不需要基于检测图像样本和外部数据集进行额外的离线重训练，降低了缺陷检测模型的训练周期，从而降低获取缺陷检测结果的周期。而且，根据缺陷预测结果和缺陷伪标签训练缺陷检测模型，能够不断优化缺陷检测模型，从而使得得到的新缺陷检测模型能够得到更加准确的缺陷预测结果，从而使得新缺陷检测模型可以获得极高的检测精度和较好的迁移效果，使得在实际应用中也能满足较高精度，满足实际工业场景的需求。

6、在其中一个实施例中，根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型，包括：

7、获取第一检测图像中缺陷区域的缺陷类别置信度和缺陷伪标签；

8、在缺陷类别置信度大于预设阈值的情况下，根据缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。

9、本技术实施例的技术方案中，通过获取第一检测图像中缺陷区域的缺陷类别置信度和缺陷伪标签，在缺陷类别置信度大于预设阈值的情况下，根据缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。本实施例中首先获取第一检测图像中缺陷区域的缺陷类别置信度，对缺陷类别置信度进行判断，筛选出缺陷类别置信度较大的第一检测图像，从而根据缺陷类别置信度大于预设阈值的第一检测图像的缺陷伪标签和缺陷预测结果对缺陷检测模型进行自适应训练，使得缺陷检测模型的输入数据更加可靠，提高了缺陷检测模型的精度。

10、在其中一个实施例中，获取第一检测图像中缺陷区域的缺陷类别置信度和缺陷伪标签，包括：

11、将第一检测图像输入至预设的过滤网络中进行缺陷识别，得到缺陷类别置信度和缺陷伪标签。

12、本技术实施例的技术方案中，将第一检测图像输入至预设的过滤网络中进行缺陷识别，得到缺陷类别置信度和缺陷伪标签，本技术实施例中通过过滤网络同时得到缺陷类别置信度和缺陷伪标签，简化了操作步骤，缩短了基于缺陷伪标签和缺陷预测结果对缺陷检测模型的训练周期，以满足实际场景的需求。

13、在其中一个实施例中，将第一检测图像输入至预设的过滤网络中进行缺陷识别，得到缺陷类别置信度和缺陷伪标签，包括：

14、对第一检测图像进行数据增强处理得到第二检测图像；

15、根据第一检测图像和第二检测图像输入至过滤网络中进行缺陷识别，得到缺陷类别置信度和缺陷伪标签。

16、本技术实施例中，通过对第一检测图像进行数据增强处理得到第二检测图像，根据第一检测图像和第二检测图像输入至过滤网络中进行缺陷识别，得到缺陷类别置信度和缺陷伪标签，通过数据增强的方式对第一检测图像进行处理得到第二检测图像，使得基于第一检测图像和第二检测图像确定的第一检测图像的缺陷类别置信度和缺陷伪标签更加准确，更具有鲁棒性。

17、在其中一个实施例中，缺陷检测模型包括缺陷分割子模型和缺陷分类子模型，缺陷预测结果包括缺陷分割标签和缺陷类别标签；

18、根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果，包括：

19、将第一检测图像输入至缺陷分割子模型中进行特征分割，得到缺陷特征图像和缺陷分割标签；

20、将缺陷特征图像输入至缺陷分类子模型中进行缺陷类别识别，得到缺陷类别标签。

21、本技术实施例的技术方案中，将第一检测图像输入至缺陷分割子模型中进行特征分割，得到缺陷特征图像和缺陷分割标签，将缺陷特征图像输入至缺陷分类子模型中进行缺陷类别识别，得到缺陷类别标签。缺陷分割子模型和缺陷分类子模型的设计使得缺陷检测模型能够同时考虑到缺陷类别分类和缺陷分割两个核心问题，缺陷检测模型能够在较少的数据集上获得很好的分割结果和分类结果，能够满足工业领域电池表面异常检测的需求。

22、在其中一个实施例中，缺陷分割子模型包括池化层；池化层与缺陷分类子模型连接。

23、本技术实施例的技术方案中，缺陷分割子模型包括池化层；池化层与缺陷分类子模型连接，本实施例中利用池化层得到缺陷分割子模型输出的缺陷特征图像，既可以降低缺陷特征图像的参数量，也可以保留更多的图片细节。

24、在其中一个实施例中，根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型，包括：

25、根据缺陷检测模型的训练次数，调整缺陷检测模型的损失函数中两个子损失函数的权重，以得到新损失函数；两个子损失函数包括缺陷分割子模型的子损失函数和缺陷分类子模型的子损失函数；

26、根据缺陷伪标签、缺陷预测结果和新损失函数，训练缺陷检测模型得到新缺陷检测模型。

27、本技术实施例的技术方案中，根据缺陷检测模型的训练次数，调整缺陷分割子模型的子损失函数和缺陷分类子模型的子损失函数中两个子损失函数的权重，以得到新损失函数，根据缺陷伪标签、缺陷预测结果和新损失函数，训练缺陷检测模型得到新缺陷检测模型。本实施例中通过调整两个子损失函数的权重得到动态权重的新损失函数，根据新损失函数、缺陷伪标签和缺陷预测结果进行缺陷检测模型的自适应学习，不需要额外采集缺陷样本图像以及对缺陷样本图像进行标注，即可完成缺陷检测模型的训练，降低了缺陷检测模型的训练周期以及训练成本。

28、第二方面，本技术还提供了一种缺陷检测装置，装置包括：

29、确定模块，用于根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果；缺陷检测模型根据电池的检测图像样本预先训练得到；

30、训练模块，用于根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。

31、第三方面，本技术还提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

32、根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果；缺陷检测模型根据电池的检测图像样本预先训练得到；

33、根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。

34、第四方面，本技术还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

35、根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果；缺陷检测模型根据电池的检测图像样本预先训练得到；

36、根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。

37、第五方面，本技术还提供了一种计算机程序产品，计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

38、根据待测电池的第一检测图像和缺陷检测模型，确定第一检测图像的缺陷预测结果；缺陷检测模型根据电池的检测图像样本预先训练得到；

39、根据第一检测图像的缺陷伪标签和缺陷预测结果，训练缺陷检测模型得到新缺陷检测模型。

40、上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。