一种基于基础大模型的质量检测方法、装置、设备及存储介质与流程

本申请实施例涉及产品质量检测，尤其涉及一种基于基础大模型的质量检测方法、装置、设备及存储介质。

背景技术：

1、在现代制造业中，产品质量控制是非常重要的环节之一。随着生产自动化水平的不断提高，传统的手动检查方法已经无法满足高效率、高精度的需求。特别是对于大规模生产的标准化产品，如何快速准确地进行质量检测成为了一个亟待解决的问题。

2、目前市场上常见的质量检测方法主要依赖于视觉检测系统，这些系统通常采用固定规则或模板匹配的方式来进行质量检测。

3、然而，这些方法当产品设计发生变化时，需要重新设置检测规则或模板，往往需要较多的人工参与，对于未见过的新缺陷类型，传统方法难以有效识别，依赖固定的规则或模板，对于复杂的产品表面特征，可能无法准确识别某些类型的缺陷，造成质量检测效率差、质量检测准确性低的问题。

技术实现思路

1、本申请实施例提供一种基于基础大模型的质量检测方法、装置、设备及存储介质，用以解决现有技术中质量检测效率差、质量检测准确性低的问题。

2、第一方面，本申请实施例提供了一种基于基础大模型的质量检测方法，包括：

3、采集待检测产品的历史图像数据；

4、利用预训练的基础大模型对所述历史图像数据进行特征提取，并将提取到的特征与标准产品特征库中的特征进行比对分析，确定所述待检测产品的初步质量等级；

5、根据带有初步质量等级的历史图像数据，训练针对所述待检测产品的特定质检模型；

6、使用所述特定质检模型对采集的当前产品图像数据进行自动质量检测，所述自动质量检测包括输出预测质量等级。

7、可选地，所述利用预训练的基础大模型对所述历史图像数据进行特征提取，包括：

8、对所述基础大模型进行微调，以适应所述待检测产品的特征提取需求；

9、通过所述微调后的基础大模型，提取所述历史图像数据的关键特征向量，以实现对所述历史图像数据进行特征提取。

10、可选地，所述将提取到的特征与标准产品特征库中的特征进行比对分析，确定所述待检测产品的初步质量等级，包括：

11、计算提取到的特征对应的特征向量与标准产品特征库中各特征对应的特征向量之间的目标相似度；

12、其中，所述目标相似度根据以下公式组计算得到：

13、similarityimproved＝cos(θ)·exp(-α||a-bi||2)

14、

15、其中，similarityimproved表示中间相似度，θ是两个特征向量之间的夹角，α是一个正数参数，用来控制特征向量之间的影响程度，a是提取到的特征对应的特征向量，bi是标准产品特征库中的第i个特征向量，similarityweighted表示目标相似度，wi是第i个特征向量的权重，由特征向量的重要性决定，n是标准产品特征库中特征向量的数量；

16、根据所述目标相似度确定综合相似度评分；

17、将所述综合相似度评分与预设质量等级阈值进行比较，以确定所述待检测产品的初步质量等级。

18、可选地，所述根据带有初步质量等级的历史图像数据，训练针对所述待检测产品的特定质检模型，包括：

19、将所述目标相似度作为输入特征，结合带有初步质量等级的历史图像数据进行训练，以获得特定质检模型；

20、在训练过程中，采用交叉验证方法优化所述特定质检模型的参数，引入正则化项以避免过拟合，并将所述特定质检模型的损失函数定义为：

21、其中，w和b分别是所述特定质检模型的参数和偏置项，xi和yi分别表示第i个样本的特征向量和初步质量等级，f(x；w,b)表示模型预测输出，λ是正则化系数。

22、可选地，所述特定质检模型的损失函数还定义为：

23、ladv(w，b，xi，yi)＝maxδ∈δl(w，b，xi+δ，yi)；

24、其中，δ定义了扰动δ的范围，以确保扰动的合理性。

25、可选地，所述根据所述目标相似度确定综合相似度评分，包括：

26、通过公式：确定综合相似度评分；

27、其中，scomplex表示为综合相似度评分；wi是第i个特征向量的权重，由特征向量的重要性决定；similarityweighted,i表示为第i个标准产品特征向量bi与待检测产品特征向量a之间的目标相似度；similarityweighted,j表示为第j个标准产品特征向量bi与待检测产品特征向量a之间的目标相似度；γij表示为第i个特征向量与第j个特征向量之间的相互影响系数；n表示为标准产品特征库中特征向量的数量。

28、第二方面，本申请实施例提供了一种基于基础大模型的质量检测装置，包括：

29、图像采集模块，用于采集待检测产品的图像数据；

30、特征分析模块，用于利用预训练的基础大模型对预处理后的图像数据进行特征提取，将提取到的特征与标准产品特征库中的特征进行比对分析，确定所述待检测产品的初步质量等级；

31、模型训练模块，用于根据带有初步质量等级的历史图像数据，训练针对所述待检测产品的特定质检模型；

32、质量检测模块，用于使用所述特定质检模型对采集的当前产品图像数据进行自动质量检测，所述自动质量检测包括输出预测质量等级。

33、第三方面，本申请实施例提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述第一方面任一项所述的基于基础大模型的质量检测方法。

34、第四方面，本申请实施例提供了一种计算机存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面任一项所述的基于基础大模型的质量检测方法。

35、本申请实施例中，采集待检测产品的历史图像数据；利用预训练的基础大模型对所述历史图像数据进行特征提取，并将提取到的特征与标准产品特征库中的特征进行比对分析，确定所述待检测产品的初步质量等级；根据带有初步质量等级的历史图像数据，训练针对所述待检测产品的特定质检模型；使用所述特定质检模型对采集的当前产品图像数据进行自动质量检测，所述自动质量检测包括输出预测质量等级。能够显著提升质量检测的效率和准确性，而且还能降低人工成本，提高整体生产效率。

36、本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。

技术特征：

1.一种基于基础大模型的质量检测方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述利用预训练的基础大模型对所述历史图像数据进行特征提取，包括：

3.根据权利要求1所述的方法，其特征在于，所述将提取到的特征与标准产品特征库中的特征进行比对分析，确定所述待检测产品的初步质量等级，包括：

4.根据权利要求3所述的方法，其特征在于，所述根据带有初步质量等级的历史图像数据，训练针对所述待检测产品的特定质检模型，包括：

5.根据权利要求3所述的方法，其特征在于，所述特定质检模型的损失函数还定义为：

6.根据权利要求3所述的方法，其特征在于，所述根据所述目标相似度确定综合相似度评分，包括：

7.一种基于基础大模型的质量检测装置，其特征在于，包括：

8.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1到6任一所述的基于基础大模型的质量检测方法。

9.一种计算机存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的基于基础大模型的质量检测方法。

技术总结
本申请提供一种基于基础大模型的质量检测方法、装置、设备及存储介质。其中，采集待检测产品的历史图像数据；利用预训练的基础大模型对所述历史图像数据进行特征提取，并将提取到的特征与标准产品特征库中的特征进行比对分析，确定所述待检测产品的初步质量等级；根据带有初步质量等级的历史图像数据，训练针对所述待检测产品的特定质检模型；使用所述特定质检模型对采集的当前产品图像数据进行自动质量检测，所述自动质量检测包括输出预测质量等级。本申请提供的技术方案不仅能够显著提升质量检测的效率和准确性，而且还能降低人工成本，提高整体生产效率。

技术研发人员：牟宏磊,蒙洋,刘晶晶,田磊,孙振江
受保护的技术使用者：中关村机器人产业创新发展有限公司
技术研发日：
技术公布日：2025/1/6