[发明专利]瑕疵检测模型训练方法、装置、设备和存储介质

权利要求书

1.一种瑕疵检测模型训练方法，其特征在于，包括：

获取第一训练样本图像和第二训练样本图像，所述第一训练样本图像关联有瑕疵标注信息，所述第二训练样本图像未关联有瑕疵标注信息；

将所述第一训练样本图像和所述第二训练样本图像分别输入作为学生模型的瑕疵检测模型中，以得到所述第一训练样本图像的第一瑕疵检测结果和所述第二训练样本图像的第二瑕疵检测结果；

将所述第二训练样本图像输入到与所述学生模型对应的教师模型中，以得到所述第二训练样本图像的第三瑕疵检测结果，所述第三瑕疵检测结果指示了瑕疵位置和目标瑕疵类别的预测分数；

若所述预测分数大于设定的所述目标瑕疵类别对应的可信阈值，则确定所述第三瑕疵检测结果可信；

将所述第三瑕疵检测结果中指示的瑕疵位置和目标瑕疵类别作为所述第二训练样本图像关联的瑕疵标注信息，以根据所述第一瑕疵检测结果、所述第二瑕疵检测结果、所述第一训练样本图像关联的瑕疵标注信息以及所述第二训练样本图像关联的瑕疵标注信息，训练所述瑕疵检测模型。

2.根据权利要求1所述的方法，其特征在于，所述第二训练样本图像是由均未关联有瑕疵标注信息的多个训练样本图像构成的样本集中的任一个；

所述方法还包括：

通过所述教师模型获取所述多个训练样本图像对应的多个瑕疵检测结果；

确定所述多个瑕疵检测结果中所述目标瑕疵类别分别对应的预测分数，以及所述多个瑕疵检测结果中出现所述目标瑕疵类别的数量；

根据所述多个瑕疵检测结果中所述目标瑕疵类别分别对应的预测分数，以及所述多个瑕疵检测结果中出现所述目标瑕疵类别的数量，确定所述目标瑕疵类别对应的所述可信阈值。

3.根据权利要求1所述的方法，其特征在于，所述第一训练样本图像是由均关联有瑕疵标注信息的多个训练样本图像构成的样本集中的任一个，所述瑕疵标注信息中包括瑕疵类别和瑕疵位置；

所述若所述预测分数大于设定的所述目标瑕疵类别对应的可信阈值，则确定所述第三瑕疵检测结果可信，包括：

若所述预测分数大于设定的所述目标瑕疵类别对应的可信阈值，则根据所述目标瑕疵类别在所述第二训练样本图像中对应的瑕疵位置，从所述第二训练样本图像中截取出对应的第一瑕疵区域图像；

将所述第一瑕疵区域图像输入到预设的特征提取模型，以得到第一特征向量；

获取所述样本集中与所述目标瑕疵类别对应的至少一个训练样本图像；

根据所述目标瑕疵类别在所述至少一个训练样本图像中分别对应的瑕疵位置，分别从所述至少一个训练样本图像中截取出对应的至少一个第二瑕疵区域图像；

将所述至少一个第二瑕疵区域图像分别输入到所述特征提取模型，以得到至少一个第二特征向量；

根据所述至少一个第二特征向量确定目标第二特征向量；

若所述第一特征向量与所述目标第二特征向量的相似度大于设定阈值，则确定所述第三瑕疵检测结果可信。

4.根据权利要求1所述的方法，其特征在于，所述根据所述第一瑕疵检测结果、所述第二瑕疵检测结果、所述第一训练样本图像关联的瑕疵标注信息以及所述第二训练样本图像关联的瑕疵标注信息，训练所述瑕疵检测模型，包括：

根据所述第一瑕疵检测结果和所述第一训练样本图像关联的瑕疵标注信息，确定第一损失；

根据所述第二瑕疵检测结果和所述第二训练样本图像关联的瑕疵标注信息，确定第二损失；

根据所述第一损失和所述第二损失确定总损失，以根据所述总损失调整所述瑕疵检测模型的参数。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

根据所述瑕疵检测模型的参数，更新所述教师模型的参数。

6.根据权利要求1所述的方法，其特征在于，所述将所述第一训练样本图像和所述第二训练样本图像分别输入作为学生模型的瑕疵检测模型中，包括：

对所述第一训练样本图像和所述第二训练样本图像分别进行弱图像增强处理，将增强处理后的第一训练样本图像和增强处理后的第二训练样本图像分别输入作为学生模型的瑕疵检测模型中。