本申请提供一种工业质检场景与AI模型的匹配方法及装置，该方法包括获取工业质检场景的场景特征信息，场景特征信息包括工业质检的任务类型、质检对象的特征和工业质检对于AI模型的性能要求；基于场景特征信息从场景特征库中匹配目标AI模型，场景特征库中包括多个场景特征信息以及多个场景特征信息分别对应的AI模型，目标AI模型为工业质检场景对应的AI模型。本申请通过获取场景特征信息，区分不同的工业质检场景，再根据场景特征信息在预先构建的场景特征库中匹配目标AI模型，自动为场景匹配合适的AI模型，快速选择合适的A
获取工业质检场景的场景特征信息，所述场景特征信息包括工业质检的任务类型、质
基于所述场景特征信息从场景特征库中匹配目标AI模型，所述场景特征库中包括多个
场景特征信息以及所述多个场景特征信息分别对应的AI模型，所述目标AI模型为所述工业
2.根据权利要求1所述的方法，其特征在于，所述工业质检的任务类型至少基于所述工
3.根据权利要求1或2所述的方法，其特征在于，所述质检对象的特征基于对所述质检
4.根据权利要求1或2所述的方法，其特征在于，所述质检对象的特征包括若干低阶特
征和若干高阶特征，所述若干低阶特征从低阶特征集中选择得到，所述若干高阶特征为高
阶特征集中与所述低阶特征相关的高阶特征；其中，所述低阶特征集和高阶特征集基于对
5.根据权利要求1‑4任一项所述的方法，其特征在于，所述性能要求包括AI模型的训练
当基于所述场景特征信息从场景特征库中未匹配到目标AI模型，则基于所述场景特征
信息从AI模型库中匹配得到若干候选AI模型，所述AI模块库包括多个AI模型以及多个AI模
基于所述候选AI模型的优选指标，从所述若干候选AI模型中确定所述目标AI模型。
7.根据权利要求6所述的方法，其特征在于，所述候选AI模型的优选指标与所述AI模型
8.根据权利要求6所述的方法，其特征在于，所述候选AI模型的优选指标基于所述AI模
型的泛化能力、样本标注要求和AI资源要求的加权确定，所述AI模型的泛化能力的权重大
将所述特征与所述特征样本库中的特征进行比对，确定所述特征样本库中存在与所述
11.根据权利要求10所述的方法，其特征在于，所述特征样本库中的特征基于对所述质
12.根据权利要求10或11所述的方法，其特征在于，所述AI模型为基于权利要求1‑9任
获取模块，用于获取工业质检场景的场景特征信息，所述场景特征信息包括工业质检
匹配模块，用于基于所述场景特征信息从场景特征库中匹配目标AI模型，所述场景特
征库中包括多个场景特征信息以及所述多个场景特征信息分别对应的AI模型，所述目标AI
14.根据权利要求13所述的装置，其特征在于，所述工业质检的任务类型至少基于所述
15.根据权利要求13或14所述的装置，其特征在于，所述质检对象的特征基于对所述质
16.根据权利要求13或14所述的装置，其特征在于，所述质检对象的特征包括若干低阶
特征和若干高阶特征，所述若干低阶特征从低阶特征集中选择得到，所述若干高阶特征为
高阶特征集中与所述低阶特征相关的高阶特征；其中，所述低阶特征集和高阶特征集基于
17.根据权利要求13‑16任一项所述的装置，其特征在于，所述性能要求包括AI模型的
18.根据权利要求13‑17任一项所述的装置，其特征在于，所述匹配模块还用于：当基于
所述场景特征信息从场景特征库中未匹配到目标AI模型，则基于所述场景特征信息从AI模
型库中匹配得到若干候选AI模型，所述AI模块库包括多个AI模型以及多个AI模型的分别对
所述装置还包括确定模块，用于基于所述候选AI模型的优选指标，从所述若干候选AI
19.根据权利要求18所述的装置，其特征在于，所述候选AI模型的优选指标与所述AI模
20.根据权利要求18所述的装置，其特征在于，所述候选AI模型的优选指标基于所述AI
模型的泛化能力、样本标注要求和AI资源要求的加权确定，所述AI模型的泛化能力的权重
大于所述样本标注要求的权重，所述样本标注要求大于所述AI资源要求的权重。
更新模块，用于将所述目标AI模型与所述场景特征信息的映射关系，更新至所述场景
比对模块，用于将所述特征与所述特征样本库中的特征进行比对，确定所述特征样本
23.根据权利要求22所述的装置，其特征在于，所述特征样本库中的特征基于对所述质
24.根据权利要求21或22所述的装置，其特征在于，所述AI模型为基于权利要求1‑9任
25.一种计算设备，包括存储器和处理器，其特征在于，所述存储器中存储有可执行代
码，所述处理器执行所述可执行代码，实现权利要求1‑9任一项，和/或10‑12任一项所述的
26.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程
序在计算机中执行时，令计算机执行权利要求1‑9任一项，和/或10‑12任一项所述的方法。
[0001]本申请涉及人工智能技术领域，尤其涉及一种工业质检场景与AI模型的匹配方法
[0002]在智能制造的质检领域，大量任务集中在视觉领域，一般分为检测、分类、分割等。
但由于行业差异，涉及的产品、工序比较多，工艺要求也不尽相同，场景碎片化，比较难将各
[0003]同时，随着人工智能技术的兴起与发展，越来越多的AI模型不断涌现，针对不同的
[0005]针对这些AI模型，目前仅有相关的学术论文、打榜跑分等信息表示模型的特点、能
[0006]因此，对于纷繁复杂的质检场景，如何快速选择合适的AI模型来解决质检问题，成
[0007]本申请的实施例提供一种工业质检场景与AI模型的匹配方法及装置，实现了快速
为工业质检场景选择合适的AI模型，以及避免依赖算法工程师经验，减少选择AI模型的不
[0008]第一方面，本申请实施例提供了一种工业质检场景与AI模型的匹配方法，该方法
包括获取工业质检场景的场景特征信息，场景特征信息包括工业质检的任务类型、质检对
象的特征和工业质检对于AI模型的性能要求；基于场景特征信息从场景特征库中匹配目标
AI模型，场景特征库中包括多个场景特征信息以及多个场景特征信息分别对应的AI模型，
[0009]本申请实施例通过获取场景特征信息，区分不同的工业质检场景，再根据场景特
征信息在预先构建的场景特征库中匹配目标AI模型，自动为场景匹配合适的AI模型，快速
选择合适的AI模型,同时避免依赖算法工程师经验，减少选择AI模型的不确定性。
[0010]在一个可能的实现中，工业质检的任务类型至少基于工业质检场景的标准作业程
[0011]在一些其他示例中，当SOP信息撰写的不够详细和规范时，还需要获取工艺流程分
[0012]在一个可能的实现中，质检对象的特征基于对质检对象的正负样本对进行特征提
取得到。例如，将质检对象的正负样本对输入特征提取器中，提取得到多个特征，该提取得
到的多个特征即为质检对象的特征。示例性的，质检对象的正负样本对包括正样本和负样
本，正样本即为质检合格的质检对象的图像，负样本即为质检不合格的质检对象的图像。
[0013]特征提取器的实现可以为训练完成的特征提取AI模型，也可以为预先编写的特征
[0014]在另一个可能的实现中，质检对象的特征包括若干低阶特征和若干高阶特征，若
干低阶特征从低阶特征集中选择得到，若干高阶特征为高阶特征集中与低阶特征相关的高
阶特征；其中，低阶特征集和高阶特征集基于对质检对象的正负样本对进行特征提取得到。
[0015]示例性的，通过特征提取器提取到的特征往往数量较多，需要选择出与质检对象
相关性较高的特征，例如根据SOP信息，从提取到的多个特征中选择出相关性较强的低阶特
征向量，例如颜色特征向量、纹理特征向量和尺寸特征向量等；对于高阶特征，从特征提取
器提取到的多个高阶特征中筛选出与已选择出的低阶特征相关性较高的高阶特征，例如，
计算已选择出的低阶特征与高阶特征的欧式距离，删除距离大于预设阈值的高阶特征，以
删除冗余的高阶特征，再使用卡方校验方法，去掉与已选择出的低阶特征相关性低的高阶
[0016]在另一个可能的实现中，性能要求包括AI模型的训练时长要求、推理时延要求、检
[0017]在另一个可能的实现中，本申请实施例提供的一种工业质检场景与AI模型的匹配
方法还包括：当基于场景特征信息从场景特征库中未匹配到目标AI模型，则基于场景特征
信息从AI模型库中匹配得到若干候选AI模型，AI模块库包括多个AI模型以及多个AI模型的
分别对应的场景特征信息；基于候选AI模型的优选指标，从若干候选AI模型中确定目标AI
[0018]在一个示例中，候选AI模型的优选指标与AI模型的泛化能力、样本标注要求和AI
[0019]在另一个可能的实现中，候选AI模型的优选指标基于AI模型的泛化能力、样本标
注要求和AI资源要求的加权确定，AI模型的泛化能力的权重大于样本标注要求的权重，样
[0020]例如，综合考虑工业质检的特点，AI模型的泛化能力重要性大于样本标注要求，样
本标注要求大于AI资源要求，因此，将AI模型的泛化能力的权重设定为0.5，样本标注要求
中，m表示AI模型的泛化能力，s表示AI模型的样本标注要求，r表示AI模型的AI资源要求。
[0021]在另一个可能的实现中，本申请实施例提供的一种工业质检场景与AI模型的匹配
方法还包括，将目标AI模型与场景特征信息的映射关系，更新至场景特征库，实现下次遇到
[0022]第二方面，本申请提供一种针对工业质检场景的AI模型推理方法，包括采集质检
对象的图像信息；提取图像信息的特征；将提取到的特征与特征样本库中的特征进行比对，
确定特征样本库中存在与提取到的特征相似的特征；将图像信息作为AI模型的输入，输出
[0023]本申请实施例提供的一种针对工业质检场景的AI模型推理方法，通过将提取到的
特征与特征样本库中的特征进行比对，识别出采集的图像是否为难例，若非难例，则将图像
信息输入AI模型进行质检推理，得到质检结果。保证AI模型输出的质检结果的准确性。
[0024]在另一个可能的实现中，特征样本库中的特征基于对质检对象的多对正负样本对
[0025]在另一个可能的实现中，AI模型为基于第一方面提供的方法匹配得到的目标AI模
[0026]第三方面，本申请实施例提供一种工业质检场景与AI模型的匹配装置，包括获取
模块和匹配模块；其中获取模块用于获取工业质检场景的场景特征信息，场景特征信息包
括工业质检的任务类型、质检对象的特征和工业质检对于AI模型的性能要求；匹配模块用
于基于场景特征信息从场景特征库中匹配目标AI模型，场景特征库中包括多个场景特征信
息以及多个场景特征信息分别对应的AI模型，目标AI模型为工业质检场景对应的AI模型。
[0027]在一个可能的实现中，工业质检的任务类型至少基于工业质检场景的标准作业程
[0028]在另一个可能的实现中，质检对象的特征基于对质检对象的正负样本对进行特征
[0029]在另一个可能的实现中，质检对象的特征包括若干低阶特征和若干高阶特征，若
干低阶特征从低阶特征集中选择得到，若干高阶特征为高阶特征集中与低阶特征相关的高
阶特征；其中，低阶特征集和高阶特征集基于对质检对象的正负样本对进行特征提取得到。
[0030]在另一个可能的实现中，性能要求包括AI模型的训练时长要求、推理时延要求、检
[0031]在另一个可能的实现中，匹配模块还用于当基于场景特征信息从场景特征库中未
匹配到目标AI模型，则基于场景特征信息从AI模型库中匹配得到若干候选AI模型，AI模块
[0032]工业质检场景与AI模型的匹配装置还包括确定模块，用于基于候选AI模型的优选
[0033]在另一个可能的实现中，候选AI模型的优选指标与AI模型的泛化能力、样本标注
[0034]在另一个可能的实现中，候选AI模型的优选指标基于AI模型的泛化能力、样本标
注要求和AI资源要求的加权确定，AI模型的泛化能力的权重大于样本标注要求的权重，样
[0035]在另一个可能的实现中，工业质检场景与AI模型的匹配装置还包括更新模块，用
[0036]第四方面，本申请实施例提供一种针对工业质检场景的AI模型推理装置，包括采
集模块、提取模块、比对模块和推理模块，其中，采集模块用于采集质检对象的图像信息；提
取模块用于提取图像信息的特征；比对模块用于将提取到的特征与特征样本库中的特征进
行比对，确定特征样本库中存在与提取到的特征相似的特征；推理模块用于将图像信息作
[0037]在一个可能的实现中，特征样本库中的特征基于对质检对象的多对正负样本对进
[0038]在另一个可能的实现中，AI模型为基于第一方面提供的方法匹配得到的目标AI模
[0039]第五方面，本申请实施例提供了一种计算设备，包括存储器和处理器，所述存储器
中存储有可执行代码，所述处理器执行所述可执行代码，实现本申请第一方面和/或第二方
[0040]第六方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程
序，当所述计算机程序在计算机中执行时，令计算机执行本申请第一方面和/或第二方面提
[0041]第七方面，本申请实施例提供了一种计算机程序或计算机程序产品，所述计算机
程序或计算机程序产品包括指令，当所述指令被执行时，实现本申请第一方面和/或第二方
[0042]第八方面，本申请的实施例提供了一种芯片，该芯片包括至少一个处理器和接口，
所述至少一个处理器通过所述接口确定程序指令或者数据；该至少一个处理器用于执行所
[0043]图1为本申请实施例提供的一种工业质检场景与AI模型的匹配方法的流程图；
[0044]图2为本申请实施例提供的另一种工业质检场景与AI模型的匹配方法的流程图；
[0045]图3为本申请实施例提供的一种针对工业质检场景的AI模型推理方法的流程图；
[0046]图4为本申请实施例提供的一种工业质检场景与AI模型的匹配装置的结构示意
[0047]图5为本申请实施例提供的一种针对工业质检场景的AI模型推理装置的结构示意
[0049]下面通过附图和实施例，对本申请的技术方案做进一步的详细描述。
[0050]当前，对于某种工业质检场景采用何种AI模型的问题，一般通过算法工程师根据
经验判断并采集数据测试验证的方法来实现质检场景与AI模型的匹配。但是匹配的准确性
与算法工程师的经验积累、从业水平有比较大的关系，具有很强的不确定性；同时耗时耗
[0051]为了解决上述问题，本申请实施例提供一种工业质检场景与AI模型的匹配方法，
通过获取场景特征信息，区分不同的工业质检场景，再根据场景特征信息在预先构建的场
景特征库中匹配目标AI模型，自动为工业质检场景匹配合适的AI模型，快速确定目标AI模
[0052]图1为本申请实施例提供的一种工业质检场景与AI模型的匹配方法流程图。该方
法可以通过任何具有计算能力的装置、设备、平台或设备集群来执行。本发明对执行该方法
的具体计算设备不做具体限定，可根据需要选择合适的计算设备执行。如图1所示，该工业
[0054]工业质检场景的场景特征信息包括工业质检的任务类型、质检对象的特征和工业
[0055]示例性的，获取工业质检场景对应的SOP信息，分析SOP得到工业质检场景的任务
类型。例如，获取工厂提供的SOP信息，分析该SOP信息得到待匹配的工业质检场景的质检要
求，对该质检要求进行抽象描述，描述为AI模型的任务类型；比如，抽象描述可以为检测加
检测，即在图像中检测出目标，并在目标中检测更细微的目标。例如，在服务器主板上检测
网卡，并在网卡内检测芯片；也可以为检测加分类，即在图像中检测出目标，并对目标的类
[0056]在另一个示例中，当工程提供的SOP信息撰写不够规范或详细时，需要获取工业质
检场景对应的SOP信息以及工艺流程分析(包括产品制造过程中的各个步骤以及质量要求
等)，根据待匹配的工业质检场景对应的SOP信息和工业流程分析信息，将质检场景的任务
[0057]SOP通常理解为，将某一事件的标准操作步骤和要求以统一的格式描述出来，用来
[0058]针对于质检对象的特征，可以基于对质检对象的正负样对进行特征提取得到。质
检对象的正负样本对包括正样本和负样本，正样本即为质检合格的对象的图像，负样本即
为质检不合格的对象的图像。例如，质检对象为网卡，正样本为安装好芯片的网卡的图像，
[0059]通过特征提取器提取质检对象的正负样本对的多个图像特征，该多个图像特征作
[0060]在另一个示例中，为了质检对象的特征与质检任务更具有相关性，在特征提取器
中提取到多个图像特征后，还包括对多个图像特征中的低阶特征进行选择(例如人工选择
出相关的低阶特征，比如尺寸、颜色等)，以确定与质检任务相关性更高的低阶特征，然后再
利用选择出的低阶特征从多个图像特征中的高阶特征中筛选出与选择出的低阶特征具有
一定相关性的高阶特征，选择出的低阶特征和筛选出的高阶特征即为质检对象的特征。
[0061]示例性的，采集一定数量的质检对象的图像样本，确保SOP中定义的每条质检信息
至少有2张图像进行表示，例如一张质检对象质检合格的图像，一张质检对象质检不合格的
图像；优选的，每条质检信息可以有5张及5张以上的图像进行表示，例如1张质检对象合格
的图像，4张分别为质检不合格的图像，1张质检对象合格的图像分别和4张质检不合格的图
像组成4个正负样本图像。然后将采集到的图像进行预处理，例如，首先检查采集到的图像
对质检信息的覆盖完整性，将未将质检信息表示完整的图像过滤掉，然后根据先验知识进
行加工，将图片配准后，分割出图像中与质检信息相关的感兴趣区域(region
interest，ROI)，并针对这些感兴趣区域图片进行深度学习特征提取，以减少不相关特征数
量。对于提取到的特征，往往数量仍然比较多，需要进行特征选择，得到相关特征向量。在工
业质检场景，可以根据SOP信息，首先挑选出低阶特征向量，如颜色、纹理、尺寸等。对于高阶
特征，使用距离相关性，删除冗余特征，再使用卡方校验方法，去掉与低阶特性相关性低的
[0062]针对于工业质检对于AI模型的性能要求，例如，可以根据先验知识，归纳工业质检
场景对于AI模型特定的性能要求，例如可以包括AI模型的训练时长要求、推理时延要求、检
[0063]通过上述获取得到的工业质检的任务类型、质检对象的特征和所述工业质检对于
AI模型的性能要求，即组成了待匹配的工业质检场景的场景特征信息。工业质检场景的特
[0064]在步骤S102中，基于场景特征信息从场景特征库中匹配目标AI模型，场景特征库
中包括多个场景特征信息以及多个场景特征信息分别对应的AI模型，目标AI模型为工业质
[0065]场景特征库中保存有已知的工业质检场景和AI模型的对应关系，例如，场景特征
库中包括已知的工业质检场景的标识(例如编号)以及已知的工业质检场景的场景特征信
息，以及工业质检场景对应的AI模型。根据步骤S101中得到的场景特征信息，从场景特征库
中匹配其对应的AI模型，匹配到的目标AI模型即为工业质检场景对应的AI模型。也即为新
场景(也即待匹配的工业质检场景)创建好场景特征信息后，与场景特征库中进行场景特征
匹配，匹配成功后识别为已知场景，为待匹配的工业质检场景匹配该已知场景对应的AI模
[0066]示例性的，匹配规则为，先比较待匹配工业质检场景的场景特征信息中的任务类
型与各个AI模型对应的场景特征信息中的任务类型是否一致，然后再与任务类型一致的AI
模型中比较质检对象的特征是否相似，再从质检对象的特征相似的AI模型中匹配性能要求
符合的AI模型，三者都匹配成功则将匹配到的目标AI模型确定为工业质检场景对应的AI模
[0067]本申请实施例通过获取场景特征信息，区分不同的工业质检场景，再根据场景特
征信息在预先构建的场景特征库中匹配目标AI模型，自动为场景匹配合适的AI模型，快速
选择合适的AI模型,同时避免依赖算法工程师经验，减少选择AI模型的不确定性。
[0068]在另一个示例中，申请实施例提供的一种工业质检场景与AI模型的匹配方法,如
[0069]在步骤S201中，当基于场景特征信息从场景特征库中未匹配到目标AI模型，则基
[0070]也就是说，待匹配的工业质检场景在场景特征库中匹配不到已知场景，则继续从
[0071]AI模型库中存储了多个AI模型以及AI模型对应的场景特征信息，基于待匹配的场
景特征信息从AI模型库中匹配得到若干候选AI模型。候选AI模型对应的场景特征信息与待
匹配的工业质检场景的场景特征信息相同。若匹配的候选AI模型为1个时，则该候选AI模型
即为目标AI模型，若匹配的候选AI模型为多个时，则执行步骤S202,从多个候选AI模型中选
[0072]一般来说，新AI模型加入AI模型库时，模型适用的任务类型是已知的，但模型适用
[0073]针对于新AI模型的质检对象的特征，可以根据该AI模型的训练样本集得到，例如
提取AI模型的训练样本集的特征集，从特征集中选择出与质检相关的特征(包括低阶特征
[0074]针对新AI模型的性能规格，使用AutoML‑HPO自动超参调优测试AI模型最佳性能表
现(含精度)，并记录模型性能规格(包括训练时延、推理时延和检测精度)及超参配置到AI
[0075]AI模型对应的任务类型、适用的质检对象的特征和性能规格，实现了对AI模型规
[0076]在步骤S202中，基于候选AI模型的优选指标，从若干候选AI模型中确定目标AI模
[0077]根据多个候选AI模型的优选指标，从多个候选AI模型中选择出相对于待匹配工业
[0078]在一个示例中，候选AI模型的优选指标与AI模型的泛化能力、样本标注要求和AI
[0079]在另一个示例中，候选AI模型的优选指标基于AI模型的泛化能力、样本标注要求
和AI资源要求的加权确定，AI模型的泛化能力的权重大于样本标注要求的权重，样本标注
[0080]示例性的，使用数据增强工具，对场景特征样本进行遮挡、旋转、变形、调色等处
理，生成测试样本。使用测试样本对模型识别精度进行测试，通过的测试样本数百分比，记
[0081]调整部分样本的标注框，进行一定比例的偏移、缩放，重新训练后检查模型的精度
是否下降。精度不下降的前提下，允许标注框调整的比例，样本标注要求指标，设为s。
[0082]使用相同等尺寸、相同分辨率图片、同等硬件条件下，测试不同模型的推理性能。
各模型的最大推理时间设为t；当前模型推理时间设为t，计算模型的AI资源要求指标(设
[0083]结合工业质检的特点，AI模型泛化能力重要性样本标注要求AI资源要求，因此，
将AI模型的泛化能力的权重设定为0.5，样本标注要求的权重设定为0.4，AI资源要求设定
[0084]选择多个候选AI模型中优选指标最高的AI模型为工业质检场景的目标AI模型。
[0086]在另一个示例中，本申请实施例提供的针对工业质检场景的AI模型推理方法，还
包括将目标AI模型与场景特征信息的映射关系，更新至场景特征库。即将从AI模型库中匹
配得到的AI模型和工业质检场景以及工业质检场景对应的场景特征信息更新至场景特征
库中，实现下次遇到相同工业质检场景时，可通过场景特征库快速匹配到目标AI模型。
[0087]本申请实施例还提供一种针对工业质检场景的AI模型推理方法，如图3所示，该方
[0089]例如，在质检工位上设置摄像装置，摄像装置采集质检工位上的产品图片(即质检
[0091]工位产品原始图片完成采集之后，首先经过数据加工，进行图像配准、ROI抠图、目
标标注，完成基本的特征样本预处理。然后，对特征样本进行特征提取，得到质检对象的图
[0092]在步骤S303中，将提取到的特征与特征样本库中的特征进行比对，确定特征样本
[0093]特征样本库中的特征基于对质检对象的多对正负样本对进行特征提取得到。例
如，在产品线的直接工位上采集产品的原始图像(包括质检合格产品和质检不合格产品的
图像)，工位产品原始图片完成采集之后，首先经过数据加工，进行图像配准、ROI抠图、目标
标注，完成基本的特征样本预处理。然后，对特征样本进行特征提取，人工从提取到的多个
特征中选择与质检相关性较强的特征，选择出的特征即为该工位的质检对象的特征，保存
[0094]通过将提取到的特征与特征样本库中的特征进行比对，识别出采集的图像是否为
难例，例如提取到的特征与特征样本库中的特征进行比对，若特征样本库中存在与提取到
的特征相似的特征，则该图像为非难例，目标AI模型的检测准确度较高，若特征样本库中不
存在与提取到的特征相似的特征，则该图像为难例，目标AI模型的检测准确度较低。
[0095]在步骤S304中，将图像信息作为AI模型的输入，输出质检结果。
[0096]AI模型包括特征提取网络和分类器，质检对象的图像信息输入AI模型后，将该图
像作为AI模型的特征提取网络的输入，输出该图像的特征向量，该特征向量作为分类器的
[0097]在另一个示例中，步骤S302中的提取图像信息的特征，可以是将图像信息输入与
AI模型的特征提取网络相同的特征提取网络，输出图像信息的特征向量的方式实现。
[0098]可选的，AI模型可以为基于，本申请实施例提供了一种工业质检场景与AI模型的
[0099]当通过步骤S302和步骤S303识别出质检对象的图像特征为难例时，可以利用该难
例对目标AI模型进行再训练，以使得目标AI模型可以实现对该难例的高精度的检测。目标
AI模型再训练完成后，将该难例特征加入特征样本库中，实现再次遇到该难例后不再识别
[0100]与前述的工业质检场景与AI模型的匹配方法的实施例基于相同的构思，本申请实
施例中还提供了一种工业质检场景与AI模型的匹配装置400，该工业质检场景与AI模型的
匹配装置400包括用以实现图1和2所示的工业质检场景与AI模型的匹配方法中的各个步骤
[0101]图4为本申请实施例提供的工业质检场景与AI模型的匹配装置的结构示意图。该
装置可部署于任何具有计算能力的装置、设备、平台或设备集群，例如可以是计算机或服务
器，以实现为工业质检场景匹配到合适的AI模型。如图4所示，该工业质检场景与AI模型的
匹配装置400至少包括：获取模块401和匹配模块402；其中，获取模块401用于获取工业质检
场景的场景特征信息，场景特征信息包括工业质检的任务类型、质检对象的特征和工业质
检对于AI模型的性能要求；匹配模块402用于基于场景特征信息从场景特征库中匹配目标
AI模型，场景特征库中包括多个场景特征信息以及多个场景特征信息分别对应的AI模型，
[0102]在一个可能的实现中，工业质检的任务类型至少基于工业质检场景的标准作业程
[0103]在另一个可能的实现中，质检对象的特征基于对质检对象的正负样本对进行特征
[0104]在另一个可能的实现中，质检对象的特征包括若干低阶特征和若干高阶特征，若
干低阶特征从低阶特征集中选择得到，若干高阶特征为高阶特征集中与低阶特征相关的高
阶特征；其中，低阶特征集和高阶特征集基于对质检对象的正负样本对进行特征提取得到。
[0105]在另一个可能的实现中，性能要求包括AI模型的训练时长要求、推理时延要求、检
[0106]在另一个可能的实现中，匹配模块402还用于当基于场景特征信息从场景特征库
中未匹配到目标AI模型，则基于场景特征信息从AI模型库中匹配得到若干候选AI模型，AI
[0107]工业质检场景与AI模型的匹配装置400还包括确定模块403，用于基于候选AI模型
[0108]在另一个可能的实现中，候选AI模型的优选指标与AI模型的泛化能力、样本标注
[0109]在另一个可能的实现中，候选AI模型的优选指标基于AI模型的泛化能力、样本标
注要求和AI资源要求的加权确定，AI模型的泛化能力的权重大于样本标注要求的权重，样
[0110]在另一个可能的实现中，工业质检场景与AI模型的匹配装置400还包括更新模块
[0111]根据本申请实施例的工业质检场景与AI模型的匹配装置400可对应于执行本申请
实施例中描述的方法，并且工业质检场景与AI模型的匹配装置400中的各个模块的上述和
其它操作和/或功能分别为了实现图1和2中的各个方法的相应流程，为了简洁，在此不再赘
[0112]与前述的针对工业质检场景的AI模型推理方法的实施例基于相同的构思，本申请
实施例中还提供了一种针对工业质检场景的AI模型推理装置500，该针对工业质检场景的
AI模型推理装置500包括用以实现图3所示的针对工业质检场景的AI模型推理方法中的各
[0113]图5为本申请实施例提供的针对工业质检场景的AI模型推理装置的结构示意图。
该装置可部署于任何具有计算能力的装置、设备、平台或设备集群，例如可以是计算机或服
务器，以实现为工业质检场景的质检结果的推理，如图5所示，该针对工业质检场景的AI模
型推理装置500至少包括采集模块501、提取模块502、比对模块503和推理模块504，其中，采
集模块501用于采集质检对象的图像信息；提取模块502用于提取图像信息的特征；比对模
块503用于将提取到的特征与特征样本库中的特征进行比对，确定特征样本库中存在与提
取到的特征相似的特征；推理模块504用于将图像信息作为AI模型的输入，输出质检结果。
[0114]在一个可能的实现中，特征样本库中的特征基于对质检对象的多对正负样本对进
[0115]在另一个可能的实现中，AI模型为基于本申请实施例提供的工业质检场景与AI模
[0116]根据本申请实施例的针对工业质检场景的AI模型推理装置500可对应于执行本申
请实施例中描述的方法，并且针对工业质检场景的AI模型推理装置500中的各个模块的上
述和其它操作和/或功能分别为了实现图3中的各个方法的相应流程，为了简洁，在此不再
[0117]与前述的方法的实施例基于相同的构思，本申请实施例中还提供了一种计算设
备，该计算设备至少包括处理器和存储器，存储器上存储有程序，处理器该程序时，可以实
[0119]如图6所示，所述计算设备600包括至少一个处理器601、存储器602和通信接口
603。其中，处理器601、存储器602和通信接口603通信连接，可以通过有线(例如总线)的方
式实现通信连接，也可以通过无线的方式实现通信连接。该通信接口603用于接收其他设备
发送的数据(例如采集设备采集到的图像信息)；存储器602存储有计算机指令，处理器601
[0120]应理解，在本申请实施例中，该处理器601可以是中央处理单元CPU，该处理器601
array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
[0121]该存储器602可以包括只读存储器和随机存取存储器，并向处理器601提供指令和
[0122]该存储器602可以是易失性存储器或非易失性存储器，或可包括易失性和非易失
但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static
态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous
[0123]应理解，根据本申请实施例的计算设备600可以执行实现本申请实施例中图1‑3所
[0124]本申请的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所
[0125]本申请的实施例提供了一种芯片，该芯片包括至少一个处理器和接口，所述至少
一个处理器通过所述接口确定程序指令或者数据；该至少一个处理器用于执行所述程序指
[0126]本申请的实施例提供了一种计算机程序或计算机程序产品，该计算机程序或计算
[0127]本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述
的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清
楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组
成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设
计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的
[0128]结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道
的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储
器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术领
[0129]以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步
详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请
的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含
2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。
3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
适配车辆的人机界面的图形用户界面的计算机实施方法、计算机程序产品、人机界面和车辆.pdf
托育园幼儿园婴幼儿常见疾病预防与传染病应急处理培训PPT课件.pptx
SL∕T 618-2021 水利水电工程可行性研究报告编制规程.pdf
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者