本公開涉及用于生成檢測器模型的系統(tǒng)和方法，特別是，涉及一種用于過程監(jiān)測的檢測器模型。

背景技術：

1、機器學習是分析以確定將輸入數(shù)據映射到輸出數(shù)據的模型的過程。一種類型的機器學習是監(jiān)督學習，其中以針對足夠量的輸入數(shù)據包括已知輸出數(shù)據的數(shù)據集訓練模型。一旦模型被訓練，它就可被部署，即，應用于新的輸入數(shù)據以預測預期輸出。

2、機器學習可應用于回歸問題(其中輸出數(shù)據為數(shù)值，例如電壓、壓力、循環(huán)數(shù))和分類問題(其中輸出數(shù)據為標簽、類和/或類別，例如通過-失敗、失敗類型等)。對于兩種類型的問題，廣泛的機器學習算法可用，新算法也在積極研究。然而，生成數(shù)據集來訓練模型會非常耗費勞力。另外，提供用于訓練的數(shù)據集的質量可極大地影響模型從新的數(shù)據集預測預期輸出的能力。

3、因此，需要改進用于訓練模型的輸入數(shù)據集及該模型預測的預期輸出。

技術實現(xiàn)思路

1、本文公開了一種生成檢測器的方法。該方法包括：獲得包括標識第一對象的第一標記圖像集合的第一訓練數(shù)據集；以及獲得包括標識第二對象的第二標記圖像集合的第二訓練數(shù)據集?；诘谝挥柧殧?shù)據集訓練第一零件級檢測器，并且基于第二訓練數(shù)據集訓練第二零件級檢測器?；诘谝挥柧殧?shù)據集和第二訓練數(shù)據集訓練統(tǒng)一檢測器。

2、在該方法的一個或更多個實施方式中，第一訓練數(shù)據集通過以下步驟創(chuàng)建：接收第一圖像序列，在第一圖像序列的至少一個圖像中標識出第一對象；在第一圖像序列中跟蹤在至少一個圖像中標識出的第一對象；在第一圖像序列中跟蹤第一對象的各個圖像中標記感興趣區(qū)域；以及通過從第一圖像序列中跟蹤第一對象的各個圖像收集感興趣區(qū)域來創(chuàng)建第一訓練數(shù)據集。

3、在一個或更多個實施方式中，該方法包括：獲得第一訓練數(shù)據集包括通過對照第一對象的地面真值時間線驗證第一訓練數(shù)據集中第一對象的存在來消除第一對象的假陰性標記。

4、在一個或更多個實施方式中，該方法包括：通過接收第二圖像序列來創(chuàng)建第二訓練數(shù)據集，在第二圖像序列的至少一個圖像中標識出第二對象。該方法包括：在第二圖像序列中跟蹤在至少一個圖像中標識出的第二對象。該方法還包括：在第二圖像序列中跟蹤第二對象的各個圖像中標記感興趣區(qū)域；以及通過從第二圖像序列中跟蹤第二對象的各個圖像收集感興趣區(qū)域來創(chuàng)建第二訓練數(shù)據集。

5、在該方法的一個或更多個實施方式中，第二對象包括位于不同配置中的第一對象。

6、在一個或更多個實施方式中，該方法包括：獲得第二訓練數(shù)據集包括通過對照第二對象的地面真值時間線驗證第二對象的存在來消除第二對象的假陰性標記。

7、在一個或更多個實施方式中，該方法包括：基于第一訓練數(shù)據集訓練統(tǒng)一檢測器包括利用第二零件級檢測器來標記第一訓練數(shù)據集的各個圖像中跟蹤第二對象的感興趣區(qū)域。

8、在一個或更多個實施方式中，該方法包括：基于第二訓練數(shù)據集訓練統(tǒng)一檢測器包括利用第一零件級檢測器來標記第二訓練數(shù)據集的各個圖像中跟蹤第一對象的感興趣區(qū)域。

9、在一個或更多個實施方式中，該方法包括：訓練統(tǒng)一檢測器包括通過對照第二訓練數(shù)據集中第一對象的地面真值時間線驗證第一對象的存在來消除第二訓練數(shù)據集中的第一對象的假陰性標記。

10、在一個或更多個實施方式中，該方法包括：訓練統(tǒng)一檢測器包括通過對照第一訓練數(shù)據集中第二對象的地面真值時間線驗證第二對象的存在來消除第一訓練數(shù)據集中的第二對象的假陰性標記。

11、在一個或更多個實施方式中，該方法包括：獲得多個附加訓練數(shù)據集，多個附加訓練數(shù)據集中的每一個包括標識多個附加對象中的對應一個的標記圖像集合；基于多個附加訓練數(shù)據集訓練多個附加零件級檢測器；以及基于第一訓練數(shù)據集、第二訓練數(shù)據集和多個附加訓練數(shù)據集訓練統(tǒng)一檢測器。

12、在一個或更多個實施方式中，該方法包括：獲得多個附加訓練數(shù)據集，多個附加訓練數(shù)據集中的每一個包括標識多個附加對象中的對應一個的標記圖像集合。該方法包括：當多個附加對象的地面真值時間線不交疊時，基于多個附加訓練數(shù)據集來訓練單個附加零件級檢測器。該方法還包括：基于第一訓練數(shù)據集、第二訓練數(shù)據集和多個附加訓練數(shù)據集訓練統(tǒng)一檢測器。

13、在該方法的一個或更多個實施方式中，多個附加對象包括位于多個不同配置中的單個對象。

14、在一個或更多個實施方式中，該方法包括：基于多個附加訓練數(shù)據集訓練單個附加零件級檢測器包括通過對照多個附加對象中的每一個的地面真值時間線驗證多個附加訓練數(shù)據集中多個附加對象中的每一個的存在來消除多個附加對象的假陰性標記。

15、在該方法的一個或更多個實施方式中，第一和第二標記圖像集合包括提供對象標識符的標記、突出顯示對應對象的邊界框的位置和邊界框的大小。

16、本文公開了一種用于檢測對象的系統(tǒng)。該系統(tǒng)包括被配置為捕獲多個圖像的至少一個相機和控制器。控制器被配置為獲得包括標識第一對象的第一標記圖像集合的第一訓練數(shù)據集，并且獲得包括標識第二對象的第二標記圖像集合的第二訓練數(shù)據集。控制器還被配置為基于第一訓練數(shù)據集訓練第一零件級檢測器并且基于第二訓練數(shù)據集訓練第二零件級檢測器，以便基于第一訓練數(shù)據集和第二訓練數(shù)據集訓練統(tǒng)一檢測器。

17、在該系統(tǒng)的一個或更多個實施方式中，第一訓練數(shù)據集通過以下步驟創(chuàng)建：接收第一圖像序列，在第一圖像序列的至少一個圖像中標識出第一對象；以及在第一圖像序列中跟蹤在至少一個圖像中標識出的第一對象。第一訓練數(shù)據集通過以下步驟進一步創(chuàng)建：在第一圖像序列中跟蹤第一對象的各個圖像中標記感興趣區(qū)域；以及通過從第一圖像序列中跟蹤第一對象的各個圖像收集感興趣區(qū)域來創(chuàng)建第一訓練數(shù)據集。

18、在該系統(tǒng)的一個或更多個實施方式中，第二訓練數(shù)據集通過以下步驟創(chuàng)建：接收第二圖像序列，在第二圖像序列的至少一個圖像中標識出第二對象；以及在第二圖像序列中跟蹤在至少一個圖像中標識出的第二對象。第二訓練數(shù)據集通過以下步驟進一步創(chuàng)建：在第二圖像序列中跟蹤第二對象的各個圖像中標記感興趣區(qū)域；以及通過從第二圖像序列中跟蹤第二對象的各個圖像收集感興趣區(qū)域來創(chuàng)建第二訓練數(shù)據集。

19、本文公開了一種包含編程的指令的非暫時性計算機可讀介質，這些指令在由處理器執(zhí)行時可操作以用于執(zhí)行一種方法。該方法包括：獲得包括標識第一對象的第一標記圖像集合的第一訓練數(shù)據集；以及獲得包括標識第二對象的第二標記圖像集合的第二訓練數(shù)據集。該方法包括：基于第一訓練數(shù)據集訓練第一零件級檢測器；以及基于第二訓練數(shù)據集訓練第二零件級檢測器。該方法還包括：基于第一訓練數(shù)據集和第二訓練數(shù)據集訓練統(tǒng)一檢測器。

20、在該方法的一個或更多個實施方式中，第一訓練數(shù)據集和第二訓練數(shù)據集通過以下步驟創(chuàng)建：接收第一圖像序列，在第一圖像序列的至少一個圖像中標識出第一對象；以及接收第二圖像序列，在第二圖像序列的至少一個圖像中標識出第二對象。該方法包括：在第一圖像序列中跟蹤在至少一個圖像中標識出的第一對象；以及在第二圖像序列中跟蹤在至少一個圖像中標識出的第二對象。該方法還包括：在第一圖像序列中跟蹤第一對象的各個圖像中標記感興趣區(qū)域；以及在第二圖像序列中跟蹤第二對象的各個圖像中標記感興趣區(qū)域。該方法還包括：通過從第一圖像序列中跟蹤第一對象的各個圖像收集感興趣區(qū)域來創(chuàng)建第一訓練數(shù)據集；以及通過從第二圖像序列中跟蹤第二對象的各個圖像收集感興趣區(qū)域來創(chuàng)建第二訓練數(shù)據集。

21、以上概述并非旨在表示本公開的每一個可能的實施方式或每一個方面。相反，以上概述旨在舉例說明本文所公開的一些新穎方面和特征。本公開的特征、功能和優(yōu)點可在各種實施方式中獨立地實現(xiàn)，或者可在其它實施方式中組合，其進一步細節(jié)可參照以下詳細描述和附圖看到。