用于质量缺陷类别识别模型的训练方法及装置

技术领域

本发明涉及装备检测技术领域，尤其涉及一种用于质量缺陷类别识别模型的训练方法及装置。

背景技术

装备质量历来是生产制造领域重点关注的问题，生产过程中，大部分出厂件为正常样本，缺陷件少、占比低且种类不全。

在使用机器学习算法对装备质量问题识别时，受样本不均衡、负样本量少的影响，难以训练得到优良的智能算法模型，即使训练完成的模型，在实际应用时，效果也不尽人意。同时，现有技术中采用的模型结构在面对各种类别的特征指标时，无法注意到对质量缺陷识别影响较大的特征指标，即无法提取关键的特征，导致模型识别精确度低，不能很好的识别出真正的质量缺陷。

因此，为更好的对装备质量进行识别，亟需一种新的对装备质量的识别模型进行训练的方法。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种用于质量缺陷类别识别模型的训练方法及装置，用以解决现有技术中识别模型识别不准确的问题。

一方面，本发明实施例提供了一种用于质量缺陷类别识别模型的训练方法，所述训练方法包括：

获取装备的历史生产数据，对历史生产数据进行预处理获取若干个正常类别样本和若干个缺陷类别样本；每个正常类别样本包括N个特性指标和正常标签，每个缺陷类别样本包括N个特性指标和缺陷标签；缺陷标签包括多个缺陷类别标签；

按照模型训练集中预设正常样本比例从正常类别样本中取样，得到正常样本训练集；按照模型训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集；将所述正常样本训练集和缺陷样本训练集组合得到模型训练集；

建立质量缺陷类别识别模型；

根据模型训练集中的各个样本对质量缺陷类别识别模型进行训练，得到训练完成的质量缺陷类别识别模型。

基于上述训练方法的进一步改进，所述质量缺陷类别识别模型包括依次连接的特征提取层和缺陷类别分类层；

特征提取层，用于接收模型训练集中的每个样本的N个特性指标，并对N个特性指标进行卷积计算，提取得到每个样本的特征；

缺陷类别分类层，用于接收每个样本的特征，并根据该样本的特征进行预测，得到该样本的缺陷类别。

基于上述训练方法的进一步改进，所述特征提取层包括多个依次连接的残差网络；

每个残差网络包括依次连接的第一残差模块和第二残差模块；

第一残差模块的主分支包括两个卷积层，残差分支上包括一个通道加权模块；

第二残差模块的主分支包括两个卷积层，残差分支上包括一个挤压激励模块。

基于上述训练方法的进一步改进，第一残差模块和第二残差模块中的卷积层均为3×3的卷积结构；通道加权模块包括依次连接的一维卷积、全连接层、Softmax层和平均池化层。

基于上述训练方法的进一步改进，按照训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，包括：

按照下述步骤获取每一个新增缺陷类别样本：

依次按照N个特性指标的大小对缺陷类别样本进行排序，得到N个特性指标对应的缺陷类别样本序列；

随机从缺陷类别样本中确定一个参考缺陷样本，确定该参考缺陷样本在N个特性指标对应的缺陷类别样本序列中的取样位置，共得到N个取样位置；

根据该N个取样位置，分别确定该新增缺陷类别样本对应的N个特性指标，参考缺陷样本的缺陷标签作为该新增缺陷类别样本的缺陷标签。

基于上述训练方法的进一步改进，所述根据该N个取样位置，分别确定该新增缺陷类别样本对应的N个特性指标，包括：

按照下述步骤获取该新增缺陷类别样本应的N个特性指标中任意一个特性指标：

根据该特性指标的取样位置，在该特性指标对应的缺陷类别样本序列中确定取样位置的前一个位置和后一个位置缺陷类别样本的缺陷类别标签；

比较该取样位置的缺陷类别标签和后一个位置的缺陷类别标签是否相同；如果相同，根据该取样位置处缺陷类别样本中的该特性指标和后一个位置处缺陷类别样本中的该特性指标生成该新增缺陷类别样本对应的该特性指标；如果不相同，再比较该取样位置的缺陷类别标签和前一个位置的缺陷类别标签是否相同；

如果该取样位置的缺陷类别标签和前一个位置的缺陷类别标签相同，则根据该取样位置处缺陷类别样本中的该特性指标和前一个位置处缺陷类别样本中的该特性指标生成该新增缺陷类别样本对应的该特性指标；否则，将该取样位置处缺陷类别样本中的该特性指标作为该新增缺陷类别样本对应的该特性指标。

基于上述训练方法的进一步改进，如果该取样位置的缺陷类别标签和后一个位置的缺陷类别标签相同，通过下述公式计算该新增缺陷类别样本对应的该特性指标：

其中，

如果该取样位置的缺陷类别标签和前一个位置的缺陷类别标签相同，通过下述公式计算该新增缺陷类别样本对应的该特性指标：

其中，

基于上述训练方法的进一步改进，所述按照模型训练集中预设正常样本比例从正常类别样本中取样，包括：

根据模型训练集的预设总样本和预设正常样本比例确定正常样本数量；

利用不放回取样方法，随机从正常类别样本中取出正常样本数量的正常训练样本。

基于上述训练方法的进一步改进，所述利用不放回取样方法，随机从正常类别样本中取出正常样本数量的正常训练样本，包括：

按照N个特性指标中任意一个指标的大小对正常类别样本进行排序，得到排序后的正常类别样本；

产生一个(0,1)范围内的随机数，根据该随机数和排序后的正常类别样本的数量确定取样位置；

将该取样位置对应的正常样本取出，作为正常样本训练集中的一个正常训练样本，同时将该取样位置对应的正常样本从排序后的正常类别样本中删除，对正常类别样本进行更新；

判断采样得到的正常训练样本的数量是否达到正常样本数量；如果没达到正常样本数量，则重复上述步骤进行下一次采样；否则，结束正常训练样本的采样。

另一方面，本发明实施例提供了一种用于质量缺陷类别识别模型的训练装置，所述训练装置包括：

样本获取模块，用于获取装备的历史生产数据，对历史生产数据进行预处理获取若干个正常类别样本和若干个缺陷类别样本；每个正常类别样本包括N个特性指标和正常标签，每个缺陷类别样本包括N个特性指标和缺陷标签；缺陷标签包括多个缺陷类别标签；

训练集采样模块，用于按照模型训练集中预设正常样本比例从正常类别样本中取样，得到正常样本训练集；按照模型训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集；将所述正常样本训练集和缺陷样本训练集组合得到模型训练集；

模型建立模块，用于建立质量缺陷类别识别模型；

模型训练模块，用于根据模型训练集中的各个样本对质量缺陷类别识别模型进行训练，得到训练完成的质量缺陷类别识别模型。

与现有技术相比，本发明至少可实现如下有益效果之一：

1、通过对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集，扩大了样本多样性，以覆盖更多的数据潜在分布，从而提高对不同特征指标的泛化能力。使得训练完成的质量缺陷类别识别模型在对装备进行识别时，准确度更高；

2、通过在质量缺陷类别识别模型的结构中增设通道加权模块和挤压激励模块，使得模型能够关注到样本不同通道以及卷积核不同通道的特征指标的特征，加大对质量缺陷影响较大的通道的权重，能够提取到更加精准的特征，最终提高了模型识别准确度。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例提供的用于质量缺陷类别识别模型的训练方法的流程示意图；

图2为本发明实施例提供的质量缺陷类别识别模型的结构示意图；

图3为本发明实施例提供的残差网络的结构示意图；

图4为本发明实施例提供的用于质量缺陷类别识别模型的训练装置的结构示意图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。

现有技术中在使用训练完成的识别模型对装备进行识别时，由于在对识别模型进行训练时，使用的负样本较少，使得训练完成的识别模型在面对高质量检测的具体使用时，难以识别出部分负样本，最终使得识别模型的技术效果并不如意。

本发明的一个具体实施例，公开了一种用于质量缺陷类别识别模型的训练方法，如图1所示，所述训练方法包括：

步骤S1：获取装备的历史生产数据，对历史生产数据进行预处理获取若干个正常类别样本和若干个缺陷类别样本；每个正常类别样本包括N个特性指标和正常标签，每个缺陷类别样本包括N个特性指标和缺陷标签；缺陷标签包括多个缺陷类别标签；

步骤S2：按照模型训练集中预设正常样本比例从正常类别样本中取样，得到正常样本训练集；按照模型训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集；将所述正常样本训练集和缺陷样本训练集组合得到模型训练集；

步骤S3：建立质量缺陷类别识别模型；

步骤S4：根据模型训练集中的各个样本对质量缺陷类别识别模型进行训练，得到训练完成的质量缺陷类别识别模型。

具体的，如图1所示，在步骤S1中，获取装备的历史生产数据，包括采集装备的各个特性指标数据，各个特性指标数据包括材料特性数据、工艺特性数据和性能特性数据。

具体的，如下表1所示，材料特性数据包括装备的产品名称、产品图号、材料名称、牌号规格、技术条件、炉(批)号、化验编号、材料供应单位合格证编号、材料关键性能指标名称、材料关键性能指标数据等。

表1：材料特性数据

具体的，如下表2所示，工艺特性数据包括部组件名称、代号、产品名称、产品图号、工艺数据项目、工艺数据项目具体内容、待分析数据等等。

表2：工艺特性数据

具体的，如下表3所示，性能特性数据包括组件名称、代号、产品名称、产品图号、检查或试验项目、设计要求性能指标、待分析数据、指标要求等。

表3：性能特性数据

具体的，如图1所示，在步骤S1中，对历史生产数据进行预处理，可以理解的是，预处理包括编码，通过对装备的历史生产数据进行编码，得到可以输入质量缺陷类别识别模型的数值。

具体的，在步骤S1中从装备的历史生产数据中获取若干个正常类别样本和若干个缺陷类别样本，每个正常类别样本包括N个特性指标和正常标签，每个缺陷类别样本包括N个特性指标和缺陷标签；缺陷标签包括多个缺陷类别标签，缺陷标签包括温度缺陷、压力缺陷和光滑度缺陷。

可以理解的是，装备的历史生产数据，需要经过预处理，经过预处理后每一个样本确定N个特性指标，每个特性指标有一个特性指标值，并且，每一个样本需要有对应的标签。具体的，每个样本包括N个特性指标，对不同的特性指标分别进行编码，构造得到预处理后的特性指标，在预处理后的特性指标中包括N个特性指标。

具体的，如图所示，在步骤S2中，模型训练集为训练质量缺陷类别识别模型的总集合，在模型训练集中包括正常样本训练集和缺陷样本训练集，正常样本训练集为模型训练集中，标签为正常的样本的集合，缺陷样本训练集为模型训练集中，标签为缺陷的样本的集合。

具体的，模型训练集可以预设样本数量，比如预设样本数量为10000个，其中，预设正常样本比例表示标签为正常样本的样本占预设样本数量的比例，预设缺陷样本比例表示标签为缺陷样本的样本占预设样本数量的比例。比如模型训练集的预设样本数量为10000个，预设正常样本比例为0.4，预设缺陷样本比例为0.6，则需要4000个正常标签的样本，6000个缺陷标签的样本。

优选地，所述按照模型训练集中预设正常样本比例从正常类别样本中取样，包括：

根据模型训练集的预设总样本和预设正常样本比例确定正常样本数量；

利用不放回取样方法，随机从正常类别样本中取出正常样本数量的正常训练样本。

具体的，模型训练集的预设总样本为训练质量缺陷类别识别模型的样本总数量。根据预设总样本和预设正常样本比例确定正常样本数量。

具体的，正常类别样本中包括超级多的正常样本数据，在对正常样本进行取样时，采用不放回取样方法，随机从正常类别样本中取出正常样本数量的正常训练样本，正常训练样本表示正常样本训练集中的正常样本。

优选地，所述利用不放回取样方法，随机从正常类别样本中取出正常样本数量的正常训练样本，包括：

按照N个特性指标中任意一个指标的大小对正常类别样本进行排序，得到排序后的正常类别样本；

产生一个(0,1)范围内的随机数，根据该随机数和排序后的正常类别样本的数量确定取样位置；

将该取样位置对应的正常样本取出，作为正常样本训练集中的一个正常训练样本，同时将该取样位置对应的正常样本从排序后的正常类别样本中删除，对正常类别样本进行更新；

判断采样得到的正常训练样本的数量是否达到正常样本数量；如果没达到正常样本数量，则重复上述步骤进行下一次采样；否则，结束正常训练样本的采样。

具体的，由于正常类别样本中包括超级多的正常样本，在取样正常样本时，可以选择一次性取样多个正常样本，也可以一次性取样一个正常样本，但是每次采样时，保证采样的正常样本不能重复。

具体的，当需要多次采样才能得到需要的正常样本时，下一次采样需要在当前采样的基础上进行采样，每一次采样需要对正常类别样本进行更新，将采样的正常样本从正常类别样本中删除。

具体的，在进行采样时，根据N个特性指标中任意一个指标的大小对上一次采样更新后的正常类别样本进行排序，确定更新后的正常类别样本的样本数量，通过产生随机数的方式确定本次的采样位置，将该采样位置的正常样本作为取样样本，该取样样本即作为正常训练样本。

优选地，按照训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，包括：

按照下述步骤获取每一个新增缺陷类别样本：

依次按照N个特性指标的大小对缺陷类别样本进行排序，得到N个特性指标对应的缺陷类别样本序列；

随机从缺陷类别样本中确定一个参考缺陷样本，确定该参考缺陷样本在N个特性指标对应的缺陷类别样本序列中的取样位置，共得到N个取样位置；

根据该N个取样位置，分别确定该新增缺陷类别样本对应的N个特性指标，参考缺陷样本的缺陷标签作为该新增缺陷类别样本的缺陷标签。

具体的，缺陷类别样本的数量较少，训练质量缺陷类别识别模型所需要的数量较多，本发明实施例通过对缺陷类别样本进行扩充，得到新增缺陷类别样本。

具体的，在获取每一个新增缺陷类别样本时，每一个新增缺陷类别样本也包括N个特性指标，该N个特性指标需要逐步确定。

具体的，在获取每一个新增缺陷类别样本时，按照每个特性指标对缺陷类别样本进行排序，可以得到N个特性指标对应的缺陷类别样本序列，在每一个特性指标对应的缺陷类别样本序列中的样本数量和初始的缺陷类别样本的样本数量相同；

从初始的缺陷类别样本中随机确定一个参考缺陷样本，将该参考缺陷样本对应的缺陷标签作为新增缺陷类别样本的缺陷标签。在确定新增缺陷类别样本的N个特性指标的值时，分别确定参考缺陷样本在N个特性指标对应的缺陷类别样本序列中的N个取样位置，根据该N个取样位置，分别确定该新增缺陷类别样本对应的N个特性指标。

优选地，所述根据该N个取样位置，分别确定该新增缺陷类别样本对应的N个特性指标，包括：

按照下述步骤获取该新增缺陷类别样本应的N个特性指标中任意一个特性指标：

根据该特性指标的取样位置，在该特性指标对应的缺陷类别样本序列中确定取样位置的前一个位置和后一个位置缺陷类别样本的缺陷类别标签；

比较该取样位置的缺陷类别标签和后一个位置的缺陷类别标签是否相同；如果相同，根据该取样位置处缺陷类别样本中的该特性指标和后一个位置处缺陷类别样本中的该特性指标生成该新增缺陷类别样本对应的该特性指标；如果不相同，再比较该取样位置的缺陷类别标签和前一个位置的缺陷类别标签是否相同；

如果该取样位置的缺陷类别标签和前一个位置的缺陷类别标签相同，则根据该取样位置处缺陷类别样本中的该特性指标和前一个位置处缺陷类别样本中的该特性指标生成该新增缺陷类别样本对应的该特性指标；否则，将该取样位置处缺陷类别样本中的该特性指标作为该新增缺陷类别样本对应的该特性指标。

具体的，针对该新增缺陷类别样本应的N个特性指标中任意一个特性指标，确定该特性指标对应的取样位置，并且确定取样位置的前一个位置和后一个位置缺陷类别样本的缺陷类别标签，按照下述顺序确定该新增样本的该特性指标：

比较该取样位置的缺陷类别标签和后一个位置的缺陷类别标签是否相同；

如果相同，根据该取样位置的该特性指标和后一个位置的该特性指标生成该新增缺陷类别样本对应的该特性指标；

如果不相同，再比较该取样位置的缺陷类别标签和前一个位置的缺陷类别标签是否相同；

如果该取样位置的缺陷类别标签和前一个位置的缺陷类别标签相同，则根据该取样位置的该特性指标大小和前一个位置的该特性指标大小生成该新增缺陷类别样本对应的该特性指标；

否则，将该取样位置的该特性指标大小作为该新增缺陷类别样本对应的该特性指标。

优选地，如果该取样位置的缺陷类别标签和后一个位置的缺陷类别标签相同，通过下述公式计算该新增缺陷类别样本对应的该特性指标：

其中，

如果该取样位置的缺陷类别标签和前一个位置的缺陷类别标签相同，通过下述公式计算该新增缺陷类别样本对应的该特性指标：

其中，

具体的，在获取第r个新增缺陷样本时：

首先，随机从缺陷类别样本中确定一个参考缺陷样本，将该参考缺陷样本的缺陷标签作为第r个新增缺陷类别样本的缺陷标签；

其次，确定该参考缺陷样本在N个特性指标对应的缺陷类别样本序列中的N个取样位置，由于按照不同特性指标，会产生不同的缺陷类别样本序列，因此该参考缺陷样本在不同特性指标对应的缺陷类别样本序列中的位置不可能完全相同；

然后，在确定第r个新增缺陷样本的第n个特性指标时，在第n个特性指标对应的缺陷类别样本序列中找出取样位置L，同时找出前一个位置L-1和后一个位置L+1缺陷样本的缺陷类别标签；

最后，比较取样位置L的缺陷类别标签和后一个位置L+1的缺陷类别标签是否相同；如果相同，通过下述公式计算该新增缺陷类别样本对应的该特性指标：

其中，

如果取样位置L的缺陷类别标签和后一个位置L+1的缺陷类别标签不相同，再比较该取样位置L的缺陷类别标签和前一个位置L-1的缺陷类别标签是否相同；如果相同，通过下述公式计算该新增缺陷类别样本对应的第n个特性指标：

其中，

如果该取样位置L的缺陷类别标签和前一个位置L-1的缺陷类别标签不相同，则将该取样位置L的第n个特性指标大小作为第r个新增缺陷类别样本对应的第n个特性指标。

在确定新增缺陷类别样本的N个特性指标时，根据参考缺陷样本，参考缺陷样本的N个特性指标是原始的数据，在确定新增缺陷类别样本第n个特性指标时，找到参考缺陷样本的第n个特性指标在第n个特性指标的缺陷类别样本序列的取样位置L，取样位置L、后一个位置L+1和前一个位置L-1的特性指标，通过比较三个位置的缺陷类别标签来确定第n个特性指标的变化，进而进行缺陷样本的扩充，使得扩充得到的新增缺陷类别样本更逼近于真实样本，进一步增加缺陷类别样本的数量，提高质量缺陷类别识别模型的训练效果，最终使得质量缺陷类别识别模型的识别效果更好。

具体的，如图1所示，在步骤S3中，建立质量缺陷类别识别模型。

优选地，所述质量缺陷类别识别模型包括依次连接的特征提取层和缺陷类别分类层；

特征提取层，用于接收模型训练集中的每个样本的N个特性指标，并对N个特性指标进行卷积计算，提取得到每个样本的特征；

缺陷类别分类层，用于接收每个样本的特征，并根据该样本的特征进行预测，得到该样本的缺陷类别。

具体的，如图2所示，质量缺陷类别识别模型包括特征提取层和缺陷类别分类层，在对模型进行训练时，将训练样本输入至特征提取层，特征提取层对每个样本的特征进行提取，得到每个样本的特征，缺陷类别分类层用于对每个样本的特征进行分类，得到每个样本的预测标签。

具体的，在步骤S4中，通过比较每个样本的预测标签和真实标签，对样本进行训练直至损失函数收敛训练完成，得到训练完成的质量缺陷类别识别模型。

优选地，所述特征提取层包括多个依次连接的残差网络；

每个残差网络包括依次连接的第一残差模块和第二残差模块；

第一残差模块的主分支包括两个卷积层，残差分支上包括一个通道加权模块；

第二残差模块的主分支包括两个卷积层，残差分支上包括一个挤压激励模块。

具体的，如图2所示，特征提取层包括多个依次连接的残差网络。

值得说明的是，每个残差网络的主分支用于进行特征提取，残差分支用于进行权重计算，将权重和特征按通道相乘得到每个残差网络的输出特征。

具体的，如图3所示，每个残差网络包括依次连接的第一残差模块和第二残差模块，第一残差模块的主分支包括第一卷积层和第二卷积层，第一残差模块的残差分支包括通道加权模块；第二残差模块的主分支包括第三卷积层和第四卷积层，第二残差模块的残差分支包括挤压激励模块。

优选地，第一残差模块和第二残差模块中的卷积层均为3×3的卷积结构；通道加权模块包括依次连接的一维卷积、全连接层、Softmax层和平均池化层。

具体的，第一和第二残差模块的主分支包括两个3×3的卷积层，残差分支上分别包括一个通道加权模块和挤压激励模块，质量缺陷类别识别模型通过通道加权的卷积神经网络在多个卷积层的基础上增加通道加权模块和挤压激励模块，进行通道权重计算。

可以理解的是，通道加权模块依次通过一维卷积、全连接层、Softmax层和平均池化计算每个通道的权重，最后每个通道的数据与其对应的权重相乘，捕捉不同通道的重要性。挤压激励模块的设计核心思想是在卷积神经网络处理三维数据时，增加小的子网络动态学习权重。

本发明的另一个具体实施例，如图4所示，公开了一种用于质量缺陷类别识别模型的训练装置，所述训练装置包括：

样本获取模块401，用于获取装备的历史生产数据，对历史生产数据进行预处理获取若干个正常类别样本和若干个缺陷类别样本；每个正常类别样本包括N个特性指标和正常标签，每个缺陷类别样本包括N个特性指标和缺陷标签；缺陷标签包括多个缺陷类别标签；

训练集采样模块402，用于按照模型训练集中预设正常样本比例从正常类别样本中取样，得到正常样本训练集；按照模型训练集中预设缺陷样本比例对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集；将所述正常样本训练集和缺陷样本训练集组合得到模型训练集；

模型建立模块403，用于建立质量缺陷类别识别模型；

模型训练模块404，用于根据模型训练集中的各个样本对质量缺陷类别识别模型进行训练，得到训练完成的质量缺陷类别识别模型。

与现有技术相比，本发明实施例提供的用于质量缺陷类别识别模型的训练方法及装置通过对缺陷类别样本进行扩充得到新增缺陷类别样本，原始缺陷类别样本和新增缺陷类别样本形成缺陷样本训练集，扩大了样本多样性，以覆盖更多的数据潜在分布，从而提高对不同特征指标的泛化能力。使得训练完成的质量缺陷类别识别模型在对装备进行识别时，准确度更高；同时，通过在质量缺陷类别识别模型的结构中增设通道加权模块和挤压激励模块，使得模型能够关注到样本不同通道以及卷积核不同通道的特征指标的特征，加大对质量缺陷影响较大的通道的权重，能够提取到更加精准的特征，最终提高了模型识别准确度。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。