本发明属于汽车，具体的说是一种面品缺陷数字化分级方法、装置、设备及存储介质。
背景技术：
1、车辆的数字化面品质量分级是一个非常复杂且急需解决的研究课题。现有的方法是在生产线中安排受过专业训练的工人来对汽车表面进行长时间仔细的观察，然后根据标准和经验从而确定出该产品的质量评级。这种传统的方案对于产线工人的要求非常高，这些工人需要经过大量的培训才能稳定的对产品进行评级；然而，随着工厂不断进行数字化转型，需要人工长时间观察才能完成的工作，不适应生产节奏。此外，这种传统的人工判定方式对面品质量进行分级中的错误率也会受到工人情绪和工作时间的影响。如果工人对于评级的规则把控较松，则有可能导致一些缺陷产品流入市场，进而对汽车的整体质量产生影响，甚至会造成品牌价值流失；如果工人对评级规则把控过于严格，则可能导致大量生产资源被浪费，进而影响产线的总体效率。
2、随着人工智能和计算机硬件设备的不断更新和发展，基于深度学习的算法在计算机视觉、自然语言处理、知识图谱等领域取得了举世瞩目的成绩，并且在模型精度和运行效率等指标中远优于传统的方法。目前，基于深度学习已经在不同领域中大规模使用，如辅助驾驶、机器翻译、chatgpt、aigc以及vrar等。针对“数字化面品质量分级”这一问题，已经有了一些基于人工智能的方案，如专利[1]提出了一种基于卷积神经网络和svm相结合的方法，这种方法能够从图像中提取出一些特征，然后使用svm对输入图像的结果进行预测。但是方法严重依赖于训练数据的质量，当遇到未出现过的模态时，模型很难做出正确预测。专利[2]提出了一种基于卷积神经网络的漆面损伤检测系统，这种方法主要针对汽车表面的漆面损伤的检测和分类，因此使用场景比较单一，无法适应工厂自动化产线这种复杂的场景。
技术实现思路
1、为解决上述问题，本发明提供了一种面品缺陷数字化分级方法、装置、设备及存储介质，可以根据摄像头采集到信息，精确且高效对面品质量输出分级，并且兼顾人工判断标准，也能够对未知的样本进行自适应归类；进而，可以直接接入到现有的工厂产线中，无需过多的调整。此外，本发明还引入了“增量学习”方案，使得算法不必因为数据或者判断标准的改动而重新训练模型，优化模型迭代更新的流程。
2、本发明技术方案结合附图说明如下：
3、第一方面，本发明实施例提供了一种面品缺陷数字化分级方法，包括以下步骤：
4、步骤一、将相机采集到的图片，输送到训练好的encoder模块中来提取相应的特征表达；
5、步骤二、将提取的相应特征表达输送到判别器模块中；
6、步骤三、判别器模块根据预先设定好的工作模态对获取到的相应特征进行预测。
7、进一步的，当完成上一次分级后，将新添加的数据作为一种新的类别，然后通过与原有模型进行知识蒸馏和置信度采样的方法对新的数据进行划分。
8、进一步的，所述步骤三的具体方法如下：
9、当判别模式仅设定了所需分类的类别数量但并未给出分类依据时即聚类模式，判别器通过聚类的方式来对输入的特征进行判断，并最终给出不同图片所对应的类别；
10、当判别器设定了具体的分类规则时即分类模式，此时需要将encoder输出的结果与标准特征进行比对，然后预测图片的所属类别；
11、当判别器设定为混合模式时，判别器将根据训练集中构建的特征来进行特征分类，然后将其他的类别进行聚类；最后根据特征所代表的标签，来对输出面品质量的数字化分级。
12、进一步的，所述聚类模式的具体方法如下：
13、将面品质量分为n个级别，但是没有给任何的分类准则，此时判别器需要将所输入的特征聚类到n个不同的聚类中心附近，然后将聚类中心的标签作为相应图像的预测结果。
14、进一步的，所述分类模式的具体方法如下：
15、将面品质量分为m种级别，设定了这m种情况的具体判别方式，此时将算法简化为一种有监督任务，判别器根据标准特征来对输入的信息进行预测。
16、进一步的，所述混合模式的具体方法如下：
17、将提取的特征与标注特征进行比对，将具有明确判断标注的数据寻找出来；然后将剩余的数据按照接下所需的类别进行聚类。
18、进一步的，采用的k-means算法来对特征进行聚类；判别器将提取的特征与标准特征进行对比时，使用了l1 loss来进行约束，具体计算方法如下式：
19、
20、式中，yi为标准特征；f(*)为设计的encoder模块；xi为输入的特征；
21、当判别器需要使用聚类功能时，使用欧式距离来对计算不同特征表达与聚类中心的距离，具体计算方法如下式：
22、
23、式中，ki为所计计算出的聚类中。
24、第二方面，本发明实施例还提供了一种面品缺陷数字化分级装置，包括：
25、提取模块，用于将相机采集到的图片，输送到训练好的encoder模块中来提取相应的特征表达；
26、计算模块，用于将提取的相应特征表达输送到判别器模块中；
27、预测模块，用于判别器模块根据预先设定好的工作模态对获取到的相应特征进行预测。
28、第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的一种面品缺陷数字化分级方法。
29、第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的一种面品缺陷数字化分级方法。
30、本发明的有益效果为：
31、1)本发明提出了一种基于vision transformer和k-means的自动分类模型，使算法可以根据摄像头采集到信息，精确且高效对面品质量输出分级；
32、2)本发明提出的方法可以兼顾人工判断标准，也能够对未知的样本进行自适应归类；进而，本发明中提出的方法可以直接接入到现有的工厂产线中，无需过多的调整；
33、3)本发明设计的方法还引入了“增量学习”方案，使得算法不必因为数据或者判断标准的改动而重新训练模型，优化模型迭代更新的流程。
1.一种面品缺陷数字化分级方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面品缺陷数字化分级方法，其特征在于，当完成上一次分级后，将新添加的数据作为一种新的类别，然后通过与原有模型进行知识蒸馏和置信度采样的方法对新的数据进行划分。
3.根据权利要求1所述的一种面品缺陷数字化分级方法，其特征在于，所述步骤三的具体方法如下：
4.根据权利要求3所述的一种面品缺陷数字化分级方法，其特征在于，所述聚类模式的具体方法如下：
5.根据权利要求3所述的一种面品缺陷数字化分级方法，其特征在于，所述分类模式的具体方法如下：
6.根据权利要求3所述的一种面品缺陷数字化分级方法，其特征在于，所述混合模式的具体方法如下：
7.根据权利要求6所述的一种面品缺陷数字化分级方法，其特征在于，采用的k-means算法来对特征进行聚类；判别器将提取的特征与标准特征进行对比时，使用了l1 loss来进行约束，具体计算方法如下式：
8.一种面品缺陷数字化分级装置，其特征在于，包括：
9.一种终端，其特征在于，包括：
10.一种非临时性计算机可读存储介质，其特征在于，当所述存储介质中的指令由终端的处理器执行时，使得终端能够执行如权利要求1至7任一所述的一种面品缺陷数字化分级方法。
