一种屏幕检测的小样本集快速换型的方法技术

一种屏幕检测的小样本集快速换型方法,包括：1)采集现有大量数据的无缺陷图片和有缺陷图片，进行标记，制作训练数据集。采集需换型屏幕的数据，制作小样本数据集；2)利用已制作的数据集训练自定义卷积神经网络至收敛并且有较高准确率，将小样本数据集输入卷积神经网络，提取特征图，作为生成对抗网络的训练数据，训练自定义的生成对抗网络，直至收敛；3)利用生成对抗网络生成特征图，作为卷积神经网络的调优数据，强化训练卷积神经网络，直至收敛；4)将工业相机拍摄的屏幕图片进行多尺度缩放，并且以有重叠的方式分割成图像块。将所有图像块送入加强训练后的卷积神经网络模型，从而得到最终结果。

【技术实现步骤摘要】
一种屏幕检测的小样本集快速换型的方法
本专利技术属于目标检测与识别领域，涉及从图像中检测特定目标，具体是检测屏幕缺陷的方法。
技术介绍
传统的检测屏幕缺陷方法是在生产线上安排工人值守。工人通过肉眼逐一检测屏幕是否存在缺陷，以便及时发现含有缺陷的屏幕。但随着屏幕市场的需求日益增大，产商排量也上涨。通过人工检测屏幕缺陷的方法暴露出诸多弊端。传统的基于机器视觉的屏幕缺陷检测算法，大多只是针对一种或者几种特定的缺陷类型进行算法设计，一旦遇到新的缺陷，又要针对性的设计新的算法，缺乏通用性。用工业相机对屏幕进行拍照时，图片上留下摩尔纹无法避免，传统的检测算法无法很好的解决摩尔纹问题，导致不少漏检。并且，一旦产品更换型号，传统的屏幕缺陷检测算法需要调节大量参数，调整大量参数容易造成时间的浪费。因此，设计一种高效的、准确的、通用的自动化检测设备以代替人工检测，是当务之急。近年来，深度学习方法在计算机视觉领域产生了巨大的影响。深度学习采用多层网络结构，模拟人脑中神经系统的层次关系和传递方式，它已经在模式识别的多个领域得到了广泛的应用并取得了良好的成绩。也有不少关于卷积神经网络的屏幕缺陷检测方法的提出。但是卷积神经网络是一种有监督的方法，它需要大量的数据标注。当应对产品更换型号时，无法收集足够多的数据来应用该方法。
技术实现思路
本专利技术要克服现有的基于机器视觉的屏幕缺陷检测算法的上述缺陷，提供一种屏幕检测的小样本集快速换型方法。为实现上述目的，本专利技术所述的一种屏幕检测的小样本集快速换型方法，包括如下步骤：1)采集现有大量数据的无缺陷图片和有缺陷图片，制作训练数据集。并且，采集需换型屏幕的无缺陷图片和有缺陷图片，制作小样本集。其中，统一把无缺陷图片标记为0，有缺陷图片标记为1。2)利用已经制作好的训练数据集训练自定义的卷积神经网络直至收敛并且有较高的准确。将小样本集输入已经训练好的卷积神经网络中，提取特征图，作为生成对抗网络的训练数据，训练自定义的生成对抗网络，直至收敛；3)利用生成对抗网络生成特征图，作为卷积神经网络的调优数据，强化训练卷积神经网络，直至收敛；4)采集屏幕图片数据，采用多尺度的方式缩放图片，并且以有重叠的方式分割成图像块。将图像块送入经过数据强化训练后的卷积神经网络中进行运算，得到特征图，得到最终结果。步骤3)所述的强化训练卷积神经网络具体是：将七层的卷积神经网络分成两部分，前三层作为特征图提取器，用于提取小样本数据集的第三层的特征图，训练生成对抗网络模型。第四层至第七层作为优化模型，用生成对抗网络生成的特征图进行优化训练，更加适应于新型号的数据。本专利技术的有益效果如下：本专利技术是一种屏幕检测的小样本集快速换型方法。它基于深度学习的卷积神经网络和生成对抗网络，以现有型号的大量数据训练得到卷积神经网络，利用卷积神经网络提取新型号数据的特征图作为生成对抗网络的训练数据，训练生成对抗网络。并且，生成对抗网络只需要少部分的缺陷数据进行训练，能够有效的学习到缺陷数据分布与背景数据分布之间的不同。之后，利用生成对抗网络模型生成的数据对卷积神经网络进行优化，从而在新型号数据中，能够得到更好的分类结果。与传统方法相比，本专利技术能够更有效地应对产品更换型号，缺陷数据量少，其它方法无法有效检测的情况，大大的增加了算法的通用性。此外，传统方法需要设置大量参数，每次换型都需要调整参数才能保证算法的准确性。本专利技术采用的生成对抗网络具有良好的自适应和泛化特性，能够快速进行屏幕产品换型，节省产线部署时间。附图说明图1是本专利技术的卷积神经网络示意图。图2是本专利技术的提取得到的第三层特征图的图示。具体实施方式下面对本专利技术的技术方案进行清晰、完整的解释和描述。本专利技术提出了一种屏幕检测的小样本集快速换型方法，该方法在已经拍摄的屏幕图片上，利用优化后的卷积神经网络确定图像块是否存在缺陷，并在原图对应位置圈出。本专利技术一种屏幕检测的小样本集快速换型方法包括如下步骤：步骤1，训练阶段数据采集。采集现有大量数据的型号的无缺陷图片和有缺陷图片，无缺陷图片标记为0，有缺陷图片标记为1，制作卷积神经网络的训练数据集。采集需要更换型号的屏幕的无缺陷图片和有缺陷图片，无缺陷图片标记为0，有缺陷图片标记为1，制作小样本数据集。步骤2，将训练数据集按照9：1的比例分成训练集和验证集，训练自定义卷积神经网络，直到收敛，并且能够在验证集上达到较高的分类准确率。通过观察可视化卷积神经网络中间隐层的特征图，可以分析网络是否很好的学到了缺陷特征。将小样数据集输入卷积神经网络，提取第三层的特征图，作为生成对抗网络的训练数据，训练生成对抗网络，直至收敛。步骤3，将步骤2中训练得到的卷积神经网络分成CNN1和CNN2两部分。CNN1由前三层构成，主要的目的是提取特征图。CNN2由第四层后面的所有层构成，主要的目的是优化训练，使得模型更加适应于新型号的数据。利用生成对抗网络模型生成大量的特征图数据，作为CNN2模型的输入，优化训练CNN2模型，直至收敛，并且能够在新型号的数据集上达到较高的分类准确率。训练好之后，将CNN1和CNN2模型进行合并得到最终的卷积神经网络模型。步骤4，测试阶段数据生成：预先设定一系列的缩放比例，将工业相机拍摄得到的高分辨率图片按照设定的缩放比例进行缩放，得到多尺度的图片，再由这些多尺度的图片裁剪得到大小相同的图像块。将图片输入步骤3中经过优化训练后得到的卷积神经网络模型中，得到最终的分类结果。本说明书实施例所述的内容仅仅是对专利技术构思的实现形式的举例，本专利技术的保护范围不应当被视为仅限于实施例所陈述的具体形式，本专利技术的保护范围也及于本领域技术人员根据本专利技术构思所能够想到的等同技术手段。本文档来自技高网...

【技术保护点】
1.一种屏幕检测的小样本集快速换型方法，包括如下步骤：1)采集现有大量数据的无缺陷图片和有缺陷图片，制作训练数据集；并且，采集需换型屏幕的无缺陷图片和有缺陷图片，制作小样本集；其中，统一把无缺陷图片标记为0，有缺陷图片标记为1；2)利用已经制作好的训练数据集训练自定义的卷积神经网络直至收敛并且有较高的准确；将小样本集输入已经训练好的卷积神经网络中，提取特征图，作为生成对抗网络的训练数据，训练自定义的生成对抗网络，直至收敛；3)利用生成对抗网络生成特征图，作为卷积神经网络的调优数据，强化训练卷积神经网络，直至收敛；4)采集屏幕图片数据，采用多尺度的方式缩放图片，并且以有重叠的方式分割成图像块。将图像块送入经过数据强化训练后的卷积神经网络中进行运算，得到特征图，得到最终结果。

【技术特征摘要】
1.一种屏幕检测的小样本集快速换型方法，包括如下步骤：1)采集现有大量数据的无缺陷图片和有缺陷图片，制作训练数据集；并且，采集需换型屏幕的无缺陷图片和有缺陷图片，制作小样本集；其中，统一把无缺陷图片标记为0，有缺陷图片标记为1；2)利用已经制作好的训练数据集训练自定义的卷积神经网络直至收敛并且有较高的准确；将小样本集输入已经训练好的卷积神经网络中，提取特征图，作为生成对抗网络的训练数据，训练自定义的生成对抗网络，直至收敛；3)利用生成对抗网络生成特征图，作为卷积神经网络的调优数据，...

【专利技术属性】
技术研发人员：宋明黎，沈红佳，高鑫，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33