一种缺陷检测方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供了一种缺陷检测方法、装置及电子设备，缺陷检测方法包括：获取待检测图像；将待检测图像输入预先训练的主深度学习网络，得到待检测图像的检测结果图；其中，主深度学习网络基于标定样本训练得到；标定样本包括，根据将未标定样本输入预先训练的辅助深度学习网络得到的样本概率，对未标定样本进行标定得到的标定样本；辅助深度学习网络基于主深度学习网络反馈的测试性能训练得到；对检测结果图进行后处理，确定待检测图像中的缺陷区域及缺陷类型。通过本方案，可以提高缺陷检测的准确度。

A defect detection method, device and electronic equipment

【技术实现步骤摘要】
一种缺陷检测方法、装置及电子设备
本专利技术涉及机器学习
，特别是涉及一种缺陷检测方法、装置及电子设备。
技术介绍
物品表面的斑点、凹坑、划痕、色差、缺损等缺陷，直接影响着物品的美观、性能等属性，因此，需要对物品进行缺陷检测。缺陷检测是指识别物品表面是否存在缺陷、确定缺陷区域及缺陷类型，传统的缺陷检测是通过人眼观察的方式实现的。这种缺陷检测方式不仅人工耗时大，且易出现检测错误。随着机器视觉检测技术的发展，深度学习方法已取代了人工检测，通过对物品进行拍照，对拍摄得到的待检测图像进行深度学习运算，分析得到待检测图像中的缺陷区域，进而实现了机器自动化地检测物品表面缺陷。深度学习是机器学习中的一个新兴领域，通过建立深度学习网络，模仿人脑的机制来解析数据。基于深度学习的缺陷检测方法中，通过将待检测图像输入到预先训练得到的深度学习网络，可以得到缺陷的类别以及缺陷区域在待检测图像中的位置等信息。深度学习网络的训练过程主要包括：对获取的有缺陷的样本进行标定，并将已标定的标定样本分成训练集、验证集和测试集；基于训练集对深度学习网络进行训练；本文档来自技高网...

【技术保护点】
1.一种缺陷检测方法，其特征在于，所述方法包括：/n获取待检测图像；/n将所述待检测图像输入预先训练的主深度学习网络，得到所述待检测图像的检测结果图；其中，所述主深度学习网络基于标定样本训练得到；所述标定样本包括，根据将未标定样本输入预先训练的辅助深度学习网络得到的样本概率，对所述未标定样本进行标定得到的标定样本；所述辅助深度学习网络基于主深度学习网络反馈的测试性能训练得到；/n对所述检测结果图进行后处理，确定所述待检测图像中的缺陷区域及缺陷类型。/n

【技术特征摘要】
1.一种缺陷检测方法，其特征在于，所述方法包括：
获取待检测图像；
将所述待检测图像输入预先训练的主深度学习网络，得到所述待检测图像的检测结果图；其中，所述主深度学习网络基于标定样本训练得到；所述标定样本包括，根据将未标定样本输入预先训练的辅助深度学习网络得到的样本概率，对所述未标定样本进行标定得到的标定样本；所述辅助深度学习网络基于主深度学习网络反馈的测试性能训练得到；
对所述检测结果图进行后处理，确定所述待检测图像中的缺陷区域及缺陷类型。


2.根据权利要求1所述的方法，其特征在于，所述辅助深度学习网络的训练方式，包括：
获取训练集、测试集以及验证集，其中，所述训练集、所述测试集以及所述验证集中分别包括多个预先标定的标定样本，所述训练集中的标定样本用于训练所述主深度学习网络，所述测试集中的标定样本用于在添加至所述训练集中后对所述主深度学习网络进行重新训练，所述验证集中的标定样本用于在被所述主深度学习网络测试时得到测试性能；
从所述测试集中，获取正样本集以及负样本集；其中，所述正样本集中的标定样本在添加至所述训练集后，使得基于添加所述标定样本后的训练集训练得到的主深度学习网络对所述验证集的测试性能得到提升；所述负样本集中的标定样本在添加至所述训练集后，使得基于添加所述标定样本后的训练集训练得到的主深度学习网络对所述验证集的测试性能未得到提升；
基于所述正样本集以及所述负样本集，对辅助深度学习网络进行训练。


3.根据权利要求2所述的方法，其特征在于，所述从所述测试集中，获取正样本集以及负样本集，包括：
基于所述训练集，对主深度学习网络进行训练，并利用训练后的主深度学习网络，对所述验证集进行测试，得到第一测试性能；
从所述测试集中提取至少一个标定样本，并在所述训练集中添加所提取的各所述标定样本；
基于添加各所述标定样本的训练集，对主深度学习网络进行二次训练，并利用二次训练后的主深度学习网络，对所述验证集进行测试，得到第二测试性能；
若确定所述第二测试性能大于所述第一测试性能、且所述第二测试性能与所述第一测试性能的差值大于第一预设阈值，则确定在所述训练集中添加的所述测试集中的至少一个标定样本为正样本；
若确定所述第二测试性能小于或等于所述第一测试性能，则确定在所述训练集中添加的所述测试集中的至少一个标定样本为负样本；
返回执行所述从所述测试集中提取至少一个标定样本，得到多个正样本及多个负样本；
获取所述多个正样本组成的正样本集、以及所述多个负样本组成的负样本集。


4.根据权利要求3所述的方法，其特征在于，所述从所述测试集中提取至少一个标定样本，包括：
按照预设顺序，从所述测试集中提取至少一个标定样本；
或者，
从所述测试集中随机提取至少一个标定样本。


5.根据权利要求1-4任一所述的方法，其特征在于，所述主深度学习网络的训练方式，包括：
获取训练集以及待选择集，其中，所述训练集中包括多个已标定的标定样本，所述待选择集中包括多个未标定样本；
将所述待选择集中的各未标定样本分别输入预先训练的辅助深度学习网络，得到各未标定样本的样本概率；
对样本概率大于第二预设阈值的未标定样本进行标定，得到新标定样本；
将所述新标定样本添加至所述训练集，得到更新的训练集；
基于所述更新的训练集，对主深度学习网络进行训练；
判断训练后的主深度学习网络的检测性能是否达到第三预设阈值；
若否，则返回执行所述获取训练集以及待选择集；
若是，则确定完成训练的主深度学习网络。


6.一种缺陷检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测图像；
检测模块，用于将所述待检测图...

【专利技术属性】
技术研发人员：陈佳伟，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江;33