一种GAN网络模型及实现样本自动清洗、辅助标记的方法技术

本发明专利技术属于面板自动光学检测技术领域，公开了一种GAN网络模型及实现样本自动清洗、辅助标记的方法，提供的GAN网络模型包括依次连接的通过训练获得的生成器网络和判别器网络，生成器网络能根据输入样本图片得到重构样本图片以及残差图，判别器网络能够根据重构样本图片获得输入样本图片的异常评分。利用GAN网络模型，针对分类样本输出异常评分，针对检测样本或分割样本，根据残差图输出异常区域轮廓列表，实现样本的自动清洗；针对负样本，根据残差图输出异常区域边界框列表或异常区域轮廓列表，对负样本进行辅助标记。本发明专利技术解决了现有技术中人工标记面板样本的成本较高、容易出现漏标或误标、处理时间较长的问题。

【技术实现步骤摘要】
一种GAN网络模型及实现样本自动清洗、辅助标记的方法
本专利技术涉及面板自动光学检测
，尤其涉及一种GAN网络模型及实现样本自动清洗、辅助标记的方法。
技术介绍
自动光学检查系统(AutomatedOpticalInspection，AOI)系统在工业中应用十分广泛，它可以代替人来完成一系列具有高度重复性和有一定风险的工作，具有速度快，精度高，可靠性好，无接触无损，性价比高和功能容易扩充等特点，大大提高了生成效率。在显示面板制造流水线中的AOI系统中有一个面板缺陷检测系统，其检测精准度对厂商制造的面板质量有着极为重要的保证。缺陷检测算法作为面板缺陷检测系统的核心，其检测效果直接决定了客户的满意度。近年来基于深度学习的检测算法逐渐被应用在面板的缺陷检测上并且取得了较传统计算机视觉算法更加准确、更加鲁棒、可调参数更少、自动化程度更高的效果。然而，目前基于深度学习的算法的一个最基本的先决条件就是数据。对于一般的缺陷检测网络，例如利用常见分类网络进行面板缺陷分类(GoogleInception系列、Resnet系列、Densene本文档来自技高网...

【技术保护点】
1.一种GAN网络模型，其特征在于，所述GAN网络模型包括依次连接的通过训练获得的生成器网络和通过训练获得的判别器网络；/n所述生成器网络采用Unet结构；所述生成器网络用于根据输入样本图片得到重构样本图片以及残差图；/n所述判别器网络用于根据重构样本图片获得输入样本图片的异常评分；/n其中，所述异常评分由所述生成器网络的特征损失和残差损失构成。/n

【技术特征摘要】
1.一种GAN网络模型，其特征在于，所述GAN网络模型包括依次连接的通过训练获得的生成器网络和通过训练获得的判别器网络；
所述生成器网络采用Unet结构；所述生成器网络用于根据输入样本图片得到重构样本图片以及残差图；
所述判别器网络用于根据重构样本图片获得输入样本图片的异常评分；
其中，所述异常评分由所述生成器网络的特征损失和残差损失构成。


2.根据权利要求1所述的GAN网络模型，其特征在于，所述生成器网络的输入图像经过N层(N>＝1)下采样、N层(N>＝1)上采样处理后得到重构图像；所述下采样包括三个子处理过程，依次为LeakyRelu层、卷积层、批归一化层；所述上采样包括三个子处理过程，依次为Relu层、转置卷积层、批归一化层。


3.根据权利要求1或2所述的GAN网络模型，其特征在于，所述判别器网络的输入图像经过N层(N>＝1)下采样、特征提取、卷积处理后得到输出得分、输出特征；所述下采样、所述特征提取均包括三个子处理过程，依次为LeakyRelu层、卷积层、批归一化层；所述卷积处理包括两个子处理过程，依次为卷积层、sigmoid层。


4.根据权利要求1所述的GAN网络模型，其特征在于，在训练生成器网络和判别器网络时，当所述GAN网络模型用于所述分类数据集的自动清洗，则选择与需要清洗的分类数据大小相同的样本作为训练样本去训练生成器网络和判别器网络。


5.根据权利要求1所述的GAN网络模型，其特征在于，在训练生成器网络和判别器网络时，当所述GAN网络模型用于检测数据集或分割数据的自动清洗，或者，用于检测数据集或分割数据的辅助标记，则选择与对检测数据或分割数据进行分割之后的子区域大小相同的样本作为训练样本去训练生成器网络和判别器网络。


6.根据权利要求1所述的GAN网络模型，其特征在于，所述残差损失为所述重构样本图片和所述输入样本图像的像素值之差的平均值，所述特征损失由真实特征向量和虚假特征向量得到。
<...

【专利技术属性】
技术研发人员：詹东旭，张胜森，郑增强，
申请(专利权)人：武汉精立电子技术有限公司，武汉精测电子集团股份有限公司，
类型：发明
国别省市：湖北;42