本发明专利技术属于图像目标检测技术领域，提供了一种缺陷检测中不确定样本的检测方法、装置及介质，包括步骤：S1、采集待检测样本的图像；S2、通过训练后的缺陷目标检测器对输入的待检测样本图像进行检测，得到缺陷目标的类别和特征向量；S3、根据所述缺陷目标的类别和特征向量通过建模后的预设高斯混合模型组估计目标的认知不确定性，并根据目标的认知不确定性判定待检测样本是否为不确定样本。本发明专利技术的优点在于采用基于高斯混合模型的认知不确定性估计方法，可以有效地检测出对于缺陷检测器的不确定性样本，将其分配给人工进行检测，可以大大降低缺陷检测模型的错误检出率，实现了人工检测和机器检测的合理结合。测和机器检测的合理结合。测和机器检测的合理结合。
【技术实现步骤摘要】
一种缺陷检测中不确定样本的检测方法、装置及介质
[0001]本专利技术涉及图像目标检测
，尤其涉及一种缺陷检测中不确定样本的检测方法、装置及介质。
技术介绍
[0002]由于在生产过程中，制造工艺和生产环境不可能保持绝对理想的状态，因此产品表面不可避免地可能会存在缺陷，导致质量不合格。若不合格的缺陷品流入市场，轻则影响用户体验，损害厂商信誉，重则酿成安全事故，造成不可挽回的严重后果。因此在产品出厂前依据生产标准进行产品外观质量检测对生产企业的发展至关重要。
[0003]随着计算机视觉技术的不断发展，基于深度学习的缺陷检测渐渐取代人工检测，成为大规模自动化工业生产的主流检测技术。深度学习模型对于满足训练样本分布的输入样本可以取得很好的检测性能，但是当输入样本不满足训练样本分布（称为分布外样本或不确定样本）时，模型预测结果将不可控。甚至，模型常常对分布外样本产生过于自信的预测，将它们检测成特定已知类别并给予很高的置信度。这引起了生产企业对于部署缺陷检测器的安全性和可靠性的严重担忧。
[0004]分布外样本的检测的主流方法是估计检测器的认知不确定性。认知不确定性通常通过基于采样的方法度量。基于采样的方法通过用不同模型对相同输入进行预测，或用相同模型对不同输入进行预测，来获得多个预测。通过对多个预测结果进行加权平均得到最终的预测结果，并将多个结果的方差作为认知不确定性估计。
[0005]基于采样的方法由于需要多次预测，将会大大增加检测所需时间，很难满足大规模自动化生产对实时检测的需求。因此如何解决当前不确定性估计方法的不足，实现实时准确的不确定性度量，具有极高的研究价值和现实意义。
技术实现思路
[0006]本专利技术的目的在于提供一种缺陷检测中不确定样本的检测方法，用以解决当前不确定性估计方法难以满足实时检测的问题。
[0007]为了实现上述目的，本专利技术采用的技术方案为：一种缺陷检测中不确定样本的检测方法，包括：S1，采集待检测样本的图像；S2，通过训练后的缺陷目标检测器对输入的待检测样本图像进行检测，得到缺陷目标的类别和特征向量；S3、根据所述缺陷目标的类别和特征向量通过建模后的预设高斯混合模型组估计目标的认知不确定性，并根据目标的认知不确定性判定待检测样本是否为不确定样本。
[0008]进一步的，得到训练后的缺陷目标检测器的步骤包括：A1、根据预设目标检测模型构造一个缺陷目标检测器；A2、在缺陷目标检测器的特征空间中设置每一个缺陷类别固定的类中心点；
A3、通过训练样本对构造的缺陷目标检测器进行训练，并设置预设损失函数对缺陷目标检测器的参数进行优化，使得所述缺陷目标检测器输出的特征到该类别的类中心点的特征距离最小，并得到训练后的缺陷目标检测器。
[0009]进一步的，预设损失函数包括分类损失函数和聚类损失函数；分类损失函数，用于计算缺陷目标检测器检出的预测类别与该目标给定的类别真值标签之间的损失；聚类损失函数，用于计算缺陷目标检测器检出的缺陷目标特征与该缺陷类别的类中心点特征之间的距离损失。
[0010]进一步的，预设高斯混合模型组中包括多个高斯混合模型，其中每一个高斯混合模型对应目标检测器中的一个缺陷类别。
[0011]进一步的，得到建模后的预设高斯混合模型组的步骤包括：B1、创建对预设高斯混合模型组进行建模所需的不同类别对应模型的训练样本集；B2、在每个类别的训练样本集中选择正确检测为该类别检出目标的特征向量；B3、利用每一类别中正确检出目标的特征向量通过最大期望算法对对应高斯混合模型的参数进行拟合，得到包含有各类别特征向量分布的高斯混合模型组。
[0012]进一步的，选择正确检测为该类别检出目标的特征向量的条件为预测的检出框与标签中设定的真值框的交并比大于第一预设阈值且预测的类别置信度大于第二预设阈值。
[0013]进一步的，步骤S3包括：C1、利用训练后的预设高斯混合模型组估计缺陷目标的特征向量属于每一类别高斯混合模型对应分布的似然函数；C2、将估计得到的所有类别的似然函数构成所述模型组对样本通过缺陷目标检测器检出目标的各类别认知确定性分数；C3、将各类别认知确定性分数与预设的认知确定性分数阈值比较，当所有类别的认知确定性分数均小于预设的认知确定性分数阈值时，则判定当前样本为不确定样本。
[0014]本专利技术的第二方面，提供了一种缺陷检测中不确定样本的检测装置，包括至少一个处理器、以及至少一个存储器，其中，所述存储器存储有计算机程序，当所述程序被所述处理器执行时，使得所述处理器能够执行所述的缺陷检测中不确定样本的检测方法。
[0015]本专利技术的第三方面，提供了一种计算机可读存储介质，当所述存储介质中的指令由设备内的处理器执行时，使得所述设备能够执行所述的缺陷检测中不确定样本的检测方法。
[0016]本专利技术与现有技术相比，至少包含以下有益效果：（1）本专利技术采用基于高斯混合模型的认知不确定性估计方法，可以有效地检测出对于缺陷目标检测器的不确定性样本，将其分配给人工进行检测，可以大大降低缺陷检测模型的错误检出率，实现了人工检测和机器检测的合理结合；（2）本专利技术采用的不确定样本检测方法，仅需对样本进行单一推理，因此仅需引入很小的计算开销，就可以实现实时的不确定性样本检测；（3）本专利技术基于上述的方法，提供了检测系统与装置，可以满足大批量自动化工业生产的要求，从而可以一定程度上代替人力劳动，节省人力成本。
附图说明
[0017]图1是本专利技术实施例中对不确定样本的检测方法流程图；图2是本专利技术实施例中得到训练后的目标检测器的流程图；图3是本专利技术实施例中预设高斯混合模型组的结构示意图；图4是本专利技术实施例中得到训练后的预设高斯混合模型组的流程图；图5是本专利技术实施例中判定不确定样本的具体流程图。
具体实施方式
[0018]需要说明，本专利技术实施例中所有方向性指示（诸如上、下、左、右、前、后
……
）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0019]另外，在本专利技术中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本专利技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0020]另外，本专利技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0021]以下是本专利技术的具体实施例，并结合附图对本专利技术的技术方案作进一步的描述，但本专利技术并不限于这些实施例。
[0022]如图1所示，本专利技术一种缺陷检测中不确定样本的检测方法，包括步骤：S1、获取待检测样本的图像本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种缺陷检测中不确定样本的检测方法，其特征在于，包括：S1、采集待检测样本的图像；S2、通过训练后的缺陷目标检测器对输入的待检测样本图像进行检测，得到缺陷目标的类别和特征向量；S3、根据所述缺陷目标的类别和特征向量通过建模后的预设高斯混合模型组估计目标的认知不确定性，并根据目标的认知不确定性判定待检测样本是否为不确定样本。2.根据权利要求1所述的缺陷检测中不确定样本的检测方法，其特征在于，得到训练后的缺陷目标检测器的步骤包括：A1、根据预设目标检测模型构造一个缺陷目标检测器；A2、在缺陷目标检测器的特征空间中设置每一个缺陷类别固定的类中心点；A3、通过训练样本对构造的缺陷目标检测器进行训练，并设置预设损失函数对缺陷目标检测器的参数进行优化，使得所述缺陷目标检测器输出的特征到该类别的类中心点的特征距离最小，并得到训练后的缺陷目标检测器。3.根据权利要求2所述的缺陷检测中不确定样本的检测方法，其特征在于，所述预设损失函数包括分类损失函数和聚类损失函数；所述分类损失函数，用于计算缺陷目标检测器检出的预测类别与该目标给定的类别真值标签之间的损失；所述聚类损失函数，用于计算缺陷目标检测器检出的缺陷目标特征与该缺陷类别的类中心点特征之间的距离损失。4.根据权利要求1所述的缺陷检测中不确定样本的检测方法，其特征在于，预设高斯混合模型组中包括多个高斯混合模型，其中每一个高斯混合模型对应目标检测器中的一个缺陷类别。5.根据权利要求2所述的缺陷检测中不确定样本的检测方法，其特征在于，得到建模后的预设高斯混合模型组的步骤包括：B1、创建对预设高斯混合模型组进行建模所...
【专利技术属性】
技术研发人员：张重阳，李若琦，秦彪，张保柱，
申请(专利权)人：宁波海棠信息技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。