缺陷样本筛选方法、装置及设备制造方法及图纸

本发明专利技术提供一种缺陷样本筛选方法、装置及设备。该方法包括：将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；将多张样本图片输入训练完成的师

Defect sample screening method, device and equipment

【技术实现步骤摘要】
缺陷样本筛选方法、装置及设备


[0001]本专利技术涉及图像检测
，尤其涉及一种缺陷样本筛选方法、装置及设备。

技术介绍

[0002]对于工业缺陷检测，不管是采用传统的特征滤波和阈值分割的方法，还是近几年非常流行的深度学习的方法，都需要挑选出有效的缺陷样本进行分析。但是工业缺陷检测的领域，一般良率都很高，在90％以上，甚至有些场景在99％以上。因此我们通过光学AOI检测得到的图像大部分都是没有缺陷，或者缺陷不够判定为NG的正常样本。因此，缺陷样本的挑选非常繁琐，需要耗费大量的人力成本和时间成本。如何快速的从海量的样本中挑选出存在缺陷的样本是亟待解决的问题。

技术实现思路

[0003]本专利技术的主要目的在于提供一种缺陷样本筛选方法、装置及设备，旨在解决现有技术中缺陷样本的挑选非常繁琐，需要耗费大量的人力成本和时间成本的技术问题。
[0004]第一方面，本专利技术提供一种缺陷样本筛选方法，所述缺陷样本筛选方法包括：
[0005]将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；
[0006]将多张样本图片输入训练完成的teacher
‑
student模型，得到teacher
‑
student模型输出的每张样本图片的特征差异图，其中，样本图片的特征差异图基于teacher
‑
student模型中teacher网络输出的样本图片的特征图以及student网络输出的样本图片的特征图得到；
[0007]计算每张特征差异图的分值；
[0008]基于所述分值，从多张样本图片中确定疑似缺陷样本图片。
[0009]可选的，在所述将多张样本图片输入训练完成的teacher
‑
student模型之前，还包括：
[0010]基于预设图片数据集对待训练teacher网络进行训练，得到训练完成的teacher网络；
[0011]以训练完成的teacher网络为基准，基于无缺陷样本图片集对待训练student网络进行蒸馏学习，得到训练完成的student网络；
[0012]组合训练完成的teacher网络以及训练完成的student网络，得到训练完成的teacher
‑
student模型。
[0013]可选的，所述计算每张特征差异图的分值的步骤包括：
[0014]以每张特征差异图上的最大值为每张特征差异图的分值。
[0015]可选的，所述计算每张特征差异图的分值的步骤包括：
[0016]计算每张特征差异图上所有数值的标准差σ以及平均值μ，以μ+2σ的值为每张特征差异图的分值。
[0017]可选的，所述计算每张特征差异图的分值的步骤包括：
[0018]从每张特征差异图上所有数值中选取第一预设比例最大值，以第一预设比例最大值的平均值为每张特征差异图的分值。
[0019]可选的，所述基于所述分值，从多张样本图片中确定疑似缺陷样本图片的步骤包括：
[0020]基于每张样本图片对应的分值对多张样本图片进行排序，其中，分值越大排序越后；
[0021]以排序在最后的预设个数或第二预设比例的样本图片为疑似缺陷样本图片。
[0022]可选的，在所述得到teacher
‑
student模型输出的每张样本图片的特征差异图之后，还包括：
[0023]对每张样本图片的特征差异图进行阈值分割，得到缺陷区域图；
[0024]基于缺陷区域图生成缺陷样本图。
[0025]可选的，在所述得到teacher
‑
student模型输出的每张样本图片的特征差异图之后，还包括：
[0026]对每张样本图片的特征差异图进行噪声过滤处理。
[0027]第二方面，本专利技术还提供一种缺陷样本筛选装置，所述缺陷样本筛选装置包括：
[0028]切割模块，用于将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；
[0029]获取模块，用于将多张样本图片输入训练完成的teacher
‑
student模型，得到teacher
‑
student模型输出的每张样本图片的特征差异图，其中，样本图片的特征差异图基于teacher
‑
student模型中teacher网络输出的样本图片的特征图以及student网络输出的样本图片的特征图得到；
[0030]计算模块，用于计算每张特征差异图的分值；
[0031]筛选模块，用于基于所述分值，从多张样本图片中确定疑似缺陷样本图片。
[0032]第三方面，本专利技术还提供一种缺陷样本筛选设备，所述缺陷样本筛选设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的缺陷样本筛选程序，其中所述缺陷样本筛选程序被所述处理器执行时，实现如上所述的缺陷样本筛选方法的步骤。
[0033]本专利技术中，将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；将多张样本图片输入训练完成的teacher
‑
student模型，得到teacher
‑
student模型输出的每张样本图片的特征差异图，其中，样本图片的特征差异图基于teacher
‑
student模型中teacher网络输出的样本图片的特征图以及student网络输出的样本图片的特征图得到；计算每张特征差异图的分值；基于所述分值，从多张样本图片中确定疑似缺陷样本图片。通过本专利技术，自动筛选出疑似缺陷样本图片，使得相关人员可从数量较少的疑似缺陷样本图片中挑选缺陷样本图片，由于大大缩减了挑选范围，从而提高了挑选效率且降低了时间成本以及人工成本。
附图说明
[0034]图1为本专利技术实施例方案中涉及的缺陷样本筛选设备的硬件结构示意图；
[0035]图2为本专利技术缺陷样本筛选方法一实施例的流程示意图；
[0036]图3为本专利技术缺陷样本筛选方法一实施例中由特征图得到特征差异图的场景示意
图；
[0037]图4为本专利技术缺陷样本筛选装置一实施例的功能模块示意图。
[0038]本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0039]应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0040]第一方面，本专利技术实施例提供一种缺陷样本筛选设备，该缺陷样本筛选设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。
[0041]参照图1，图1为本专利技术实施例方案中涉及的缺陷样本筛选设备的硬件结构示意图。本专利技术实施例中，缺陷样本筛选设备可以包括处理器1001(例如中央处理器Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺陷样本筛选方法，其特征在于，所述缺陷样本筛选方法包括：将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；将多张样本图片输入训练完成的teacher
‑
student模型，得到teacher
‑
student模型输出的每张样本图片的特征差异图，其中，样本图片的特征差异图基于teacher
‑
student模型中teacher网络输出的样本图片的特征图以及student网络输出的样本图片的特征图得到；计算每张特征差异图的分值；基于所述分值，从多张样本图片中确定疑似缺陷样本图片。2.如权利要求1所述的缺陷样本筛选方法，其特征在于，在所述将多张样本图片输入训练完成的teacher
‑
student模型之前，还包括：基于预设图片数据集对待训练teacher网络进行训练，得到训练完成的teacher网络；以训练完成的teacher网络为基准，基于无缺陷样本图片集对待训练student网络进行蒸馏学习，得到训练完成的student网络；组合训练完成的teacher网络以及训练完成的student网络，得到训练完成的teacher
‑
student模型。3.如权利要求1所述的缺陷样本筛选方法，其特征在于，所述计算每张特征差异图的分值的步骤包括：以每张特征差异图上的最大值为每张特征差异图的分值。4.如权利要求1所述的缺陷样本筛选方法，其特征在于，所述计算每张特征差异图的分值的步骤包括：计算每张特征差异图上所有数值的标准差σ以及平均值μ，以μ+2σ的值为每张特征差异图的分值。5.如权利要求1所述的缺陷样本筛选方法，其特征在于，所述计算每张特征差异图的分值的步骤包括：从每张特征差异图上所有数值中选取第一预设比例最大值，以第一预设比例最大值的平均值为每张特征差异图的分值。6.如权...

【专利技术属性】
技术研发人员：刘荣华，张胜森，郭世泽，陈洪，周瑜，郑增强，
申请(专利权)人：武汉精测电子集团股份有限公司，
类型：发明
国别省市：