【技术实现步骤摘要】
本专利技术属于数码管芯片缺陷检测领域，具体涉及一种数码管芯片的缺陷检测方法。
技术介绍
1、数码管是一种应用广泛的半导体显示器件，其生产过程会因为各种问题产生一系列影响产品质量的外观缺陷。随着生产技术的不断提高，设备自动化程度越来越高，传统的人工加自动化检测的方式已经逐渐不能满足数码管生产行业的需求。而基于机器视觉的产品检测技术具有连续工作时间长、判断速度快等优点，是人工检测的一种理想代替方案。
2、基于机器视觉的产品检测技术主要通过大量的产品图像数据对基于神经网络的缺陷检测模型进行训练，通过训练好的缺陷检测模型提取产品图像的特征，为了保证训练得到的缺陷检测模型具有准确性和高可靠性，必须有足够可利用的训练样本才能学习得到一个好的缺陷检测模型，在实际的生产过程中由于生产环境和生产条件的不同，关于训练数据的采集和标注，需要花费大量的人力、物力、财力以及时间，且大量特征的学习也存在耗时长、鲁棒性差等缺点。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术提供一种数码管芯片的缺陷检测方法，包括：
2、s1：获取源域数码管芯片图像数据集，所述源域数码管芯片图像数据集包括：多种数码管芯片在不同方位的图像；
3、s2：利用labelimg对源域数码管芯片图像进行标注生成对应的缺陷类别标签和缺陷位置标签；
4、s3：根据源域数码管芯片图像数据集对yolo v5模型进行训练，得到第一缺陷检测模型；
5、s4：获取目标域数码管芯片图
6、s5：利用labelimg对部分目标域数码管芯片图像进行标注，得到目标域数码管芯片图像的缺陷类别标签和缺陷位置标签；
7、s6：利用标注的目标域数码管芯片图像对第一缺陷检测模型进行预训练得到第二缺陷检测模型；
8、s7：基于半监督的方法利用未标注的目标域数码管芯片图像集对第二缺陷检测模型进行再训练，得到最终的缺陷检测模型；通过最终的缺陷检测模型对目标域待测数码管芯片图像进行缺陷检测，得到目标域待测芯片中缺陷的类别和缺陷的位置。
9、优选地，所述yolo v5模型包括：输入端、backbone网络、neck网络和prediction网络。
10、优选地，所述根据源域数码管芯片图像数据集对yolo v5模型进行训练包括：
11、s31：在yolo v5模型的输入端采用mosaic进行数据增强，随机从源域数码管芯片图像数据集中采样4张源域数码管芯片图像；将采集的4张源域数码管芯片图像和其对应的缺陷位置标签进行随机缩放，再随机分布进行拼接得到第一源域数码管芯片增强图像和其对应的缺陷位置标签；
12、s32：将第一源域数码管芯片增强图像输入yolo v5模型，经过backbone网络和neck网络得到三个不同尺度的特征图；
13、s33：将三个不同尺度的特征图分别输入prediction网络的三个预测头预测第一源域数码管芯片增强图像中缺陷的类别和缺陷的位置；
14、s34：根据第一源域数码管芯片增强图像中缺陷的类别预测结果构建二元交叉熵损失；
15、s35：根据第一源域数码管芯片增强图像中缺陷的位置预测结果构建ciou-loss损失函数；
16、s36：根据二元交叉熵损失和ciou-loss损失函数构建yolo v5模型的损失函数，更新yolo v5模型的参数得到第一缺陷检测模型。
17、优选地，所述二元交叉熵损失包括：
18、loss1＝-(y·log(p)+(1-y)·log(1-p))
19、其中，loss1表示二元交叉熵损失，y表示第一源域数码管芯片增强图像中缺陷的类别标签，p表示第一源域数码管芯片增强图像中缺陷的类别预测结果。
20、优选地，所述ciou-loss损失函数包括：
21、
22、
23、其中，a为第一源域数码管芯片增强图像中缺陷的位置预测结果，b为第一源域数码管芯片增强图像中缺陷的位置标签，c为预测框和实际框的最小凸集。
24、优选地，所述基于半监督的方法利用未标注的目标域数码管芯片图像对第二缺陷检测模型进行在训练包括：
25、s71：在第二缺陷检测模型的输入端，采用mosaic进行数据增强，随机从未标注的目标域数码管芯片图像集中采样4张目标域数码管芯片图像；将采集的4张目标域数码管芯片图像进行随机缩放，再随机分布进行拼接得到第一目标域数码管芯片增强图像；
26、s72：从第一目标域数码管芯片图像中随机裁剪两个具有重叠区域的图像块xu1和xu2；
27、s73：将图像块xu1和xu2分别输入第二缺陷检测模型，经过backbone网络和neck网络得到图像块xu1对应的三个不同尺度的第一中间特征图和图像块xu2对应的三个不同尺度的第二中间特征图；
28、s74：将图像块xu1对应的三个不同尺度的第一中间特征图利用concat函数进行拼接得到第一综合特征图；将图像块xu2对应的三个不同尺度的第二中间特征图利用concat函数进行拼接得到第二综合特征图；
29、s75：将第一综合特征图和第二综合特征图上采样到与第一目标域数码管芯片图像相同大小得到第一综合重构特征图和第二综合重构特征图；
30、s76：根据重叠区域在第一综合重构特征图和第二综合重构特征图的特征表示构建定向对比损失函数对第二缺陷检测模型的参数进行更新，得到最终的缺陷检测模型。
31、优选地，所述定向对比损失函数包括：
32、
33、
34、
35、
36、
37、
38、
39、其中，表示损失方向，c()表示分类器，γ表示过滤低置信度正样本的阈值；n表示重叠区域样本点的数量；h，w表示重叠区域的长宽；fu表示非重叠区域的像素特征集合；和表示图像块xu1和xu2的重叠区域在βu1＝β(fu1)和βu2＝β(fu2)中的特征表示，β表示非线性映射函数，fu1和fu2表示第一综合重构特征图和第二综合重构特征图，和表示第一综合重构特征图和第二综合重构特征图中重叠区域像素特征的伪标签，yn表示第一综合重构特征图和第二综合重构特征图中非重叠像素特征的伪标签，r()表示相似度函数，max表示最大值函数，b表示训练的batch size，表示定向对比损失函数。
40、本专利技术至少具有以下有益效果
41、本专利技术基于迁移学习的思想在源域数码管芯片图像数据集上训练的第一缺陷检测模型，第一缺陷检测模型可以被迁移到不同的硬件设备上，在针对相应设备的应用场景获取少量的目标域数码管芯片图像数据集，通过标记的目标域数码管芯片图像对第一缺陷检测模型的参数进行微调，得到第二缺陷检测模型，使其能够适用用目标域的应用场景，同时本文档来自技高网...
【技术保护点】
1.一种数码管芯片的缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种数码管芯片的缺陷检测方法，其特征在于，所述YOLO V5模型包括：输入端、Backbone网络、Neck网络和Prediction网络。
3.根据权利要求2所述的一种数码管芯片的缺陷检测方法，其特征在于，所述根据源域数码管芯片图像数据集对YOLO V5模型进行训练包括：
4.根据权利3所述的一种数码管芯片的缺陷检测方法，其特征在于，所述二元交叉熵损失包括：
5.根据权利3所述的一种数码管芯片的缺陷检测方法，其特征在于，所述CIoU-Loss损失函数包括：
6.根据权利要求5所述的一种数码管芯片的缺陷检测方法，其特征在于，所述基于半监督的方法利用未标注的目标域数码管芯片图像对第二缺陷检测模型进行在训练包括：
7.根据权利要求6所述的一种数码管芯片的缺陷检测方法，其特征在于，所述定向对比损失函数包括：
【技术特征摘要】
1.一种数码管芯片的缺陷检测方法，其特征在于，包括：
2.根据权利要求1所述的一种数码管芯片的缺陷检测方法，其特征在于，所述yolo v5模型包括：输入端、backbone网络、neck网络和prediction网络。
3.根据权利要求2所述的一种数码管芯片的缺陷检测方法，其特征在于，所述根据源域数码管芯片图像数据集对yolo v5模型进行训练包括：
4.根据权利3所述的一种数码管芯片的缺陷...
【专利技术属性】
技术研发人员：胡思楠，卢星宇，刘宴兵，孟凯，涂琪琳，
申请(专利权)人：重庆邮电大学，
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。