[發明專利]一種基于主動學習的缺陷識別方法

在審

• 申請號: 201910759496.3
• 申請日: 2019-08-16
• 公開（公告）號: CN110598753A
• 公開（公告）日: 2019-12-20
• 發明（設計）人: 楊華;尹周平;毛芳勤;宋開友;萬千
• 申請（專利權）人: 華中科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 42201 華中科技大學專利中心
• 代理人: 張彩錦;曹葆青

1.一種基于主動學習的缺陷識別方法，其特征在于，包括如下步驟：

S1 獲取待測對象的圖像樣本，對一部分圖像樣本進行隨機標記獲得已標記樣本剩下的圖像樣本記為未標記樣本利用已標記樣本更新多分類神經網絡模型獲得更新的神經網絡模型，其中t＝0；

S2 利用更新的神經網絡模型計算未標記樣本中各樣本對應的熵值，根據各樣本對應的熵值將未標記樣本分為高置信度標記樣本未標樣本和待標記樣本三個部分；

S3 對待標記樣本的一部分進行自動標記獲得自動標記樣本待標記樣本中未被自動標記的樣本進行人工標記記為人工標記樣本由高置信度標記樣本自動標記樣本和人工標記樣本構建新標記樣本而新標記樣本加上已標記樣本則作為下一輪迭代的已標記樣本，即而未標記樣本減去新標記樣本則作為下一輪迭代的未標記樣本，即

S4 利用新標記樣本更新神經網絡模型，判斷神經網絡模型是否收斂，若是，則完成一輪迭代并結束，若否，則令t＝t+1，并轉入步驟S5以繼續進行迭代；

S5 重復步驟S2～S4直至神經網絡模型收斂，以此完成待測對象的缺陷識別。

2.如權利要求1所述的基于主動學習的缺陷識別方法，其特征在于，多分類神經網絡模型采用如下方式更新：

當以進行更新時，更新公式為：

其中，θ₁是神經網絡模型的參數，表示的樣本數量，n是Mura缺陷的類別數，I(*)為指示函數，I_i是中的樣本，y_i是樣本I_i對應的標簽，p是在已知參數θ₁情況下樣本I_i屬于類別c的概率；

當以進行更新時，更新公式為：

其中，θ₁是神經網絡模型的參數，N_N表示的樣本數量，n是Mura缺陷的類別數，I(*)為指示函數，I_i是中的樣本，y_i是樣本I_i對應的標簽，p是在已知參數θ₁情況下樣本I_i屬于類別c的概率。

3.如權利要求1所述的基于主動學習的缺陷識別方法，其特征在于，步驟S2中各樣本對應的熵值E_i采用如下公式計算：

其中，I_i是中的樣本，y_i是樣本I_i對應的標簽，n是Mura缺陷的類別數，θ₁是訓練獲得的神經網絡模型的參數，p是在已知參數θ₁情況下樣本I_i屬于類別c的概率。

4.如權利要求1所述的基于主動學習的缺陷識別方法，其特征在于，步驟S2中的高置信度標記樣本利用預設的閾值進行篩選，當樣本的熵值低于閾值時將其歸為高置信度標記樣本

5.如權利要求1-4任一項所述的基于主動學習的缺陷識別方法，其特征在于，步驟S2中未標樣本和待標記樣本采用如下方式確定：從未標記樣本中未被標記為高置信度標記樣本的剩余樣本中選取多個熵值最大的樣本作為初始待標記樣本，然后在初始待標記樣本中根據多樣性指標選取出多個樣本作為待標記樣本則

6.如權利要求1-5任一項所述的基于主動學習的缺陷識別方法，其特征在于，步驟S3中利用SFM模型對待標樣本實現自動標記以獲得自動標記樣本

7.如權利要求6所述的基于主動學習的缺陷識別方法，其特征在于，步驟S3中構建了新標記樣本之后，利用新標記樣本更新SFM模型。