[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

本發明屬于圖像處理技術領域，并公開了一種基于主動學習的缺陷識別方法，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更新多分類神經網絡模型；S2計算中各樣本的熵值，并將分為高置信度標記樣本未標記樣本和待標記樣本S3對進行自動及人工標記獲得自動標記樣本和人工標記樣本由和構建新標記樣本S4利用更新神經網絡模型，判斷神經網絡模型是否收斂，若是，則結束，若否，令t＝t+1，轉入步驟S5；S5重復步驟S2～S4直至神經網絡模型收斂。本發明可有效減少缺陷識別中對人工標記的依賴，具有識別精度高、速度快等優點。

技術領域

本發明屬于圖像處理技術領域，更具體地，涉及一種基于主動學習的缺陷識別方法。

背景技術

當前高性能深度學習模型對于標記數據的高度依賴，導致其在工業的實際應用中因為人工標記的困難而難以實際應用。主動學習(Active Learning)是一種在保證模型性能的情況下，盡可能減少人工標記量的高效方法。主動學習主要包含以下幾個步驟：首先，主動學習需要一些極少數的標記樣本去初始化分類器，這些標記樣本的數量遠遠少于完整訓練一個分類器所需的數量；之后，利用特定的篩選策略從當前未標記的樣本中挑選出特定數量的樣本，這些挑選出來的樣本由人工進行標記；最后這些新標記的樣本用于分類器的增量訓練。以上幾個步驟一直循環，直到分類器的訓練收斂。通過恰當的篩選策略，主動學習可以挑選出那些更具有代表性的未標記樣本，即那些對分類器的訓練有更大作用的樣本，用于人工標記。與未采取主動學習，即傳統的隨機抽取進行標記，基于主動學習的方法可以在更少人工標記量的條件下實現分類器的訓練。但具體如何實現上述主動學習的過程，并將其應用于缺陷識別中，目前還沒有一個完整的可行方案，因此需要進行研究與設計，以獲得一種可行的缺陷識別通用方法。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于主動學習的缺陷識別方法，其利用一部分已標記樣本初始化分類模型，并基于初始化的模型將未標記樣本分為三部分，之后對待標記樣本進行自動標記與人工標記以構建新標記樣本，最后將新標記樣本用于更新分類模型，以此實現迭代，完成待測對象的缺陷分類識別，在保證精度的情況下大幅度減少對人工標記的依賴，具有識別精度高、速度快等優點，可有效減少在Mura缺陷識別中對于人工標記的依賴。

為實現上述目的，本發明提出了一種基于主動學習的缺陷識別方法，其包括如下步驟：

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。

作為進一步優選的，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：