[發明專利]數據增強及裝置、數據增強設備和存儲介質

在審

• 申請號: 202110260102.7
• 申請日: 2021-03-10
• 公開（公告）號: CN112884691A
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 陳魯;肖安七;張嵩
• 申請（專利權）人: 深圳中科飛測科技股份有限公司
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T7/00
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 邵泳城

一種數據增強方法、數據增強裝置、數據增強設備和非易失性計算機可讀存儲介質。數據增強方法包括獲取具有缺陷的第一工件圖像；識別并截取所述第一工件圖像中所述缺陷所在的圖像區域，以作為第一融合圖像；獲取無缺陷的第二工件圖像，以作為第二融合圖像；及融合所述第一融合圖像和所述第二融合圖像，以獲取訓練圖像。可增加出現幾率較低的類型的缺陷對應的訓練圖像的數量，使得具有不同類型的缺陷的訓練圖像的數量基本相同，在后續通過數量較多的訓練圖像對目標檢測模型進行訓練時的訓練效果較好，可提升目標檢測模型的泛化性能，并提升目標檢測模型對缺陷的檢測效果。

技術領域

本申請涉及檢測技術領域，特別涉及一種數據增強方法、數據增強裝置、數據增強設備和非易失性計算機可讀存儲介質。

背景技術

目前，一般通過模板檢測算法檢測工件的缺陷，但模板檢測算法存在過檢、識別準確性較低的問題，相較而言，具有更高的檢測準確性的神經網絡模型則逐漸受到青睞，但目前神經網絡模型在訓練時，由于不同類型的缺陷的出現幾率極度不均衡，導致使用深度學習方法進行晶圓缺陷識別或檢測時模型泛化性能比較差，從而直接影響了最后的檢測精度。

發明內容

本申請提供了一種數據增強方法、數據增強裝置、數據增強設備和非易失性計算機可讀存儲介質。

本申請實施方式的數據增強方法包括獲取具有缺陷的第一工件圖像；識別并截取所述第一工件圖像中所述缺陷所在的圖像區域，以作為第一融合圖像；獲取無缺陷的第二工件圖像，以作為第二融合圖像；及融合所述第一融合圖像和所述第二融合圖像，以獲取訓練圖像。

本申請實施方式的數據增強裝置包括第一獲取模塊、識別模塊、第二獲取模塊和融合模塊。所述第一獲取模塊用于獲取具有缺陷的第一工件圖像；所述識別模塊用于識別并截取所述第一工件圖像中所述缺陷所在的圖像區域，以作為第一融合圖像；所述第二獲取模塊，用于獲取無缺陷的第二工件圖像，以作為第二融合圖像；所述融合模塊，融合所述第一融合圖像和所述第二融合圖像，以獲取訓練圖像。

本申請實施方式的數據增強設備包括處理器。所述處理器用于：獲取具有缺陷的第一工件圖像；識別并截取所述第一工件圖像中所述缺陷所在的圖像區域，以作為第一融合圖像；獲取無缺陷的第二工件圖像，以作為第二融合圖像；及融合所述第一融合圖像和所述第二融合圖像，以獲取訓練圖像。

本申請實施方式的一種包含計算機程序的非易失性計算機可讀存儲介質，當所述計算機程序被一個或多個處理器執行時，使得所述處理器執行所述數據增強方法。所述數據增強方法包括獲取具有缺陷的第一工件圖像；識別并截取所述第一工件圖像中所述缺陷所在的圖像區域，以作為第一融合圖像；獲取無缺陷的第二工件圖像，以作為第二融合圖像；及融合所述第一融合圖像和所述第二融合圖像，以獲取訓練圖像。

本申請的數據增強方法、數據增強裝置、數據增強設備和非易失性計算機可讀存儲介質，通過融合具有缺陷的第一工件圖像中缺陷所在的圖像區域和不具有缺陷的第二工件圖像，以生成更多具有缺陷的工件圖像，從而獲取到足夠數量的訓練圖像，且可增加出現幾率較低的類型的缺陷對應的訓練圖像的數量，使得具有不同類型的缺陷的訓練圖像的數量基本相同，在后續通過數量較多的訓練圖像對目標檢測模型進行訓練時的訓練效果較好，可提升目標檢測模型的泛化性能，并提升目標檢測模型對缺陷的檢測效果。

本申請的附加方面和優點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本申請的實踐了解到。

附圖說明

為了更清楚地說明本申請實施方式或現有技術中的技術方案，下面將對實施方式或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施方式，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。

圖1是本申請某些實施方式的數據增強方法的流程示意圖；

圖2是本申請某些實施方式的數據增強裝置的模塊示意圖；