[發明專利]一種圖像級標簽缺省的手機屏幕缺陷檢測方法

在審

• 申請號: 202110403327.3
• 申請日: 2021-04-15
• 公開（公告）號: CN113096101A
• 公開（公告）日: 2021-07-09
• 發明（設計）人: 張成英;李緗珍
• 申請（專利權）人: 深圳市玻爾智造科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州九洲專利事務所有限公司 33101
• 代理人: 張羽振

1.一種圖像級標簽缺省的手機屏幕缺陷檢測方法，其特征在于，包括以下步驟：

步驟1、搭建概率模型，分別構建預測分布模型和條件分布模型；

步驟1.1、定義預測分布和條件分布；

預測分布為：Pr_p(y|x；θ_p)，其中x為輸入的手機屏幕缺陷圖像，y為缺陷邊界框標簽的類別，θ_p是預測分布的參數值；Pr_p(y|x；θ_p)表示對每一張輸入的手機屏幕缺陷圖像x，預測缺陷標簽的概率；

條件分布為：Pr_c(y|x，a；θ_c)，其中x為輸入的手機屏幕缺陷圖像，y為缺陷邊界框標簽的類別，a為圖像級的標注，θ_c是條件分布的參數值；Pr_c(y|x，a；θ_c)表示每一張輸入的手機屏幕缺陷圖像x，預測其缺陷標簽類別的概率以及圖像級的標注a；

步驟1.2、使用鏈式法則構建預測分布模型；

步驟1.3、構建條件分布模型；對于一張手機屏幕缺陷圖像x，給定B個缺陷邊界框標簽和圖像級標注a，條件分布Pr_c(y|x，a；θ_c)在標注a的約束下，對邊界框標簽y的概率進行建模；

步驟2、定義目標檢測損失函數來建立學習模型；

步驟3、使用坐標下降優化策略進行學習模型優化；通過迭代來修正預測網絡，并對條件網絡進行學習。

2.根據權利要求1所述圖像級標簽缺省的手機屏幕缺陷檢測方法，其特征在于，步驟1.2具體包括以下步驟：

步驟1.2.1、預測分布模擬給定的手機屏幕缺陷圖像的缺陷邊界框標簽的概率，設每個缺陷邊界框的輸出概率之間獨立，則手機屏幕缺陷圖像的總體分布等于每個輸出概率的乘積：

上式中，Pr_p(y|x；θ_p)表示對每一張輸入的手機屏幕缺陷圖像x，預測缺陷標簽的概率；B為圖像檢測框，y⁽ⁱ⁾表示每一個檢測框的類別；

步驟1.2.2、使用Fast-RCNN框架對預測分布進行建模；該預測分布的參數θ_p是預測網絡的權值；

步驟1.2.3、將手機屏幕缺陷圖像x輸入Fast-RCNN框架中，將權值賦予Fast-RCNN的前向傳播過程，得到預測分布的預測缺陷輸出。

3.根據權利要求1所述圖像級標簽缺省的手機屏幕缺陷檢測方法，其特征在于，步驟1.3具體包括以下步驟：

步驟1.3.1、僅從條件分布中訪問一組有代表性的樣本，并使用離散DISCO網絡進行建模，通過引入噪聲將點態深度網絡設置為概率網絡，表示離散結構輸出空間上的概率分布；

步驟1.3.2、采用Fast-RCNN網絡作為條件網絡，進行概率分布處理；θ_c是條件網絡的權值；在手機屏幕缺陷圖像x上采用噪聲濾波器z_k進行噪聲濾波，構成Fast-RCNN網絡的輸入對(x，z_k)；對于不同的噪聲濾波器z_k，使用k個不同的噪聲樣本，將條件網絡作為分類網絡，得到不同的分數函數分數函數為一個B×C的矩陣，其中，x為輸入的手機屏幕缺陷圖像，y為缺陷邊界框標簽的類別，z_k為噪聲濾波器，θ_c是條件網絡的權值；將第(i，j)個分數函數矩陣中的元素記為表示缺陷邊界框i的分數屬于類別j；重新定義得分函數，對于所有邊界框標簽y，得分函數的得分如下：

上式中，a^(j)表示每一個檢測框范圍的約束，y⁽ⁱ⁾表示每一個檢測框的類別；使用k個不同的噪聲樣本生成k個不同的分數函數，然后使用分數函數采樣相應的缺陷邊界框標簽將所有的標簽都包含在其中；

步驟1.3.3、將噪聲濾波器設置在距離網絡輸出層足夠遠的地方，使噪聲濾波器學習到從均勻分布到輸出分布的高度非線性映射。