[發明專利]一種缺陷檢測中不確定樣本的檢測方法、裝置及介質

有效

• 申請號: 202210057165.7
• 申請日: 2022-01-19
• 公開（公告）號: CN114092472B
• 公開（公告）日: 2022-05-03
• 發明（設計）人: 張重陽;李若琦;秦彪;張保柱
• 申請（專利權）人: 寧波海棠信息技術有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/762;G06V10/764;G06V10/774;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 寧波市鄞州盛飛專利代理事務所(特殊普通合伙) 33243
• 代理人: 龍洋

本發明屬于圖像目標檢測技術領域，提供了一種缺陷檢測中不確定樣本的檢測方法、裝置及介質，包括步驟：S1、采集待檢測樣本的圖像；S2、通過訓練后的缺陷目標檢測器對輸入的待檢測樣本圖像進行檢測，得到缺陷目標的類別和特征向量；S3、根據所述缺陷目標的類別和特征向量通過建模后的預設高斯混合模型組估計目標的認知不確定性，并根據目標的認知不確定性判定待檢測樣本是否為不確定樣本。本發明的優點在于采用基于高斯混合模型的認知不確定性估計方法，可以有效地檢測出對于缺陷檢測器的不確定性樣本，將其分配給人工進行檢測，可以大大降低缺陷檢測模型的錯誤檢出率，實現了人工檢測和機器檢測的合理結合。

技術領域

本發明涉及圖像目標檢測技術領域，尤其涉及一種缺陷檢測中不確定樣本的檢測方法、裝置及介質。

背景技術

由于在生產過程中，制造工藝和生產環境不可能保持絕對理想的狀態，因此產品表面不可避免地可能會存在缺陷，導致質量不合格。若不合格的缺陷品流入市場，輕則影響用戶體驗，損害廠商信譽，重則釀成安全事故，造成不可挽回的嚴重后果。因此在產品出廠前依據生產標準進行產品外觀質量檢測對生產企業的發展至關重要。

隨著計算機視覺技術的不斷發展，基于深度學習的缺陷檢測漸漸取代人工檢測，成為大規模自動化工業生產的主流檢測技術。深度學習模型對于滿足訓練樣本分布的輸入樣本可以取得很好的檢測性能，但是當輸入樣本不滿足訓練樣本分布（稱為分布外樣本或不確定樣本）時，模型預測結果將不可控。甚至，模型常常對分布外樣本產生過于自信的預測，將它們檢測成特定已知類別并給予很高的置信度。這引起了生產企業對于部署缺陷檢測器的安全性和可靠性的嚴重擔憂。

分布外樣本的檢測的主流方法是估計檢測器的認知不確定性。認知不確定性通常通過基于采樣的方法度量。基于采樣的方法通過用不同模型對相同輸入進行預測，或用相同模型對不同輸入進行預測，來獲得多個預測。通過對多個預測結果進行加權平均得到最終的預測結果，并將多個結果的方差作為認知不確定性估計。

基于采樣的方法由于需要多次預測，將會大大增加檢測所需時間，很難滿足大規模自動化生產對實時檢測的需求。因此如何解決當前不確定性估計方法的不足，實現實時準確的不確定性度量，具有極高的研究價值和現實意義。

發明內容

本發明的目的在于提供一種缺陷檢測中不確定樣本的檢測方法，用以解決當前不確定性估計方法難以滿足實時檢測的問題。

為了實現上述目的，本發明采用的技術方案為：

一種缺陷檢測中不確定樣本的檢測方法，包括：

S1，采集待檢測樣本的圖像；

S2，通過訓練后的缺陷目標檢測器對輸入的待檢測樣本圖像進行檢測，得到缺陷目標的類別和特征向量；

S3、根據所述缺陷目標的類別和特征向量通過建模后的預設高斯混合模型組估計目標的認知不確定性，并根據目標的認知不確定性判定待檢測樣本是否為不確定樣本。

進一步的，得到訓練后的缺陷目標檢測器的步驟包括：

A1、根據預設目標檢測模型構造一個缺陷目標檢測器；

A2、在缺陷目標檢測器的特征空間中設置每一個缺陷類別固定的類中心點；

A3、通過訓練樣本對構造的缺陷目標檢測器進行訓練，并設置預設損失函數對缺陷目標檢測器的參數進行優化，使得所述缺陷目標檢測器輸出的特征到該類別的類中心點的特征距離最小，并得到訓練后的缺陷目標檢測器。

進一步的，預設損失函數包括分類損失函數和聚類損失函數；

分類損失函數，用于計算缺陷目標檢測器檢出的預測類別與該目標給定的類別真值標簽之間的損失；

聚類損失函數，用于計算缺陷目標檢測器檢出的缺陷目標特征與該缺陷類別的類中心點特征之間的距離損失。