[发明专利]一种使用无缺陷图训练深度学习缺陷检测模型的方法

权利要求书

1.一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，包括以下步骤：

T1.在训练深度学习的面板缺陷检测模型时，采集AOI设备输出的面板图片，用缺陷标注框进标注缺陷的面板图片的缺陷得到模型训练集；

T2.利用模型训练集训练模型，每次循环数据加载器从模型训练集中随机载入一张有缺陷图片和其标注信息；

T3.从无缺陷图片中随机选择一张图片载入和T2中载入的有缺陷图片组成一个数据批；

T4.获取数据批的指定正样本和指定负样本，根据设置的采样超参数采样有数据批的指定正样本和指定负样本；

T5.合并数据批中采样的有缺陷图片的指定负样本与无缺陷图片的指定负样本，再使用新的数据批训练面板缺陷检测模型；

所述新的数据批为新的有缺陷图片，所述新的有缺陷图片包含部分无缺陷的指定负样本；合并数据批中采样的有缺陷图片的指定负样本与无缺陷图片的指定负样本时，是合并经RPN网路提取并筛选出的建议框；

获得数据批的指定正样本和指定负样本的方法为：

S1.先将数据批中的有缺陷图片和无缺陷图片分别输入骨干网络提取特征图；

S2.先将数据批中有缺陷图片对RPN的权重梯度进行反向传播，再让有缺陷图片和无缺陷图片分别通过RPN网路提取各自的多个预选建议框；

S3.只保留每个图片上置信度最大的前M个建议框，对每个图片上保留的M个建议框通过非极大抑制方法去除重叠大的建议框；

S4.对于有缺陷图片的建议框，其中与缺陷标注框的IOU大于阈值时设置为指定正样本、与缺陷标注框的IOU小于阈值时的设置为指定负样本；而对于无缺陷图片的所有建议框，都为指定负样本；

所述采样的超参数包括：有缺陷图片采样总数N，正负样本采样比例r，无缺陷图片采样总数N_normal；

实际使用中设置关系：保证无缺陷图片上采集的负样本总数为有缺陷图片上采集的一半。

2.根据权利要求1所述的一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，所述缺陷标注按pascal VOC标准保存为xml格式。

3.根据权利要求1所述的一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，M在训练过程中设置为2000。

4.根据权利要求1所述的一种使用无缺陷图训练深度学习缺陷检测模型的方法，其特征在于，缺陷标注框的IOU的阈值经验值为0.5或0.7。