[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

说明书

本发明公开了一种使用无缺陷图训练深度学习缺陷检测模型的方法，在模型训练时，随机将无缺陷图片和有缺陷图片组成一个数据批，基于RPN网络提取的建议框在缺陷图片上生成指定正负样本后，在无缺陷图片上生成较少的指定负样本，并将两张图片的指定正负样本按照设置好的超参数再次采样后合并训练模型，即合并有缺陷图片的指定负样本和无缺陷图片的指定负样本，通过合理的处理深度学习模型，将不包含缺陷的图片也用于训练深度学习模型，使模型有效的学习到所有背板特征，防止缺陷的过检，提高缺陷检测系统的准确率。

技术领域

本发明涉及智能制造与人工智能技术领域，具体涉及一种使用无缺陷图训练深度学习缺陷检测模型的方法。

背景技术

现有面板缺陷自动检测系统中，深度学习模型的使用日趋成为主流。基于深度学习的目标检测模型主要有一阶段模型和两阶段模型两种模型类型，这两种模型类型都使用基于卷积神经网络的骨干网络提取特征，然后分类前景和背景，并回归前景的检测框，从而检测面板缺陷。

目前面板缺陷自动检测系统一般应用于AOI设备之后，检测AOI设备识别和拍照的包含缺陷的面板微观图片，模型的训练基于AOI设备输出图片进行。但是AOI设备检出的缺陷图片可能存在不包含缺陷的情况，这主要是由于AOI设备过检或缺陷定位不准导致的。对于无缺陷的AOI图片，传统的基于深度学习的目标检测模型不会使用其训练模型，因为这类图片中无法提取出用于训练的正样本(缺陷)。但是，这导致了一些包含新的背板信息的无缺陷图片无法参与模型训练，目标检测模型无法学习到这些独特的背板特征，在实际上线使用时，这类背板图片可能会被检测为某种缺陷，导致缺陷识别的准确率下降。

发明内容

本发明所要解决的技术问题是：传统的基于深度学习的目标检测模型不会使用无缺陷图片进行模型训练，因为这类图片中无法提取出用于训练的缺陷样本，这导致了部分包含新的背板信息的无缺陷图片无法参与模型的训练，目标检测模型无法学习到这些独特的背板特征，在实际上线使用时，这类背板图片可能会被检测为某种缺陷，导致缺陷识别的准确率下降。

为解决上述技术问题。

本发明通过下述技术方案实现：

本发明提供一种使用无缺陷图训练深度学习缺陷检测模型的方法，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后再使数据批训练面板缺陷检测模型。

本方案工作原理：本发明提供一种使用无缺陷图训练深度学习缺陷检测模型的方法，在模型训练时，随机将无缺陷图片和有缺陷图片组成一个数据批，基于RPN网络提取的建议框在缺陷图片上生成指定正负样本后，在无缺陷图片上生成较少的指定负样本，并将两张图片的指定正负样本按照设置好的超参数再次采样后合并训练模型，即合并有缺陷图片的指定负样本和无缺陷图片的指定负样本，这里相当于用部分无缺陷图片的指定负样本替换了有缺陷图片的指定负样本，合成后的数据批就相当于一张新的有缺陷图片，然而它也包含部分无缺陷的指定负样本，这样合成后的数据批可以参与训练深度学习的面板缺陷检测模型，合成后的数据批所包含的无缺陷的指定负样本也参与了训练面板缺陷检测模型，解除了现有常用目标检测框架对于输入数据必须包含正类标注的限制，使模型可以学习到多种面板背板图片的特征，防止了实际应用中将一些特殊的背板样式误检为缺陷的情况，提高了检测模型的泛化能力和整体的判别准确率。