[发明专利]基于深度迁移学习的检测方法、存储介质和检测系统

说明书

本发明提供了一种基于深度迁移学习的检测方法、存储介质和检测系统,属于图像数据处理领域，具体涉及基于人工智能算法的检测技术，方法包括构建大规模工业缺陷检测图库、构建基础模型、基于少量标注的迁移学习、以及传统算法和深度学习的融合，对检测模型建立二次判断规则，形成针对待测件的缺陷检测判断模型。方案采用了适用于工业领域的语义分割损失函数，适合对小缺陷进行检测，解决了小物体漏检问题；二次判断大大降低了检出结果的误判率；采用迁移学习技术，通过基础模型的构建和迁移学习的引入，在百量级的小样本基础上即可对多种项目检测进行应用，提高了检测效率。

技术领域

本发明属于图像数据处理领域，涉及基于人工智能算法结合图像数据处理的缺陷检测技术,可应用于半导体领域的表面缺陷检测，具体涉及一种基于深度迁移学习的检测方法、存储介质和检测系统。

背景技术

在人工智能和机器学习中，迁移学习是一种学习的思想和模式。机器学习是人工智能的一大类重要方法，也是目前发展最迅速，最显著的方法。机器学习解决的是让机器自主的从数据中来获得知识，从而应用在新的问题当中，而迁移学习作为机器学习中的一个重要分支，侧重于将已经学过的知识迁移应用于新的问题中。迁移学习的核心问题是，找到新问题和原问题之间的相似性，才可以顺利地实现知识的迁移。

已知的，机器学习模型的训练和更新，均依赖于数据的标注。尽管可以获取到海量的数据，然而这些数据往往是很初级的原始形态，很少有数据被加以正确的人工标注。数据的标注是一个耗时且昂贵的操作，目前为止，尚未有行之有效的方式来解决这一问题。这给机器学习和深度学习的模型训练和更新带来了挑战。而对于一些特定的领域，因为没有足够的标定数据用来学习，使得这些领域一直不能很好的发展。其中，光伏分选机硅片缺陷检测行业正存在这种问题，工业项目往往存在着缺陷图像获取难，缺陷图像标注难度大等问题，缺乏足够的标注数据；而利用迁移学习的思想，可以从一些容易获取的大数据上训练一个比较好的模型，针对新任务进行微调，从而将模型迁移到新任务中。更进一步，可以将这些模型针对面临的新任务进行自适应更新，从而取得更好的效果。

同时，鉴于当前基于深度学习算法进行缺陷检测存在的主要问题是容易过检，假设用深度学习中的语义分割技术对工业图像进行缺陷检测，最终检测结果中不可避免的会出现一些异常过检。

以光伏硅片检测为例，分选机硅片脏污检测的难点在于脏污形状不规则，脏污的灰度差异大，存在很多肉眼不可见脏污，脏污可能出现在硅片的任意位置，硅片自身的纹理干扰等。对此，传统方法中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，并且可以是端到端的。缺点是样本集影响较大，算力要求较高。所以基于传统算法的脏污检测很难通过一个单一的算法参数来满足产线上所有硅片的脏污检出。

发明内容

为了克服现有技术的不足，本发明提供一种基于深度迁移学习的检测方法、存储介质和检测系统，其能解决上述问题。

提出了一种基于深度学习和传统方法深度结合的算法，利用深度学习强大的检出能力配合传统方法来对深度学习的检测结果进行一些人工的调控，实验证明，该深度学习与传统方法深度融合的算法，既可以充分利用到当前大数据的优势，利用人工智能算法解决实际项目中的一些难题，又可以加上一些人工判断，减少由于神经网络黑盒性导致的过检问题，增加一些人工的可控性。同时利用到了深度学习中的迁移学习技术，使得在项目前期只有一个比较小的样本量的情况下，即可获得一个比较好的检出效果。

其中迁移学习保证了前期数据量不足的情况下，通过将其他领域数据学出来的一些基础深度特征迁移到当前数据上，大大节省了前期项目的数据收集和标注时间，同时通过深度学习和传统方法相结合的思路，在保证精度的情况下，可以利用一些人工设计规则等方式大大降低项目的过检率。