[发明专利]用修改图像的生成器对图像分类器的输出进行合理性检查

说明书

对图像分类器的输出进行合理性检查的方法，图像分类器将输入图像分配给预先给定的分类的一个或多个类别，该方法具有如下步骤：利用图像分类器来为输入图像确定到一个或多个类别的分配；利用相关性评估功能来确定输入图像的空间分辨的相关性评估，其说明了：输入图像的哪些部分在多大程度上有助于所述分配；生成器被训练来生成输入图像的修改，所述修改根据成本函数就如下优化目标而言尽可能好：所述修改在通过相关性评估功能归类为对于类别分配来说不那么相关的部分中尽可能少地被改变，并且由图像分类器与输入图像不一样地来分类；依据训练的结果和/或由经训练的生成器提供的修改，确定空间分辨的相关性评估和/或相关性评估功能的质量量度。

技术领域

本发明涉及对可训练的图像分类器的行为的检查，这些图像分类器例如可以被用于对批量生产的产品的质量检查。

背景技术

在对产品的批量生产的情况下，通常需要持续检查生产质量。在此，力求尽可能快地识别出质量问题，以便能够尽快消除原因并且不会使相应产品的过多个体作为次品而损失。

对产品的几何形状和/或表面的光学检查是快速且无损的。WO 2018/197 074 A1公开了一种检查设备，在该检查设备中可以使对象经受多种照明情况，其中在这些照明情况中的每个照明情况中都可以用摄像机来记录该对象的图像。根据这些图像来分析该对象的表面形状（Topographie）。

产品的图像也可以直接利用基于人工神经网络的图像分类器来被分配给预先给定的分类的多个类别之一。基于此，可以将该产品分配给多个预先给定的质量类别之一。在最简单的情况下，该分类是二元的（“OK（合格）”/“not OK（不合格）”）。

发明内容

在本发明的范围内，开发出了一种用于对图像分类器的输出进行合理性检查的方法。

图像分类器将输入图像分配给预先给定的分类的一个或多个类别。例如，可以使用批量生产的、名义上相同的产品的图像，作为输入图像。图像分类器例如可以被训练来将这些输入图像分配给至少两个可能的类别中的一个或多个类别，所述至少两个可能的类别表示对相应产品的质量评定。

例如，产品可以依据图像以二元方式被分类成“OK（合格）”或“不OK（不合格）”（NOK）。例如，划分成包括在“OK”与“不OK”之间的更多中间等级的分类也可以是可能且合理的。

图像的概念原则上包括布置在二维或多维网格中的任何信息分布。这些信息例如可以是图像像素的强度值，这些图像像素是利用任意的成像方式、比如利用光学摄像机、利用热成像摄像机或者利用超声来被拍摄的。然而，任意其它数据、诸如音频数据、雷达数据或激光雷达（LIDAR）数据也可以被转换成图像并且接着以相同方式来被分类。

在该方法中，利用图像分类器来为具体输入图像确定到一个或多个类别的分配。利用预先给定的相关性评估功能来确定输入图像的空间分辨的相关性评估。该空间分辨的相关性评估说明了：输入图像的哪些部分在多大程度上有助于到一个或多个类别的分配。该空间分辨的相关性评估例如可以给输入图像的每个像素都分配强度值，该强度值对应于类别分配的相关性，并且因而也被称作“热图（heat map）”。

现在，生成器被训练来生成输入图像的修改，这些修改根据预先给定的成本函数就如下优化目标而言尽可能好：这些修改

• 一方面在通过相关性评估功能归类为对于类别分配来说不那么相关的部分中尽可能少地被改变；并且

• 另一方面由图像分类器与输入图像不一样地来分类。

对在不那么相关的部分中尽可能少地进行改变的要求可以在该成本函数中例如作为关于在不那么相关的部分中的改变的标准表现出来。对改变分类的要求可以利用针对在这些类别分配之间的差别的任意量度被引入到成本函数中，其中这些类别分配例如也可以是向量。如果这些类别分配是离散的分类变量，则该差别尤其可以借助于（二元）交叉熵来被测量。而在连续变量的情况下，例如可以确定二次偏差。