[发明专利]根据共同起作用的干扰测量分类器的灵敏度

说明书

本发明涉及一种用于相对于图像数据的变化测量分类器的灵敏度的方法，所述分类器将图像数据分配给预给定分类的一个或多个类别，所述方法具有步骤：提供具有图像数据的至少一个输入数据记录；利用所述分类器为所述至少一个输入数据记录确定初始类别分配；从所述输入数据记录中，根据以下目标预设来确定预给定数量的不同干扰：由所述分类器将所述输入数据记录的通过共同地应用所有这些干扰形成的变形映射到按照预给定准则不同于所述初始类别分配的类别分配上，而相反地由所述分类器将所述输入数据记录的通过仅应用这些干扰之一形成的变形映射到按照所述预给定准则对应于所述初始类别分配的类别分配上。

技术领域

本发明涉及可训练分类器的行为的控制，例如可以使用所述可训练分类器用于对批量生产的产品进行质量控制。

背景技术

在对产品进行批量生产时，通常需要持续地检验生产的质量。在此力求尽可能快速地识别质量问题，以便能够尽可能快地排除原因，而不作为废品损失过多单位的相应产品。

产品的几何形状和/或表面的光学控制（Kontrolle）是快速的且无损的。WO 2018/197 074 A1公开一种检验设备，其中可以使对象遭受大量照明状况，其中在这些照明状况中的每一个中利用摄像机记载对象的图像。从这些图像中评估对象的形貌。

产品的图像也可以直接地利用图像分类器基于人工神经网络被分配给预给定分类的多个类别之一。在此基础上，产品可以被分配给多个预给定质量类别之一。在最简单的情况下，这种分类是二元的（“OK”/“非OK）”）。

发明内容

在本发明的范围中，开发了一种用于相对于所输入的图像数据的变化测量图像数据用的分类器的灵敏度的方法。分类器将图像数据分配给预给定分类的一个或多个类别（Klassen）。尤其是例如可以根据至少一种任意测量模态利用一个或多个传感器检测图像数据。但是，也可以例如是至少一种任意测量模态的切合实际的图像数据，所述切合实际的图像数据例如已经通过对测量模态进行模拟被获得或已经利用GAN的发生器被产生。

图像数据尤其是例如可以包括摄像机图像、视频图像、超声图像、热图像、雷达图像或激光雷达图像。术语“图像数据”在此情况下不仅包括单图像或这样的单图像的序列，而且例如包括关于图像内容的动态变化的信息、诸如视觉流。但是，例如也可以通过将其他物理测量数据（诸如音频数据）变换成二维或三维表示来获得图像数据。

在该方法的范围中，提供具有图像数据的至少一个输入数据记录。利用分类器为至少一个输入数据记录确定初始类别分配。该初始类别分配可以将一个或多个类别例如以用于可用类别的Softmax分数的形式分配给输入数据记录。

在此情况下，术语“输入数据记录”不表示所有可用输入数据的全部，而是表示为单个分类过程提供给分类器的输入数据单元。例如，在图像分类器的情况下，输入数据记录尤其是可以包括图像。

从该输入数据记录中确定预给定数量的不同干扰。就此而言，干扰尤其是例如是图像数据的改变建议（Änderungsvorschlag），所述改变建议至少仍大略地允许识别原始图像数据，然而可能影响由分类器提供的类别分配。至少根据两个目标预设来确定所述干扰，所述目标预设是彼此相反的并且可以任意地彼此相对地被加权。

一方面，应该由分类器将输入数据记录的通过共同地应用所有所确定的干扰形成的变形（Abwandlung）映射到按照预给定准则不同于初始类别分配的类别分配上。预给定准则例如可以包含：新的类别分配具有最高置信度所针对的类别应该是与初始类别分配具有最高置信度所针对的类别不同的类别。为此，可以以任意方式聚集干扰，例如通过相加或求平均值。

另一方面，应该由分类器将输入数据记录的通过仅应用这些干扰之一形成的变形映射到按照预给定准则对应于初始类别分配的类别分配。因此，如果例如新的类别分配作为最高置信度表明仅仍为0.7，而不是在初始类别分配中的0.9，但该最高置信度总是仍被归于与在初始类别分配中相同的类别，则根据前述示例性准则，新的类别分配仍对应于初始类别分配。