[发明专利]一种识别缺陷不确定性的方法和系统

说明书

本发明公开了一种识别缺陷不确定性的方法和系统，所述识别缺陷不确定性的方法包括以下步骤：步骤一：区域热点图生成；步骤二：区域加强型图片分类；步骤三：图片分类建立模型；步骤四：对图片进行预处理；步骤五：输出图片分类结果，所述识别缺陷不确定性的系统，包括：区域性热点图生成引擎，区域加强型图片分类引擎，图片分类引擎，热点图合并预处理引擎，所述图片分类引擎和热点图合并预处理引擎均为区域加强型图片分类引擎的一部分。该识别缺陷不确定性的方法和系统，为图片分类引擎提供了丰富的数据维度，能够获得更准确的图片分类，开创性地考虑该缺陷的相对位置信息，对缺陷分类的准确性产生重大的提升。

技术领域

本发明涉及识别缺陷不确定性相关技术领域，具体为一种识别缺陷不确定性的方法和系统。

背景技术

缺陷检测是工业上非常重要的一个应用，由于缺陷多种多样，传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移，复用性不大，要求区分工况，这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果，越来越多的学者和工程人员开始将深度学习算法引入到缺陷检测领域中；

如《Automatic Metallic Surface Defect Detection and Recognition withConvolutional Neural Networks检测对象：金属表面缺陷检测》，其讨论了用一种能准确定位和分类从实际工业环境中获取的输入图像中出现的缺陷的双重过程来自动检测金属缺陷。设计了一种新的级联自动编码器(CASAE)结构，用于缺陷的分割和定位。级联网络将输入的缺陷图像转化为基于语义分割的像素级预测掩模。利用压缩卷积神经网络(CNN)将分割结果的缺陷区域划分为特定的类。利用工业数据集可以成功地检测出各种条件下的金属缺陷。实验结果表明，该方法满足金属缺陷检测的稳健性和准确性要求。同时，它也可以扩展到其他检测应用中。使用语义分割网络先定位像素级别的缺陷位置，然后通过分类网络对缺陷进行识别；

如《Automatic Metallic Surface Defect Detection and Recognition withConvolutional Neural Networks检测对象：金属表面缺陷检测》，其讨论了用一种能准确定位和分类从实际工业环境中获取的输入图像中出现的缺陷的双重过程来自动检测金属缺陷。设计了一种新的级联自动编码器(CASAE)结构，用于缺陷的分割和定位。级联网络将输入的缺陷图像转化为基于语义分割的像素级预测掩模。利用压缩卷积神经网络(CNN)将分割结果的缺陷区域划分为特定的类。利用工业数据集可以成功地检测出各种条件下的金属缺陷。实验结果表明，该方法满足金属缺陷检测的稳健性和准确性要求。同时，它也可以扩展到其他检测应用中。其实还是使用语义分割网络先定位像素级别的缺陷位置，然后通过分类网络对缺陷进行识别；

但上述这些方法在分析缺陷分类时主要考虑的实际上都是基于缺陷的形状和缺陷的绝对位置两类数据作为神经网络的输入数据，目前没有任何考虑该缺陷的相对位置，即当前缺陷在同一批次的缺陷的普遍分布中所处的位置，而这同样也是对于缺陷进行分类的重要信息，因此，我们提出一种识别缺陷不确定性的方法和系统，以便于解决上述中提出的问题。

发明内容

本发明的目的在于提供一种识别缺陷不确定性的方法和系统，以解决上述背景技术提出的目前识别缺陷不确定性的方法在分析缺陷分类时主要考虑的实际上都是基于缺陷的形状和缺陷的绝对位置两类数据作为神经网络的输入数据，目前没有任何考虑该缺陷的相对位置，即当前缺陷在同一批次的缺陷的普遍分布中所处的位置，而这同样也是对于缺陷进行分类的重要信息的问题。

为实现上述目的，本发明提供如下技术方案：一种识别缺陷不确定性的方法，所述识别缺陷不确定性的方法包括以下步骤：

步骤一：区域热点图生成；

步骤二：区域加强型图片分类；

步骤三：图片分类建立模型；

步骤四：对图片进行预处理；