[发明专利]基于不确定度的工业缺陷程度推断方法及系统

权利要求书

1.一种基于不确定度的工业缺陷程度推断方法，其特征在于，所述方法包括：

步骤1：根据工业产品的原始图像数据，得到训练图像数据；

步骤2：根据卷积神经网络模型和全卷积神经网络，构建待训练检测模型；

步骤3：使用所述训练图像数据对所述待训练检测模型进行训练，得到已训练检测模型；

步骤4：根据所述已训练检测模型输出的不确定度数值推断所述工业产品的工业缺陷程度。

2.根据权利要求1所述的基于不确定度的工业缺陷程度推断方法，其特征在于，所述步骤2，包括：

步骤201：根据编码解码结构的所述卷积神经网络模型进行图像特征提取，得到特征图；

步骤202：根据所述全卷积神经网络构建分类预测器、回归预测器和不确定度预测器；

步骤203：根据所述特征图、所述分类预测器、所述回归预测器和所述不确定度预测器，得到分类信息、回归信息和不确定度信息；

步骤204：根据编码解码结构的所述卷积神经网络模型、所述分类预测器、所述回归预测器和所述不确定度预测器，得到所述待训练检测模型。

3.根据权利要求1或2所述的基于不确定度的工业缺陷程度推断方法，其特征在于，所述步骤3，包括：

步骤301：根据所述训练图形数据和所述待训练检测模型，得到损失函数；

步骤302：通过梯度反向传播算法，得到所述待训练检测模型中可学习参数的梯度；

步骤303：根据优化器相关配置对所述学习参数进行更新，继续进行前向传播；

步骤304：当迭代至所述损失函数满足预设条件后，完成所述待训练检测模型的训练，得到所述已训练检测模型。

4.根据权利要求1或2所述的基于不确定度的工业缺陷程度推断方法，其特征在于，所述步骤4，包括：

步骤401：将待检测工业图像输入所述已训练检测模型，得到所述分类预测器输出的所述分类信息、所述回归预测器输出的所述回归信息和所述不确定度预测器输出的所述不确定信息；

步骤402：使用过滤器对分类信息进行过滤，得到过滤结果；

步骤403：根据所述过滤结果，提取出对应的回归数值和不确定度数值；

步骤404：根据所述不确定度数值推断所述待检测工业图像的工业缺陷程度。

5.根据权利要求4所述的基于不确定度的工业缺陷程度推断方法，其特征在于，所述步骤1，包括：

步骤101：获取所述工业产品的所述原始图像数据；

步骤102：对所述原始图像数据进行图像处理，得到所述训练图像数据。

6.一种基于不确定度的工业缺陷程度推断系统，其特征在于，所述系统包括：

模块M1：根据工业产品的原始图像数据，得到训练图像数据；

模块M2：根据卷积神经网络模型和全卷积神经网络，构建待训练检测模型；

模块M3：使用所述训练图像数据对所述待训练检测模型进行训练，得到已训练检测模型；

模块M4：根据所述已训练检测模型输出的不确定度数值推断所述工业产品的工业缺陷程度。

7.根据权利要求6所述的基于不确定度的工业缺陷程度推断系统，其特征在于，所述模块M2，包括：

子模块M201：根据编码解码结构的所述卷积神经网络模型进行图像特征提取，得到特征图；

子模块M202：根据所述全卷积神经网络构建分类预测器、回归预测器和不确定度预测器；

子模块M203：根据所述特征图、所述分类预测器、所述回归预测器和所述不确定度预测器，得到分类信息、回归信息和不确定度信息；

子模块M204：根据编码解码结构的所述卷积神经网络模型、所述分类预测器、所述回归预测器和所述不确定度预测器，得到所述待训练检测模型。