[发明专利]基于不确定度的工业缺陷程度推断方法及系统

说明书

本发明提供了一种基于不确定度的工业缺陷程度推断方法及系统，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：使用训练图像数据对待训练检测模型进行训练，得到已训练检测模型；步骤4：根据已训练检测模型输出的不确定度数值推断工业产品的工业缺陷程度。与现有技术相比，本发明使用不确定度推断当前工业产品的缺陷程度，避免了工业质检指标过于单一，对质量粗糙离散分类，标注质量较差样本影响模型性能等问题。

技术领域

本发明涉及工业质检技术领域，具体地，涉及一种基于不确定度的工业缺陷程度推断方法及系统。

背景技术

工业产品表面缺陷检测是评价产品质量的重要环节，是保证产品质量和生产效率的重要手段。产品的表面缺陷检测是近年来制造业中格外关注的一项技术问题。作为生产制造过程中必不可少的一步，表面缺陷检测广泛应用于各工业领域，包括3C、半导体及电子、汽车、化工、医药、轻工、军工等行业，催生了众多上下游企业。自20世纪开始，表面缺陷检测大致经历了三个阶段，分别是人工目视法检测、单一机电或光学技术检测以及机器视觉检测。随着光电元器件的快速发展，以及计算机技术中图像处理、人工智能等算法的深入研究，以机器视觉为代表的先进方法在工业质检中得到越来越广泛的应用。

目前的工业产品表面缺陷检测方法，主要是通过直接检测出相关工业缺陷特征进行工业质检，但是，指标过于单一，并且，将工业产品质量简单分类为若干离散类别，如优，良，不合格等等，没有考虑到工业缺陷程度是连续的，同一类别间缺陷程度存在不同，样本中标注质量较差的样本会干扰模型的学习，使得模型的预测结果较差。

专利文献CN111754497A公开了一种基于几何代数的工业缺陷检测方法和系统。该系统引入GA-U-net对图像中工业产品表面缺陷严重程度打分，然后由缺陷过滤器得到得分高于预设阈值的图像像素，然后再由连通域分析模块得到含有完整缺陷的图像，然后再由基于几何代数模糊池化的堆叠式深度神经网络对含有完整缺陷的3D图像进行缺陷类别评估，完成对工业缺陷的检测与分类。但该方法并未有效地解决指标过于单一，将工业产品质量简单分类为若干离散类别，没有考虑到工业缺陷程度是连续的，同一类别间缺陷程度存在不同，样本中标注质量较差的样本会干扰模型的学习，使得模型的预测结果较差的问题。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于不确定度的工业缺陷程度推断方法及系统。

根据本发明提供的一种基于不确定度的工业缺陷程度推断方法，包括如下步骤：

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：使用训练图像数据对待训练检测模型进行训练，得到已训练检测模型；

步骤4：根据已训练检测模型输出的不确定度数值推断工业产品的工业缺陷程度。

优选地，步骤2，包括：

步骤201：根据编码解码结构的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：根据特征图、分类预测器、回归预测器和不确定度预测器，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卷积神经网络模型、分类预测器、回归预测器和不确定度预测器，得到待训练检测模型。

优选地，步骤3，包括：

步骤301：根据训练图形数据和待训练检测模型，得到损失函数；

步骤302：通过梯度反向传播算法，得到待训练检测模型中可学习参数的梯度；