[发明专利]一种基于半监督学习的主板表面缺陷检测方法

权利要求书

1.一种基于半监督学习的主板表面缺陷检测方法，其特征在于，所述方法针对主板生产过程中存在的螺丝和CPU风扇接线存在的缺陷，利用YOLOX目标检测网络对待检测主板的CPU风扇接线进行缺陷检测，并对螺丝进行定位，再使用改进的GANomaly异常检测网络对定位后的螺丝进行二次检测，获得螺丝的最终检测结果；

其中，所述改进的GANomaly异常检测网络包含自编码器G、编码器E和判别网络D三个子网络，所述自编码器G包括编码器G_E和解码器G_D，其中，在编码器G_E中增加三个SSPCAB模块，用于通过学习利用上下文信息去预测或重建被屏蔽的信息以获得高精度的重建结果。

2.根据权利要求1所述的方法，其特征在于，所述方法包括：

获取主板图像，将所述主板图像输入YOLOX目标检测检测网络得到CPU风扇接线检测结果，同时输出螺丝位置信息；

根据YOLOX目标检测检测网络输出的螺丝位置信息对所述主板图像进行剪切并调整尺寸，记为其中h为图像的高，w为图像的宽，c为通道维数；

将剪切并调整尺寸后得到的图像输入所述改进的GANomaly异常检测网络，通过所述编码器G_E将x映射到一个低维向量d表示通道维数，即z＝G_E(x)；通过所述解码器G_D从低维向量恢复数据得到重建图像即通过所述编码器E将重建图像再映射到一个低维向量即以考虑原始图像和重建图像在潜在特征空间上的距离在异常评判中的作用；利用SSPCAB模块预测或重建被屏蔽的信息以获得高精度的重建结果；通过所述判别网络D预测给定输入的类标签，对原始图像x和重建图像进行分类，将原始图像x判别为真，重建图像判别为假，通过使用对抗训练提高图像重建质量；最终得到螺丝检测结果。

3.根据权利要求2所述的方法，其特征在于，所述改进的GANomaly异常检测网络中SSPCAB模块由masked convolution层和通道注意力机制两部分组成；

所述masked convolution层对特征图感受野部分像素点不做卷积操作，只需要选取感受野中四个角落位置的像素点进行卷积操作后再求和，经过ReLU激活函数后得到一个值用来代表该感受野的特征表示；所述通道注意力机制使用SENet通道注意力模块以确保SSPCAB模块的输入和输出之间进行非线性处理，同时对通道维度的特征进行自适应校准。

4.根据权利要求3所述的方法，其特征在于，所述SSPCAB模块中，设为masked convolutional层的输入特征图；对输入X周围增加k′+d个像素的零填充，设置stride为1，输出通道数为c；当对输入的某个感受野使用masked convolutional kernel执行卷积操作时，只考虑该感受野中四个角落的子卷积核的所在位置的输入值，忽略其他信息，每个K_i与相应位置的输入之间执行卷积运算，再对这四个结果求和得到单个数值，再经过ReLU激活函数后作为卷积运算后中心像素点M的值，最终得到masked convolutional层的输出表示该卷积核的四个角落的子卷积核，其中表示定义子卷积核的大小的超参数，c为输入通道数；表示中心像素点，d表示子卷积核的边缘到中心像素点M的距离，感受野的边长为k＝2k′+2d+1，k′和d为超参数；

则通道注意力机制输入即为在每个通道维度上执行全局平均池化得到特征向量随后经过两次全连接层；首先通过第一个全连接层将通道维数降到再经过ReLU函数激活后进入第二个全连接层将通道维数恢复到c，再通过sigmoid函数激活得到向量s＝σ(W₂·δ(W₁·z))，最后将输入Z和向量s相乘得到SSPCAB模块的最终输出特征图其中r表示下降率，σ为sigmoid激活函数，δ为ReLU激活函数。

5.根据权利要求4所述的方法，其特征在于，所述编码器G_E包括六个卷积层和3个SSPCAB模块，所述SSPCAB模块分别插入第四、五和六个卷积层组输出之后，分别记为SSPCAB1、SSPCAB2和SSPCAB3。