[发明专利]一种基于半监督学习的主板表面缺陷检测方法

说明书

本发明公开了一种基于半监督学习的主板表面缺陷检测方法，属于主板表面缺陷检测技术领域。所述方法利用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；本申请构建了一个从粗到细的级联检测网络，在GANormaly异常检测网络中嵌入SSPCAB模块，从而提出改进的GANomaly异常检测模型，加强了特征提取能力，提高了模型检测准确性。而且本申请基于无监督的异常检测方法，减少对缺陷样本的依赖和提高检测精度。

技术领域

本发明涉及一种基于半监督学习的主板表面缺陷检测方法，属于主板表面缺陷检测技术领域。

背景技术

随着我国计算机制造业的蓬勃发展，高标准、高质量产品的需求也逐渐旺盛。电脑主板是计算机制造业生产的重要产品，在生产的过程中，不可避免的会产生缺陷，这些缺陷会对主板的质量和性能造成不利的影响。为了提高产品的合格率，生产商往往会设置一个质检的环节。但传统的人工质检容易出错，每年需要持续投入大量的人力物力成本；而且人工质检采用纸质版质检报告的形式也存在着异常追溯困难，历史数据查询效率低，无法进行有效产品质量追踪改善；另外人工质检对质检完毕后的异常情况汇总等工作也无法高效完成；人工质检还存在管理上的风险，漏检、未检和质检人员人身安全都是作业过程中存在的问题。

与人工质检相比，基于深度学习的表面缺陷检测能够达到产品质检的要求，并能有效避免人工质检的弊病，但现有基于深度学习的表面缺陷检测技术同样也存在问题。比如，针对电脑主板生产主板过程中存在的固定主板的螺丝缺失、松动、型号不一致，CPU风扇接线未插到位、插歪、插错、插反和漏插等缺陷问题，现有检测技术在进行主板缺陷检测时，需要考虑光照不均匀和强反光、背景复杂、受检目标小、样本分布不均匀、缺陷样本少等问题，而且由于缺陷固件和正常固件特征十分接近，现有技术检测时对此误检率较高。

对于这些问题，已有学者提出一些检测方法，如目前主流的一些目标检测算法。但是这些方法对数据量有严重的依赖性，需要大量的缺陷样本，而在实际生产中，由于缺陷样本出现的概率较低，且缺陷种类多种多样，导致在实际应用检测方法时，难以收集到大量的所有种类的缺陷样本。因此直接将主流的基于有监督学习的缺陷检测算法应用于主板缺陷检测，并不能很好地解决主板缺陷检测的难点问题，检测效果无法满足企业实际需求。还有一些研究利用目标检测算法和分类检测算法相结合，即先通过目标检测算法定位到目标位置，再通过分类检测算法对目标进行分类，但该方法所用到的分类检测算法依然存在需要大量缺陷样本的问题，而且由于缺陷固件和正常固件特征十分接近导致分类不佳。

综上，在实际应用时，当前基于深度学习的主板表面缺陷检测方法可能还存在着以下一些问题：(1)检测模型的训练过程中通常需要大量的缺陷(异常)图像样本。在实际生产中，由于缺陷样本出现的概率较低，且缺陷种类多种多样，传统的基于有监督学习的缺陷检测方法实际应用困难。(2)基于区域的对象检测方法在目标检测领域已经取得了突破性的成果，但是直接应用于缺陷检测并不能很好地解决主板缺陷检测的所有难点问题，检测效果无法满足企业实际需求。(3)主板螺丝属于小目标检测，原始图像易受到背景、光照干扰等因素的影响，直接使用传统的目标检测方法效果不佳。

发明内容

为了解决目前主板缺陷检测方法存在的需要大量缺陷样本与实际应用中缺少缺陷样本的矛盾导致的检测结果不佳的问题，本发明提供了一种基于半监督学习的主板表面缺陷检测方法，通过对GANomaly模型进行改进，并将改进后的GANomaly模型与YOLOX模型相结合，构建了一个从粗到细的级联检测网络，首先利用YOLOX目标检测算法对待检测主板的固件进行定位和检测，再使用改进的GANomaly异常检测网络对定位后的主板螺丝进行二次检测，提高缺陷检测精度。