[发明专利]一种图像语义分割目标的置信度计算方法

说明书

本发明属于图像处理技术领域，公开了一种图像语义分割目标的置信度计算方法，采集带有缺陷的面板检测图像，按缺陷类型对图像进行类别标记；用标记的样本对图像语义分割模型进行训练；用训练好的图像语义分割模型来预测待检测的图像；让图像语义分割模型在输出预测图后，还输出一张反映原图每个像素属于某个类别的概率的置信度图，根据置信度图计算得到整个分割目标的置信度，而不仅仅是某个像素的置信度；在此基础上，通过置信度阈值来控制分割目标的输出，采用本发明提供的这种方法，由于加了对分割目标的输出卡控，后续处理更加灵活。

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种图像语义分割目标的置信度计算方法。

背景技术

随着电子产品的普及与快速的更新换代，对包括LCD屏幕、OLED屏幕在内的显示面板有着极大的需求。在显示面板最终成型的过程中，由于原材料、生产工艺、意外等情况，显示面板上可能存在各种缺陷，例如破片、气泡、划伤、缺角、裂痕等，而这些存在缺陷的产品会影响其性能或降低用户体验，是不允许流入市场的。

近年来，基于深度神经网络和图像语义分割的类别、检测、分割方法逐渐用于显示面板缺陷检测领域，也越来越受到青睐。深度神经网络应用的过程包括首先获取样本，标注样本，然后用样本来训练神经网络，让神经网络学习到样本的特征，最后在训练好的神经网络上预测新的样本。图像语义分割可以对输入图像上的每个像素进行分类，可以对输出图像上从像素级别区别哪些像素是背景，哪些像素属于哪种类型的缺陷。现

有基于深度学习的目标检测和图像语义分割各有优缺点，图像语义分割相对于目标检测的优势在于：图像语义分割能输出真实的目标范围，能更好地对检出目标做下一步处理，而目标检测输出的是一个被矩形框住的范围，实际目标比矩形框要小；劣势在于：目标检测网络在输出目标的同时还能输出一个目标的置信度，而图像语义分割本质上是对每个像素进行分类，因此只能输出像素的置信度，而不能输出整个分割目标的置信度，不利于设置置信度来控制目标的输出。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种图像语义分割目标的置信度计算方法，其目的在于获取图像语义分割整个分割目标的置信度，从而更好地控制目标的输出。

为实现上述目的，按照本发明的一个方面，提供了一种图像语义分割目标的置信度计算方法，采用基于深度学习的图像语义分割模型来输出预测图，以及一张反映原图每个像素属于某个类别的概率的置信度图，计算得到整个分割目标的置信度，通过设置置信度阈值来控制分割目标的输出。

优选地，上述图像语义分割目标的置信度计算方法，具体包括如下步骤：

(1)训练阶段，采集带有缺陷的面板检测图像，按缺陷类型对图像进行类别标记；用标记的样本对图像语义分割模型进行训练；

(2)用训练好的图像语义分割模型来预测待检测的图像，模型输出预测图，再输出一张置信度图；

(3)在预测图上找出某一分割目标类别对应的联通区域，计算在上述置信度图上该联通区域对应位置的所有像素值的平均值作为相应分割目标类别的置信度；

(4)根据预先设定的置信度阈值控制置信度大于阈值的分割目标类别输出。

优选地，上述的图像语义分割目标的置信度计算方法，类别标记中采用数字来标记背景、破片、气泡、划伤、缺角、裂痕这些显示面板的缺陷。

优选地，上述的图像语义分割目标的置信度计算方法，预测图的像素值用对应的数字表示原图像上每个像素所属的类别。

优选地，上述的图像语义分割目标的置信度计算方法，将置信度值做归一化处理，从0～1归一化到0～255，生成用于表征置信度的灰度图像。

优选地，上述的图像语义分割目标的置信度计算方法，概率范围为0～1。