[发明专利]基于半监督深度学习的铜箔基板表面缺陷检测方法

权利要求书

1.基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于包括下列步骤：

S1、获取铜箔基板的缺陷样本集，并对缺陷样本集中小于30％数量的缺陷样本进行标注，得到标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u；

S2、构建神经网络模型F_θ；

S3、训练神经网络模型F_θ，得到最优的模型参数θ，获取最优的神经网络模型；

S4、将采集到的铜箔基板的缺陷图像输入到训练好的神经网络中，通过神经网络自动计算出铜箔基板的缺陷类别。

2.根据权利要求1所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤S3中，在训练神经网络模型前设定迭代周期和收敛精度，在训练迭代的过程中，当迭代周期达到设定值或模型精度达到收敛精度则退出训练，得到最优的模型参数，获取最优的神经网络模型。

3.根据权利要求2所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述迭代运算过程包括：

A1、对标记过的缺陷样本集(x，y)进行数据增强，形成新的标记缺陷样本集(a_x,a_y)；

A2、对未标记过的缺陷样本集u进行数据增强，获取增强过的图像；再将图像输入神经网络模型F_θ进行运算，预测每张图像所对应的缺陷类别；

A3、重复步骤A2；

A4、将步骤A2和步骤A3中增强过的图像以及每张图像所对应的缺陷类别打乱混合在一起，形成新的未标记缺陷样本集(a_u，a_p)；

A5、对步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A3中的未标记缺陷样本集(a_u，a_p)进行混合匹配，形成新的标记缺陷样本集(x′,y′)和新的未标记缺陷样本集(u′,p′)；

A6、将标记的图像样本x′输入到神经网络F_θ进行预测，得到预测的缺陷类别F_θ(x′)；

A7、将未标记的图像样本u′输入到神经网络F_θ进行预测，得到预测的缺陷类别F_θ(u′)；

A8、计算损失函数loss；

A9、用优化器进行计算，得到更新的神经网络参数θ。

4.根据权利要求3所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤A5具体包括：

A51、将步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A3中的未标记缺陷样本集(a_u，a_p)打乱混合在一起，得到缺陷样本集(W，Q)；

A52、从缺陷样本集(W，Q)中取前n个样本组成缺陷样本集(Wx,Qx)，缺陷样本集(W，Q)中剩余的样本组成缺陷样本集(Wu,Qu)，其中n为标记缺陷样本集(a_x,a_y)中样本的个数；

A53、将标记缺陷样本集(a_x,a_y)和缺陷样本集(Wx,Qx)进行匹配计算，得到新的标记缺陷样本集(x′,y′)：

λ＝Beta(α,α)

λ′＝max(λ,1-λ)

x′＝λ′×a_x+(1-λ′)×W_x

y′＝λ′×a_y+(1-λ′)×Q_x

其中，α为超参数，Beta为Beta分布函数；

A54、将未标记缺陷样本集(a_u，a_p)和缺陷样本集(Wu,Qu)进行匹配计算，得到新的未标记缺陷样本集(u′,p′)：

λ＝Beta(α,α)

λ′＝max(λ,1-λ)

u′＝λ′×a_u+(1-λ′)×W_u

p′＝λ′×a_p+(1-λ′)×Q_u

其中，α为超参数，Beta为Beta分布函数。