[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

说明书

本发明公开了基于半监督深度学习的铜箔基板表面缺陷检测方法，包括：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；构建神经网络模型F_θ；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；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。本发明的方法只需对作为训练样本的缺陷样本集中的少量样本进行标记，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率。

技术领域

本发明涉及电子元器件表面缺陷检测领域，尤其涉及一种基于半监督深度学习的铜箔基板表面缺陷检测方法。

背景技术

铜箔基板作为电子元器件，在生产过程中会不可避免地产生一些外观缺陷，具体可以分为两类缺陷：一类是严重缺陷，这类产品需要在生产过程中被检测出来并被剔除；另一类是非严重缺陷，这类缺陷是可以接受的，不需要被剔除。传统的铜箔基板表面缺陷检测方法就是人工检测法，但是这种方式存在效率低、费时费力、易受人工主观影响等缺点。目前针对铜箔基板表面缺陷检测方法是基于监督深度学习的方法，但是这种基于监督深度学习的方法需要大量的标记数据作为训练样本，提供大量的标记数据作为训练样本不仅费时费力还降低了检测效率。

例如，中国专利文献CN110473173A公开了“一种基于深度学习语义分割的缺陷检测方法”，包括：制作物体表面缺陷训练图像集；完成表面缺陷图像的手动标注；搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型；进行深度学习语义分割缺陷检测模型的训练；基于已训练的深度学习语义分割缺陷检测模型，进行物体表面缺陷检测；得到对应输出的具有缺陷种类标签图像，获得缺陷检测结果。该专利文献公开的方法中需对表面缺陷图像进行手动标注，费时费力，易受人工主观影响。

发明内容

本发明主要解决原有的铜箔基板表面缺陷检测方法费时费力、检测效率低的技术问题；提供基于半监督深度学习的铜箔基板表面缺陷检测方法，只需对作为训练样本的缺陷样本集中的少量缺陷样本进行标记即可，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括下列步骤：

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。

对获取的铜箔基板的缺陷样本集中的少量缺陷样本进行标注，从而将整体的缺陷样本集分成标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u，结合标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u对构建的神经网络进行训练获取最优的神经网络模型，最后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，完成铜箔基板的缺陷类别检测判别，本发明的方法只需对作为训练样本的缺陷样本集中的少量样本进行标记，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率。

作为优选，所述的步骤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。