[发明专利]缺陷样本筛选方法、装置及设备

说明书

本发明提供一种缺陷样本筛选方法、装置及设备。该方法包括：将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；将多张样本图片输入训练完成的师‑生模型，得到师‑生模型输出的每张样本图片的特征差异图，其中，样本图片的特征差异图基于师‑生模型中teacher网络输出的样本图片的特征图以及student网络输出的样本图片的特征图得到；计算每张特征差异图的分值；基于所述分值，从多张样本图片中确定疑似缺陷样本图片。通过本发明，自动筛选出疑似缺陷样本图片，使得相关人员可从数量较少的疑似缺陷样本图片中挑选缺陷样本图片，由于大大缩减了挑选范围，从而提高了挑选效率且降低了时间成本以及人工成本。

技术领域

本发明涉及图像检测技术领域，尤其涉及一种缺陷样本筛选方法、装置及设备。

背景技术

对于工业缺陷检测，不管是采用传统的特征滤波和阈值分割的方法，还是近几年非常流行的深度学习的方法，都需要挑选出有效的缺陷样本进行分析。但是工业缺陷检测的领域，一般良率都很高，在90％以上，甚至有些场景在99％以上。因此我们通过光学AOI检测得到的图像大部分都是没有缺陷，或者缺陷不够判定为NG的正常样本。因此，缺陷样本的挑选非常繁琐，需要耗费大量的人力成本和时间成本。如何快速的从海量的样本中挑选出存在缺陷的样本是亟待解决的问题。

发明内容

本发明的主要目的在于提供一种缺陷样本筛选方法、装置及设备，旨在解决现有技术中缺陷样本的挑选非常繁琐，需要耗费大量的人力成本和时间成本的技术问题。

第一方面，本发明提供一种缺陷样本筛选方法，所述缺陷样本筛选方法包括：

将图片切割成多张预设尺寸的子图片，其中，每张子图片为一张样本图片；

将多张样本图片输入训练完成的teacher-student模型，得到teacher-student模型输出的每张样本图片的特征差异图，其中，样本图片的特征差异图基于teacher-student模型中teacher网络输出的样本图片的特征图以及student网络输出的样本图片的特征图得到；

计算每张特征差异图的分值；

基于所述分值，从多张样本图片中确定疑似缺陷样本图片。

可选的，在所述将多张样本图片输入训练完成的teacher-student模型之前，还包括：

基于预设图片数据集对待训练teacher网络进行训练，得到训练完成的teacher网络；

以训练完成的teacher网络为基准，基于无缺陷样本图片集对待训练student网络进行蒸馏学习，得到训练完成的student网络；

组合训练完成的teacher网络以及训练完成的student网络，得到训练完成的teacher-student模型。

可选的，所述计算每张特征差异图的分值的步骤包括：

以每张特征差异图上的最大值为每张特征差异图的分值。

可选的，所述计算每张特征差异图的分值的步骤包括：

计算每张特征差异图上所有数值的标准差σ以及平均值μ，以μ+2σ的值为每张特征差异图的分值。

可选的，所述计算每张特征差异图的分值的步骤包括：

从每张特征差异图上所有数值中选取第一预设比例最大值，以第一预设比例最大值的平均值为每张特征差异图的分值。

可选的，所述基于所述分值，从多张样本图片中确定疑似缺陷样本图片的步骤包括：

基于每张样本图片对应的分值对多张样本图片进行排序，其中，分值越大排序越后；