[发明专利]一种图像级标签缺省的手机屏幕缺陷检测方法

说明书

本发明涉及一种图像级标签缺省的手机屏幕缺陷检测方法，包括步骤：搭建概率模型，分别构建预测分布模型和条件分布模型；定义目标检测损失函数来建立学习模型；使用坐标下降优化策略进行学习模型优化；通过迭代来修正预测网络，并对条件网络进行学习。本发明的有益效果是：本发明提出的图像级标签缺省的手机屏幕缺陷检测方法，使用基于弱监督的机器学习方法，搭建了一种端到端的概率检测模型，应用离散DISCO网络进行模型实现，可以在手机屏幕缺陷的图像级标签缺省现实场景下，进行自动且高效的缺陷检测；在工业应用上具有重大应用价值，可以节约企业生产成本，并保护消费者权益。

技术领域

本发明涉及缺陷检测技术领域，尤其涉及一种图像级标签缺省的手机屏幕缺陷检测方法。

背景技术

随着计算机技术、通信技术以及互联网技术的高速发展，手机在人们生产生活中所扮演的角色越来越重要。随着手机功能的不断增多，手机屏幕能够展示各种各样复杂的图像，各大手机生厂商对手机屏幕的生产工艺越来越苛刻。但是，手机屏幕在生产的过程中，又极容易受到生产环境和生产工艺的影响。为了防止装有缺陷屏幕的手机流入市场，在手机屏幕出厂前，对手机屏幕的质量进行检测是必需的过程。传统的检测手段是在生产线上安排工人值守，工人对生产线上的屏幕用肉眼逐一进行检测。但是这种手段存在检测效率慢、人工成本高、缺乏统一的判断标准等缺点。

近年来，随着机器学习、深度学习在计算机视觉、模式识别等领域大放异彩，对于手机屏幕的缺陷检测又提供了另外的强有力的方法。目标检测要求在给定的图像中定位所要提取的对象类别的所有实例，基于卷积神经网络(CNN)的检测框架在速度和精度方面取得了显著进展。然而，大多数现有的目标检测方法都需要一个强监督的数据集，即每个图像中的所有目标实例都需要标注出来，这需要高昂的标注成本，对于应用落地不友好。尤其在手机屏幕缺陷检测方面，图像级的标签缺省是更为常见的问题。

发明内容

本发明的目的是克服现有技术中的不足，提供一种图像级标签缺省的手机屏幕缺陷检测方法。

这种图像级标签缺省的手机屏幕缺陷检测方法，包括以下步骤：

步骤1、搭建概率模型，分别构建预测分布模型和条件分布模型；

步骤1.1、定义预测分布和条件分布；

预测分布为：Pr_p(y|x；θ_p)，其中x为输入的手机屏幕缺陷图像，y为缺陷边界框标签的类别，θ_p是预测分布的参数值；Pr_p(y|x；θ_p)表示对每一张输入的手机屏幕缺陷图像x，预测缺陷标签的概率；

条件分布为：Pr_c(y|x，a；θ_c)，其中x为输入的手机屏幕缺陷图像，y为缺陷边界框标签的类别，a为图像级的标注，θ_c是条件分布的参数值；Pr_c(y|x，a；θ_c)表示每一张输入的手机屏幕缺陷图像x，预测其缺陷标签类别的概率以及图像级的标注a；

步骤1.2、使用链式法则构建预测分布模型；

步骤1.3、构建条件分布模型；对于一张手机屏幕缺陷图像x，给定B个缺陷边界框标签和图像级标注a，条件分布Pr_c(y|x，a；θ_c)在标注a的约束下，对边界框标签y的概率进行建模；

步骤2、定义目标检测损失函数来建立学习模型；

步骤3、使用坐标下降优化策略进行学习模型优化；通过迭代来修正预测网络，并对条件网络进行学习。

作为优选，步骤1.2具体包括以下步骤：