[发明专利]缺陷检测方法、装置、电子设备以及存储介质

权利要求书

1.一种缺陷检测方法，其特征在于，包括：

对训练样本上的缺陷进行标记，得到包含有标记位置信息和类别信息的标签；

根据所述缺陷的标记位置信息确定所述缺陷在所述训练样本上的目标位置信息，并根据所述缺陷的目标位置信息截取缺陷图像；

采用所述缺陷图像和所述缺陷的类别信息，并利用误差反向传播算法，训练分类神经网络；

将测试样本的缺陷图像输入到训练后的所述分类神经网络中，以输出所述测试样本上的缺陷的类别信息；

其中，根据所述缺陷的标记位置信息确定所述缺陷在所述训练样本上的目标位置信息，具体包括：采用基于神经网络的异常检测方法，得到所述缺陷的特征图像；采用所述缺陷的特征图像和所述缺陷的标记位置信息，并利用误差反向传播算法，训练位置归一化神经网络；以及，将所述缺陷的特征图像输入到训练后的所述位置归一化神经网络中，以输出所述缺陷在所述训练样本上的目标位置信息；

采用基于神经网络的异常检测方法，得到所述缺陷的特征图像，包括：将没有缺陷的背景图像输入到异常检测神经网络中，以训练所述异常检测神经网络；将所述训练样本输入到训练后的所述异常检测神经网络中，以输出所述缺陷的特征图像；

根据所述缺陷的目标位置信息截取缺陷图像，具体包括：根据所述缺陷的目标位置信息，从所述缺陷的特征图像上截取缺陷图像。

2.根据权利要求1所述的缺陷检测方法，其特征在于，采用所述缺陷的特征图像和所述缺陷的标记位置信息，并利用误差反向传播算法，训练位置归一化神经网络，包括：

将所述缺陷的特征图像输入到位置归一化神经网络中，输出所述缺陷的估计位置信息；

根据所述缺陷的标记位置信息与估计位置信息计算损失函数；

通过计算所述损失函数的最小值，获得隐藏层的最优参数，根据所述最优参数优化所述位置归一化神经网络中的隐藏层，从而训练所述位置归一化神经网络。

3.根据权利要求1所述的缺陷检测方法，其特征在于，将测试样本的缺陷图像输入到训练后的所述分类神经网络中，以输出所述测试样本上的缺陷的类别之前，还包括：

将测试样本输入到训练后的所述异常检测神经网络中，以输出所述测试样本上的缺陷的特征图像；

将所述测试样本上的缺陷的特征图像输入到训练后的所述位置归一化神经网络中，以输出所述测试样本上的缺陷的目标位置信息；

根据所述测试样本上的缺陷的目标位置信息，从所述测试样本上截取缺陷图像或者从所述测试样本上的缺陷的特征图像上截取缺陷图像。

4.一种缺陷检测装置，其特征在于，包括：

标记模块，被配置为对训练样本上的缺陷进行标记，得到包含有标记位置信息和类别信息的标签；

截取模块，被配置为根据所述缺陷的标记位置信息确定所述缺陷在所述训练样本上的目标位置信息，根据所述缺陷的目标位置信息截取缺陷图像；

训练模块，被配置为采用所述缺陷图像和所述缺陷的类别信息训练分类神经网络；

检测模块，被配置为将测试样本的缺陷图像输入到训练后的所述分类神经网络中，以输出所述测试样本上的缺陷的类别信息；

其中，所述截取模块还被配置为：采用基于神经网络的异常检测方法，得到所述缺陷的特征图像；采用所述缺陷的特征图像和所述缺陷的标记位置信息，并利用误差反向传播算法，训练位置归一化神经网络；将所述缺陷的特征图像输入到训练后的所述位置归一化神经网络中，以输出所述缺陷在所述训练样本上的目标位置信息；

所述截取模块还被配置为：将没有缺陷的背景图像输入到异常检测神经网络中，以训练所述异常检测神经网络；将所述训练样本输入到训练后的所述异常检测神经网络中，以输出所述缺陷的特征图像；

所述截取模块还被配置为：根据所述缺陷的目标位置信息，从所述缺陷的特征图像上截取缺陷图像。

5.根据权利要求4所述的缺陷检测装置，其特征在于，所述截取模块还被配置为：

将所述缺陷的特征图像输入到位置归一化神经网络中，输出所述缺陷的估计位置信息；

根据所述缺陷的标记位置信息与估计位置信息计算损失函数；

通过计算所述损失函数的最小值，获得隐藏层的最优参数，根据所述最优参数优化所述位置归一化神经网络中的隐藏层，从而训练所述位置归一化神经网络。