[发明专利]一种用于机器视觉缺陷检测的神经网络分类器的使用方法

权利要求书

1.一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述方法包括两个步骤：

步骤S101：训练分类器，对缺陷样品的图像进行处理，改进原有的分类方式，使多个ROI图像一起参与训练，形成一个更加准确高效的分类器，ROI为图像处理领域内自主选定的感兴趣区域，转步骤S102；

步骤S102:使用分类器进行推理，通过上述步骤得到的分类器做缺陷检测，根据检测结果明确得出发生异常状况的工位。

2.根据权利要求1所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述训练分类器步骤如下：

步骤S201：样本预处理，用于对缺陷样品形成的图像进行预处理，使其标准化，转步骤S202；

步骤S202：分类问题变化，用于将单标签分类问题转化为多标签分类问题。

3.根据权利要求2所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述样本预处理流程包括以下步骤：

步骤S301：图像匹配，从图库中抽取每张图像的特征，统计核对之后对特征相似的图像进行匹配合并，转步骤S302；

步骤S302：图像对齐，对完成匹配的图像实施图像对齐方法，扭曲旋转其中一张，与其余图像形成对齐，转步骤S303；

步骤S303：人工设置掩膜，对选定的图像进行全部或局部的遮挡，来控制图像预处理的区域和过程，在设置掩膜时引入人工的判断标准，将掩膜分成多个感兴趣区域，转步骤S304；

步骤S304：ROI编号，对每个感兴趣区域进行编号，转步骤S305；

步骤S305：ROI标注，根据人工缺陷检测的判定标准对每个感兴趣区域内部的图像进行标注；

在对分类器中的样本进行预处理时，流程依次经过步骤S301到步骤S305。

4.根据权利要求3所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述图像对齐方法步骤如下：

步骤S401：检测图像A和图像B的ORB特征点，转步骤S402；

步骤S402：对得到的特征点进行匹配度排列，保留最匹配的一部分，转步骤S403；

步骤S403：使用随机抽样一致算法在存在大量匹配错误的情况下计算单应性矩阵，转步骤S404；

步骤S404：利用精确的单应性矩阵来将图像A的所有像素映射到图像B中，参照映射结果，实现图像的扭转。

5.根据权利要求2所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述分类问题变化流程是将单标签分类问题转变成多标签分类问题，原本每张图像都只对应一个标签，分别为Y1，Y2和Y3，转换为每张图像对应的两个标签，在每张图像中引入含有两个感兴趣区域的掩膜后，单标签变为多标签，分别为Y1-1，Y1-2，Y2-1，Y2-2，Y3-1和Y3-2。

6.根据权利要求5所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述单标签分类转多标签分类方法如果不考虑标签之间的关联性，则可将多标签中的每一个标签当做单标签，对每一个标签实施分类算法，如果考虑标签之间的关联性，则在训练分类器的过程中运用分类器链的思想，将上一个输出的标签当成下一个标签分类器的输入。

7.根据权利要求1所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述分类器进行推理的步骤如下：

步骤S501：图像匹配，从图库中抽取每张图像的特征，统计核对之后对特征相似的图像进行匹配合并，转步骤S502；

步骤S502：图像对齐，对完成匹配的图像实施图像对齐方法，扭曲旋转其中一张，与其余图像形成对齐，转步骤S503；

步骤S503：mask操作，对选定的图像进行全部或局部的遮挡来控制图像处理的区域或处理过程，转步骤S504；

步骤S504：前向推理，图像在分类器中进行前向推理，得到多标签的分类结果，转步骤S505；

步骤S505：结果融合，根据需求对多标签结果进行融合。

8.根据权利要求7所述的一种用于机器视觉缺陷检测的神经网络分类器的使用方法，其特征在于：所述前向推理是数据驱动的方法，在推理平台的硬件设备上创建推理实例和推理引擎，通过向推理引擎中输入数据，对目标神经网络分类器中的图像进行前向推理，通过推理结果掌握到检测目标的缺陷位置。