[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

说明书

本发明公开了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，属于机器视觉缺陷检测技术领域。本发明方法的作业流程包括训练分类器和使用分类器推理，所述训练分类器流程是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，所述使用分类器推理流程明确地检测出发生异常状况的工位，便于理解和修改分类器的规则，本发明科学合理，结合了传统图像处理技术，使用含有多个ROI的掩膜方式，将图像的单标签分类转换为多标签分类，从而显著改善了难以发现分类器判别漏洞的问题，促进了项目的实施，帮助客户快速达到缺陷检测的要求。

技术领域

本发明涉及机器视觉缺陷检测技术领域，具体为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。

背景技术

在机器视觉缺陷检测领域中，深度学习的应用是解决外表复杂产品检测难题的重要手段，而深度神经网络分类器是其中最常用、也最基础的一类深度学习应用，但在工业缺陷检测中，深度神经网络分类器也存在诸多不足之处。

首先，产品存在多个检测区域，每个区域的判别标准有差异，因此缺陷组合非常多，而现实生产过程中很难收集到全面的样本，由于没有足够且全面的训练样本，分类器往往不能得到充分学习，容易出现误判；其次，训练好的分类器很难像人一样快速地调整评判规则；且人类很难直观地评估分类器对规则的理解情况。

当一个复杂分类器给出类别判断标准之后，人类往往很难知道分类器是根据图像中的哪一部分信息作出了判断，虽然使用目标检测器可以实现对目标的检测，但那样做会将分类问题转化为目标检测问题。从而导致对图像进行标注的工作量显著增加，放弃了分类器使用方便、简单的优点。

为了解决上述的三个问题，并同时保留分类器的主要使用优点，本发明采取了结合图像匹配技术和多个感兴趣区域(ROI)的掩膜(Mask)技术，对用于机器视觉缺陷检测分类器进行改进，且在实际项目中取得了非常理想的效果。

发明内容

本发明的目的在于提供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，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：

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，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；

所述方法结合了传统图像处理技术，依靠少量缺陷样本迅速地训练出准确、高效、鲁棒的分类器，不仅减少了分类器的数量，而且方便深度神经网络学习到更多特征和相关性，加速分类器的训练收敛，并避免过拟合，有效地促进了项目落地，并帮助客户快速达到缺陷检测要求；

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；

所述训练分类器将图像的单标签分类转换为多标签分类，扩大训练样本的范围和数目，能使分类器得到充分学习，减少误判的存在，更有助于完善分类器的性能；

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；