[发明专利]一种图像级标签缺省的手机屏幕缺陷检测方法

权利要求书

1.一种图像级标签缺省的手机屏幕缺陷检测方法，其特征在于，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。

2.根据权利要求1所述图像级标签缺省的手机屏幕缺陷检测方法，其特征在于，步骤1.2具体包括以下步骤：

步骤1.2.1、预测分布模拟给定的手机屏幕缺陷图像的缺陷边界框标签的概率，设每个缺陷边界框的输出概率之间独立，则手机屏幕缺陷图像的总体分布等于每个输出概率的乘积：

上式中，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；B为图像检测框，y⁽ⁱ⁾表示每一个检测框的类别；

步骤1.2.2、使用Fast-RCNN框架对预测分布进行建模；该预测分布的参数θ_p是预测网络的权值；

步骤1.2.3、将手机屏幕缺陷图像x输入Fast-RCNN框架中，将权值赋予Fast-RCNN的前向传播过程，得到预测分布的预测缺陷输出。

3.根据权利要求1所述图像级标签缺省的手机屏幕缺陷检测方法，其特征在于，步骤1.3具体包括以下步骤：

步骤1.3.1、仅从条件分布中访问一组有代表性的样本，并使用离散DISCO网络进行建模，通过引入噪声将点态深度网络设置为概率网络，表示离散结构输出空间上的概率分布；

步骤1.3.2、采用Fast-RCNN网络作为条件网络，进行概率分布处理；θ_c是条件网络的权值；在手机屏幕缺陷图像x上采用噪声滤波器z_k进行噪声滤波，构成Fast-RCNN网络的输入对(x，z_k)；对于不同的噪声滤波器z_k，使用k个不同的噪声样本，将条件网络作为分类网络，得到不同的分数函数分数函数为一个B×C的矩阵，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，z_k为噪声滤波器，θ_c是条件网络的权值；将第(i，j)个分数函数矩阵中的元素记为表示缺陷边界框i的分数属于类别j；重新定义得分函数，对于所有边界框标签y，得分函数的得分如下：

上式中，a^(j)表示每一个检测框范围的约束，y⁽ⁱ⁾表示每一个检测框的类别；使用k个不同的噪声样本生成k个不同的分数函数，然后使用分数函数采样相应的缺陷边界框标签将所有的标签都包含在其中；

步骤1.3.3、将噪声滤波器设置在距离网络输出层足够远的地方，使噪声滤波器学习到从均匀分布到输出分布的高度非线性映射。