[发明专利]一种基于正样本学习的人造板表面缺陷检测方法及系统

权利要求书

1.一种基于正样本学习的人造板表面缺陷检测方法，其特征在于，获取待检测图像，将所述图像按照预设大小进行分割为多张子图片，将多张所述子图片输入至预设缺陷检测模型中进行检测，根据多个检测值与预设值确定是否包含缺陷；

所述方法还包括在所述多张子图片输入至预设缺陷检测模型中进行检测之前还包括建立缺陷检测模型，所述建立缺陷检测模型包括建立正样本图像检测模型，具体为：

将所述多个包含产品表面的图像输入到正样本评估模型中进行评估确定图像为正样本图像或负样本图像，并将所述正样本图像建立正样本图像集，将确定后的所述的正样本图像集输入至训练模型中进行训练生成预设缺陷检测模型，将确定后的负样本图像集输入至所述预设缺陷检测模型进行模型测试，以测试所述预设缺陷检测模型是否可以检测出产品表面存在缺陷；所述预设缺陷检测模型的测试结果大于等于预设阈值。

2.根据权利要求1所述的基于正样本学习的人造板表面缺陷检测方法，其特征在于，建立正样本评估模型包括以下方法：

建立待评估模型和无标签测试集；

基于所述待评估模型对所述无标签测试集进行赋值，并获取赋值结果，根据待评估模型对无标签测试集的赋值结果，确定所述无标签测试集的AUL值；

所述无标签测试集包括正样本集以及无标签样本，所述正样本集包括观察到的正样本以及基于观察到的正样本进行扩充的扩充正样本。

3.根据权利要求2所述的基于正样本学习的人造板表面缺陷检测方法，其特征在于，基于观察到的正样本进行扩充包括以下方法：

基于图像生成目标框和检测框，基于所述目标框和所述检测框确定位置坐标，基于所述位置坐标去除重叠检测框，并保留包含目标信息的检测框；基于第一规则对目标信息进行筛选和判断确定负样本、正样本以及半正样本；将所述负样本、正样本以及半正样本数据通过损失回归函数进行检测框分类损失训练和检测框定位回归训练，进而扩充所述正样本。

4.根据权利要求3所述的基于正样本学习的人造板表面缺陷检测方法，其特征在于，将所述负样本、正样本以及半正样本数据进行处理包括对所述负样本、正样本以及半正样本进行采样获得采样集，将所述采样集进行处理，所述采样包括以下方法：

通过设定的正负样本采样比例对所述负样本、正样本以及半正样本进行采样。

5.根据权利要求3所述的基于正样本学习的人造板表面缺陷检测方法，其特征在于，所述基于所述位置坐标去除重叠检测框包括基于非极大抑制算法去除重叠检测框，包括以下方法：

在每个特征层内的检测框之间，通过执行非极大抑制算法以去除所述重叠检测框；在相邻的特征层内检测框之间，所述非极大抑制单元通过衡量检测框之间的相关性，并据此筛选与保留所述包含目标信息的检测框。

6.根据权利要求5所述的基于正样本学习的人造板表面缺陷检测方法，其特征在于，所述基于第一规则对目标信息进行筛选和判断确定负样本、正样本以及半正样本，包括基于检测框与目标框的重叠区域在目标框中所占比例进行确定，基于确定结果筛选并判定所述正样本与所述半正样本；具体包括以下方法：

确定所述检测框与所述目标框的重叠区域在目标框中所占比例即第一比例、检测框与目标框的重叠区域在检测框中所占比例即第二比例和面积比，根据第一比例、第二比例和面积比第一限定条件筛选并判定所述正样本和所半正样本。

7.根据权利要求6所述的基于正样本学习的人造板表面缺陷检测方法，其特征在于，还包括对于正样本的筛选和判定，具体包括：

对于获取的所述正样本和所述半正样本，根据第一比例、第二比例和面积比第二限定条件筛选并判定所述正样本以及半正样本；将所述半正样本和所述正样本进行特征提取，提取图像特征和向量特征，比较对应的图像特征和向量特征，基于预设的特征比例，提取半正样本中部分样本为正样本。