训练缺陷侦测器的方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113850749A(43)申请公布日2021.12.28(21)申请号202010517963.4(22)申请日2020.06.09(71)申请人英业达科技有限公司地址201112上海市闵行区浦星路789号申请人英业达股份有限公司(72)发明人陈怡君陈佩君陈文柏陈维超(74)专利代理机构上海思微知识产权代理事务所(普通合伙)31237代理人周耀君(51)Int.Cl.G06T7/00(2017.01)G06T5/00(2006.01)G06K9/32(2006.01)权利要求书2页说明书6页附图3页(54)发明名称训练缺陷侦测器的方法(57)摘要本发明涉及一种训练缺陷侦测器的方法包括：取得第一参考物体的第一参考图像，其中第一参考物体具有缺陷，且第一参考图像具有用以标示缺陷的第一标记，依据第二参考物体的第二参考图像训练重建模型，其中第二参考物体的缺陷程度落于具有上限值的可容许范围内，且第二参考物体关联于第一参考物体，取得目标物体的目标图像，目标物体关联于第一参考物体及第二参考物体，依据目标图像、重建模型及误差计算程序产生第二标记，第二标记包含目标物体的缺陷，以及依据第一参考图像、目标图像及第二标记执行机器学习算法以训练缺陷侦测器。CN113850749ACN113850749A权利要求书1/2页1.一种训练缺陷侦测器的方法，其特征在于，包括：取得第一参考物体的第一参考图像，其中该第一参考物体具有缺陷，且该第一参考图像具有用以标示该缺陷的第一标记；依据第二参考物体的第二参考图像训练重建模型，其中该第二参考物体的缺陷程度落于具有上限值的可容许范围内，且该第二参考物体关联于该第一参考物体及该第二参考物体；取得目标物体的目标图像，该目标物体关联于该第一参考物体；依据该目标图像、该重建模型及误差计算程序产生第二标记，该第二标记包含该目标物体的缺陷；以及依据该第一参考图像、该目标图像及该第二标记执行机器学习算法以训练缺陷侦测器。2.根据权利要求1所述的训练缺陷侦测器的方法，其特征在于，在依据该第一参考图像、该目标图像及该第二标记执行该机器学习算法以训练该缺陷侦测器之前，还包括：依据该第一参考图像及该第一标记训练神经网络模型，该神经网络模型包括优化网络；以及以该优化网络依据该目标图像选择性地移除该第二标记。3.根据权利要求2所述的训练缺陷侦测器的方法，其特征在于，该神经网络模型是FasterR-CNN，且该优化网络是该神经网络模型的分类器。4.根据权利要求1所述的训练缺陷侦测器的方法，其特征在于，该误差计算程序包括第一差异算法及第二差异算法，且依据该目标图像、该重建模型及该误差计算程序产生该第二标记包括：依据该目标图像及该重建模型产生重建图像；依据该目标图像及该重建图像分别执行该第一差异算法及该第二差异算法以分别产生第一差异图像及第二差异图像；以及依据该第一差异图像及该第二差异图像执行像素尺度运算以产生该第二标记。5.根据权利要求4所述训练缺陷侦测器的方法，其特征在于，该第一差异算法包括：依据该目标图像及神经网络模型产生第一特征图；依据该重建图像及该神经网络模型产生第二特征图；以及计算该第一特征图及该第二特征图之间的差异度，其中该第一差异图像中包含该差异度。6.根据权利要求4所述训练缺陷侦测器的方法，其特征在于，该第二差异算法包括：依据该重建图像及该目标图像的每一像素计算相对误差值。7.根据权利要求4所述的训练缺陷侦测器的方法，其特征在于，该像素尺度运算是位元乘法。8.根据权利要求1所述的训练缺陷侦测器的方法，其特征在于，在依据该第一参考图像、该第一标记、该目标图像及该第二标记执行该机器学习算法以产生该缺陷侦测器之后，还包括：取得待测图像，该待测图像为待测物体的图像，该待测物体关联于该第一参考物体；以该缺陷侦测器从该待测图像中选取边界框及输出关联于该边界框的特征参数，其中2CN113850749A权利要求书2/2页该边界框中包含该待测物体的缺陷；以及依据该边界框及该特征参数执行分类判定算法以决定该待测物体是否符合规格。9.一种训练缺陷侦测器的方法，其特征在于，包括：取得第一参考物体的第一参考图像，其中该第一参考物体具有缺陷，且该第一参考图像具有用以标示该缺陷的第一标记；依据该第一参考图像及该第一标记执行机器学习算法以训练缺陷侦测器；依据第二参考物体的第二参考图像训练重建模型，其中该第二参考物体的缺陷程度落于具有上限值的可容许范围内，且该第二参考物体关联于该第一参考物体及该第二参考物体；取得目标物体的目标图像，该目标物体关联于该第一参考物体；依据该目标图像、该重建模型及误差计算程序产生第二标记，该第二标记包含该目标物体的缺陷；以及依据该目标图像及该第二标记执行该机器