本申请涉及异常检测,更具体地涉及一种异常检测方法、一种异常检测系统、一种电子设备及一种存储介质。
背景技术:
1、在工业领域当中,特别是晶圆等高精尖的子领域,产品的良率要求极高。目前,常常利用缺陷数据集进行晶圆产品的异常检测。通过收集大量的缺陷数据来迭代训练检测模型,从而实现晶圆的检测。
2、然而,当晶圆的产量不足或没有大批量生产时,缺陷产品数量有限,缺陷数据集的收集难度极大,无法对检测模型进行有效地训练,从而导致检测精度极差,甚至难以自动检测出缺陷产品。
技术实现思路
1、考虑到上述问题而提出了本申请。根据本申请一个方面,提供了一种异常检测方法,包括:
2、对已获取的多个第一图像分别进行特征提取,以得到多个第一特征图,其中第一图像是无缺陷对象的图像;
3、根据多个第一特征图中对应相同像素位置的各个像素的像素值,拟合对应各个像素位置的概率分布模型;
4、对待检测图像进行特征提取,以得到第二特征图,其中第二特征图中的每个第一像素对应待检测图像中的一个区域;
5、对于每个第一像素,
6、将该第一像素的像素值与对应该第一像素所在位置的概率分布模型进行匹配,并得到匹配结果;
7、根据匹配结果,确定待检测图像中对应该第一像素的区域是否存在缺陷。
8、示例性地,对已获取的多个第一图像分别进行特征提取,包括:
9、将多个第一图像分别输入第一模型中,并由第一模型输出每个第一图像的第一特征图;
10、对待检测图像进行特征提取,包括:
11、将待检测图像输入第一模型中,并由第一模型输出第二特征图;
12、其中,第一模型是利用图像分类数据集训练好的深度学习模型。
13、示例性地,方法还包括:
14、将多个第一图像输入至利用图像分类数据集预训练好的初始模型中,并由初始模型输出多个初始特征图;
15、根据多个初始特征图中对应相同像素位置的各个第二像素的像素值,生成校准特征图,其中校准特征图中的每个像素的像素值是根据对应该像素位置的各个第二像素的像素值所确定的;
16、将多个第一图像作为训练样本,并将校准特征图作为训练目标,对初始模型进行二次训练,以得到第一模型。
17、示例性地,根据多个初始特征图中对应相同像素位置的各个第二像素的像素值,生成校准特征图,包括:
18、对于多个初始特征图中对应任一像素位置的多个第二像素,
19、根据多个第二像素的像素值,利用聚类算法将多个第二像素划分为多个簇;以及
20、将代表多个簇中的主要簇的中心位置的第二像素的像素值,作为校准特征图中对应该像素位置的像素的像素值。
21、示例性地,概率分布模型是正态分布模型,根据多个第一特征图中对应相同像素位置的各个像素的像素值,拟合对应各个像素位置的概率分布模型,包括:
22、对多个第一特征图中对应任一像素位置的多个第三像素,
23、计算多个第三像素的像素值的平均值和方差;以及
24、根据所确定的平均值和方差,拟合用于描述多个第三像素的像素值的分布情况的正态分布模型。
25、示例性地,将该第一像素的像素值与对应该第一像素所在位置的概率分布模型进行匹配,包括:
26、将该第一像素的像素值代入至对应该第一像素所在位置的正态分布模型的概率密度函数中,并得到该第一像素的像素值对应的概率密度值;
27、确定待检测图像中对应该第一像素的区域是否存在缺陷,包括:
28、判断该第一像素的像素值对应的概率密度值是否满足预设条件;以及
29、若是,则确定待检测图像中对应该第一像素的区域存在缺陷。
30、示例性地,判断该第一像素的像素值对应的概率密度值是否满足预设条件,包括:
31、判断该第一像素的像素值对应的概率密度值是否小于该第一像素对应的概率密度阈值;以及
32、若是,则确定该第一像素的像素值对应的概率密度值满足预设条件。
33、示例性地,不同的第一像素所对应的概率密度阈值不同。
34、示例性地,多个第一特征图、第二特征图和多个第一图像的尺寸均相等。
35、根据本申请的另一方面,还提供一种异常检测系统,包括:
36、第一提取模块,用于对已获取的多个第一图像分别进行特征提取,以得到多个第一特征图,其中第一图像是无缺陷对象的图像;
37、拟合模块,用于根据多个第一特征图中对应相同像素位置的各个像素的像素值,拟合对应各个像素位置的概率分布模型;
38、第二提取模块,用于对待检测图进行特征提取,以得到第二特征图,其中第二特征图中的每个第一像素对应待检测图像中的一个区域;
39、匹配模块,用于对于每个第一像素,将该第一像素的像素值与对应该第一像素所在位置的概率分布模型进行匹配,并得到匹配结果;
40、确定模块,用于根据匹配结果,确定待检测图像中对应该第一像素的区域是否存在缺陷。
41、根据本申请的另一方面,还提供一种电子设备,包括处理器和存储器,存储器中存储有计算机程序指令,计算机程序指令被处理器运行时用于执行上述异常检测方法。
42、根据本申请的另一方面,还提供一种存储介质,在存储介质上存储了程序指令,程序指令在运行时用于执行上述异常检测方法。
43、如上所述,现有技术中一些产品的缺陷数据难以收集,从而在缺陷数据较少的情况下,难以实现对产品的缺陷的有效检测。而在本申请的上述方案中,根据大量的正样本图像的特征图像中对应同一像素位置的像素的像素值,拟合对应每个像素位置的概率分布模型。并将待检测图像的特征图中各个像素的像素值与对应的概率分布模型进行匹配,根据匹配结果可以快速且准确地检测出待检测图像中的缺陷区域。这种方法可以在无需缺陷的负样本的基础上实现对缺陷的精准且快速检测,因此可以实现对各种场景下的缺陷检测。并且,由于这种检测方法执行逻辑简单,计算量也较小,从而相对于模型检测的方法实现难度更低,检测效率更高,可以检测的实时性和便捷性均较高。用户体验也更好。
44、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
1.一种异常检测方法,其特征在于,包括:
2.如权利要求1所述的异常检测方法,其特征在于,所述对已获取的多个第一图像分别进行特征提取,包括:
3.如权利要求2所述的异常检测方法,其特征在于,所述方法还包括:
4.如权利要求3所述的异常检测方法,其特征在于,所述根据所述多个初始特征图中对应相同像素位置的各个第二像素的像素值,生成校准特征图,包括:
5.如权利要求1至4任一项所述的异常检测方法,其特征在于,所述概率分布模型是正态分布模型,所述根据所述多个第一特征图中对应相同像素位置的各个像素的像素值,拟合对应各个像素位置的概率分布模型,包括:
6.如权利要求5所述的异常检测方法,其特征在于,所述将该第一像素的像素值与对应该第一像素所在位置的概率分布模型进行匹配,包括:
7.如权利要求6所述的异常检测方法,其特征在于,所述判断该第一像素的像素值对应的概率密度值是否满足预设条件,包括:
8.如权利要求7所述的异常检测方法,其特征在于,不同的第一像素所对应的概率密度阈值不同。
9.如权利要求1至4任一项所述的异常检测方法,其特征在于,所述多个第一特征图、所述第二特征图和所述多个第一图像的尺寸均相等。
10.一种异常检测系统,其特征在于,
11.一种电子设备,包括处理器和存储器,其特征在于,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行如权利要求1至9任一项所述的异常检测方法。
12.一种存储介质,在所述存储介质上存储了程序指令,其特征在于,所述程序指令在运行时用于执行如权利要求1至9任一项所述的异常检测方法。