缺陷样本分类方法、装置、设备及可读存储介质与流程

本发明涉及图像检测，尤其涉及一种缺陷样本分类方法、装置、设备及可读存储介质。

背景技术：

1、随着深度学习技术的发展，越来越多的视觉检测任务中都开始使用深度学习的方法来进行缺陷的检测。例如，通过训练深度学习分类模型从而实现缺陷检测。其中，训练深度学习分类模型需要已经过分类的训练样本，如何基于海量的样本得到用于训练深度学习分类模型的训练样本是亟待解决的问题。

技术实现思路

1、为解决上述技术问题，本发明提供一种缺陷样本分类方法、装置、设备及可读存储介质。

2、第一方面，本发明提供一种缺陷样本分类方法，所述缺陷样本分类方法包括：

3、从缺陷样本组中筛选每个缺陷类别对应的ni个标准样本，ni为第i个缺陷类别对应的标准样本的个数，ni为大于或等于1的正整数；

4、针对每个缺陷类别，对其对应的ni个标准样本进行特征提取，得到缺陷类别特征；

5、对缺陷样本组中每个待分类缺陷样本进行特征提取，得到每个待分类缺陷样本的样本特征；

6、针对缺陷样本组中的每个待分类缺陷样本，计算其样本特征与各个缺陷类别特征的相似度，并根据相似度进行分类。

7、可选的，所述针对缺陷样本组中的每个待分类缺陷样本，计算其样本特征与各个缺陷类别特征的相似度的步骤包括：

8、针对缺陷样本组中的每个待分类缺陷样本，通过距离算法计算其样本特征与各个缺陷类别特征的距离。

9、可选的，所述根据相似度进行分类的步骤包括：

10、从样本特征与各个缺陷类别特征的距离中选取最小距离；

11、以最小距离对应的缺陷类别作为分类结果。

12、可选的，所述根据相似度进行分类的步骤包括：

13、从样本特征与各个缺陷类别特征的距离中选取最小距离；

14、检测最小距离是否小于或等于预设距离；

15、若最小距离小于或等于预设距离，则以最小距离对应的缺陷类别作为分类结果：

16、若最小距离大于预设距离，则在收到人工反馈结果时，以人工反馈结果作为分类结果。

17、可选的，对标准样本进行特征提取以及对待分类缺陷样本进行特征提取采用同一个特征提取模型。

18、可选的，在所述从缺陷样本组中筛选每个缺陷类别对应的ni个标准样本的步骤之前，还包括：

19、通过异常检测模型确定样本组中的各个样本的异常概率值；

20、以异常概率值最大的m个样本组成缺陷样本组。

21、可选的，所述ni小于或等于10。

22、第二方面，本发明还提供一种缺陷样本分类装置，所述缺陷样本分类装置包括：

23、筛选模块，用于从缺陷样本组中筛选每个缺陷类别对应的ni个标准样本，ni为第i个缺陷类别对应的标准样本的个数，ni为大于或等于1的正整数；

24、提取模块，用于针对每个缺陷类别，对其对应的ni个标准样本进行特征提取，得到缺陷类别特征；

25、提取模块，还用于对缺陷样本组中每个待分类缺陷样本进行特征提取，得到每个待分类缺陷样本的样本特征；

26、分类模块，用于针对缺陷样本组中的每个待分类缺陷样本，计算其样本特征与各个缺陷类别特征的相似度，并根据相似度进行分类。

27、第三方面，本发明还提供一种缺陷样本分类设备，所述缺陷样本分类设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的缺陷样本分类程序，其中所述缺陷样本分类程序被所述处理器执行时，实现如上所述的缺陷样本分类方法的步骤。

28、第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有缺陷样本分类程序，其中所述缺陷样本分类程序被处理器执行时，实现如上所述的缺陷样本分类方法的步骤。

29、本发明中，从缺陷样本组中筛选每个缺陷类别对应的ni个标准样本，ni为第i个缺陷类别对应的标准样本的个数，ni为大于或等于1的正整数；针对每个缺陷类别，对其对应的ni个标准样本进行特征提取，得到缺陷类别特征；对缺陷样本组中每个待分类缺陷样本进行特征提取，得到每个待分类缺陷样本的样本特征；针对缺陷样本组中的每个待分类缺陷样本，计算其样本特征与各个缺陷类别特征的相似度，并根据相似度进行分类。通过本发明，确定每个缺陷类别对应的缺陷类别特征，并以此为基础确定每个待分类缺陷样本的样本特征与每个缺陷类别的相似度，从而根据相似度对每个待分类缺陷样本进行分类，大大减少了人工工作量；且本发明无需进行模型训练，从而不需要依赖gpu资源，大大降低了实施成本。

技术特征：

1.一种缺陷样本分类方法，其特征在于，所述缺陷样本分类方法包括：

2.如权利要求1所述的缺陷样本分类方法，其特征在于，所述针对缺陷样本组中的每个待分类缺陷样本，计算其样本特征与各个缺陷类别特征的相似度的步骤包括：

3.如权利要求2所述的缺陷样本分类方法，其特征在于，所述根据相似度进行分类的步骤包括：

4.如权利要求2所述的缺陷样本分类方法，其特征在于，所述根据相似度进行分类的步骤包括：

5.如权利要求1所述的缺陷样本分类方法，其特征在于，对标准样本进行特征提取以及对待分类缺陷样本进行特征提取采用同一个特征提取模型。

6.如权利要求1至5中任一项所述的缺陷样本分类方法，其特征在于，在所述从缺陷样本组中筛选每个缺陷类别对应的ni个标准样本的步骤之前，还包括：

7.如权利要求1至5中任一项所述的缺陷样本分类方法，其特征在于，所述ni小于或等于10。

8.一种缺陷样本分类装置，其特征在于，所述缺陷样本分类装置包括：

9.一种缺陷样本分类设备，其特征在于，所述缺陷样本分类设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的缺陷样本分类程序，其中所述缺陷样本分类程序被所述处理器执行时，实现如权利要求1至7中任一项所述的缺陷样本分类方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有缺陷样本分类程序，其中所述缺陷样本分类程序被处理器执行时，实现如权利要求1至7中任一项所述的缺陷样本分类方法的步骤。

技术总结
本发明提供一种缺陷样本分类方法、装置、设备及可读存储介质。该方法包括：从缺陷样本组中筛选每个缺陷类别对应的N<subgt;i</subgt;个标准样本，N<subgt;i</subgt;为第i个缺陷类别对应的标准样本的个数，N<subgt;i</subgt;为大于或等于1的正整数；针对每个缺陷类别，对其对应的N<subgt;i</subgt;个标准样本进行特征提取，得到缺陷类别特征；对缺陷样本组中每个待分类缺陷样本进行特征提取，得到每个待分类缺陷样本的样本特征；针对缺陷样本组中的每个待分类缺陷样本，计算其样本特征与各个缺陷类别特征的相似度，并根据相似度进行分类。通过本发明，大大减少了对缺陷样本进行分类的人工工作量；且无需进行模型训练，从而不需要依赖GPU资源，大大降低了实施成本。

技术研发人员：张胜森,纪伟
受保护的技术使用者：武汉精立电子技术有限公司
技术研发日：
技术公布日：2024/8/13