CN111489326A - 基于半监督深度学习的铜箔基板表面缺陷检测方法 - Google Patents
基于半监督深度学习的铜箔基板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN111489326A CN111489326A CN202010033380.4A CN202010033380A CN111489326A CN 111489326 A CN111489326 A CN 111489326A CN 202010033380 A CN202010033380 A CN 202010033380A CN 111489326 A CN111489326 A CN 111489326A
- Authority
- CN
- China
- Prior art keywords
- defect
- sample set
- neural network
- defect sample
- copper foil
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 178
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 title claims abstract description 33
- 239000011889 copper foil Substances 0.000 title claims abstract description 29
- 239000000758 substrate Substances 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 239000010754 BS 2869 Class F Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 229910052802 copper Inorganic materials 0.000 description 4
- 239000010949 copper Substances 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于半监督深度学习的铜箔基板表面缺陷检测方法，包括：获取铜箔基板的缺陷样本集，并对缺陷样本集中小于30％数量的缺陷样本进行标注，得到标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u；构建神经网络模型Fθ；训练神经网络模型Fθ，得到最优的模型参数θ，获取最优的神经网络模型；将采集到的铜箔基板的缺陷图像输入到训练好的神经网络中，通过神经网络自动计算出铜箔基板的缺陷类别。本发明的方法只需对作为训练样本的缺陷样本集中的少量样本进行标记，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率。
Description
技术领域
本发明涉及电子元器件表面缺陷检测领域，尤其涉及一种基于半监督深度学习的铜箔基板表面缺陷检测方法。
背景技术
铜箔基板作为电子元器件，在生产过程中会不可避免地产生一些外观缺陷，具体可以分为两类缺陷：一类是严重缺陷，这类产品需要在生产过程中被检测出来并被剔除；另一类是非严重缺陷，这类缺陷是可以接受的，不需要被剔除。传统的铜箔基板表面缺陷检测方法就是人工检测法，但是这种方式存在效率低、费时费力、易受人工主观影响等缺点。目前针对铜箔基板表面缺陷检测方法是基于监督深度学习的方法，但是这种基于监督深度学习的方法需要大量的标记数据作为训练样本，提供大量的标记数据作为训练样本不仅费时费力还降低了检测效率。
例如，中国专利文献CN110473173A公开了“一种基于深度学习语义分割的缺陷检测方法”，包括：制作物体表面缺陷训练图像集；完成表面缺陷图像的手动标注；搭建应用于物体表面缺陷检测的深度学习语义分割缺陷检测模型；进行深度学习语义分割缺陷检测模型的训练；基于已训练的深度学习语义分割缺陷检测模型，进行物体表面缺陷检测；得到对应输出的具有缺陷种类标签图像，获得缺陷检测结果。该专利文献公开的方法中需对表面缺陷图像进行手动标注，费时费力，易受人工主观影响。
发明内容
本发明主要解决原有的铜箔基板表面缺陷检测方法费时费力、检测效率低的技术问题；提供基于半监督深度学习的铜箔基板表面缺陷检测方法，只需对作为训练样本的缺陷样本集中的少量缺陷样本进行标记即可，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率。
本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括下列步骤：
S1、获取铜箔基板的缺陷样本集，并对缺陷样本集中小于30％数量的缺陷样本进行标注，得到标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u；
S2、构建神经网络模型Fθ；
S3、训练神经网络模型Fθ，得到最优的模型参数θ，获取最优的神经网络模型；
S4、将采集到的铜箔基板的缺陷图像输入到训练好的神经网络中，通过神经网络自动计算出铜箔基板的缺陷类别。
对获取的铜箔基板的缺陷样本集中的少量缺陷样本进行标注，从而将整体的缺陷样本集分成标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u，结合标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u对构建的神经网络进行训练获取最优的神经网络模型，最后将采集到的铜箔基板的缺陷图像输入到训练好的神经网络中，通过神经网络自动计算出铜箔基板的缺陷类别，完成铜箔基板的缺陷类别检测判别，本发明的方法只需对作为训练样本的缺陷样本集中的少量样本进行标记，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率。
作为优选，所述的步骤S3中，在训练神经网络模型前设定迭代周期和收敛精度，在训练迭代的过程中，当迭代周期达到设定值或模型精度达到收敛精度则退出训练，得到最优的模型参数，获取最优的神经网络模型。
在训练神经网络模型的过程中，当迭代周期达到设定值或模型精度达到收敛精度则退出训练，对训练过程进行限定，在保证得到最优神经网络模型的前提下缩短训练过程，减少了检测时间。
作为优选，所述的迭代运算过程包括：
A1、对标记过的缺陷样本集(x，y)进行数据增强，形成新的标记缺陷样本集(a_x,a_y)；
A2、对未标记过的缺陷样本集u进行数据增强，获取增强过的图像；再将图像输入神经网络模型Fθ进行运算，预测每张图像所对应的缺陷类别；
A3、重复步骤A2；
A4、将步骤A2和步骤A3中增强过的图像以及每张图像所对应的缺陷类别打乱混合在一起，形成新的未标记缺陷样本集(a_u，a_p)；
A5、对步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A4中的未标记缺陷样本集(a_u，a_p)进行混合匹配，形成新的标记缺陷样本集(x′,y′)和新的未标记缺陷样本集(u′,p′)；
A6、将标记的图像样本x′输入到神经网络Fθ进行预测，得到预测的缺陷类别Fθ(x＇)；
A7、将未标记的图像样本u′输入到神经网络Fθ进行预测，得到预测的缺陷类别Fθ(u＇)；
A8、计算损失函数loss；
A9、用优化器进行计算，得到更新的神经网络参数θ。
通过对标记缺陷样本集(a_x,a_y)和未标记缺陷样本集(a_u，a_p)的混合匹配以及损失函数loss和优化器的加权对神经网络参数θ进行优化，即对神经网络模型进行优化，提高了检测的准确性。
作为优选，所述的步骤A5具体包括：
A51、将步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A4中的未标记缺陷样本集(a_u，a_p)打乱混合在一起，得到缺陷样本集(W，Q)；
A52、从缺陷样本集(W，Q)中取前n个样本组成缺陷样本集(Wx,Qx)，缺陷样本集(W，Q)中剩余的样本组成缺陷样本集(Wu,Qu)，其中n为标记缺陷样本集(a_x,a_y)中样本的个数；
A53、将标记缺陷样本集(a_x,a_y)和缺陷样本集(Wx,Qx)进行匹配计算，得到新的标记缺陷样本集(x′,y′)：
λ＝Beta(α,α)
λ＇＝max(λ,1-λ)
x＇＝λ＇×a_x+(1-λ＇)×Wx
y＇＝λ＇×a_y+(1-λ′)×Qx
其中，α为超参数，Beta为Beta分布函数；
A54、将未标记缺陷样本集(a_u，a_p)和缺陷样本集(Wu,Qu)进行匹配计算，得到新的未标记缺陷样本集(u′,p′)：
λ＝Beta(α,α)
λ′＝max(λ,1-λ)
u′＝λ′×a_u+(1-λ′)×Wu
p′＝λ′×a_p+(1-λ′)×Qu
其中，α为超参数，Beta为Beta分布函数。
作为优选，所述的步骤A8具体包括：
A81、计算标记样本集中的缺陷类别y′和预测的缺陷类别Fθ(x′)之间的交叉熵损失函数，得到监督损失函数LS：
A82、计算未标记样本集中的缺陷类别p′和预测的缺陷类别Fθ(u′)之间的均方误差LMSE：
A83、计算未标记样本集中的缺陷类别p′和预测的缺陷类别Fθ(u′)之间的LK散度LKL：
A84、计算无监督损失函数LU：
λ1＝Beta(α,α)
λ1′＝max(λ1,1-λ1)
LU＝λ1′LMSE+(1-λ1′)LKL
其中，α为超参数，Beta为Beta分布函数；
A85、计算损失函数loss：
λ2＝Beta(α,α)
loss＝LS+λ2LU
其中，α为超参数，Beta为Beta分布函数。
作为优选，所述的步骤A1和步骤A2中的数据增强技术为水平翻转技术。
采用数据增强技术扩大了缺陷样本集中的样本数量，避免了实际应用过程中样本数量少从而导致神经网络模型的训练结果无法达到最优的问题，保障了检测结果的准确性。
作为优选，所述的步骤S2中的神经网络模型Fθ为基于残差模块构建的43层卷积神经网络模型。
神经网络模型Fθ为基于残差模块构建的43层卷积神经网络模型，网络层数与网络性能成正比，即网络层数越多，网络的性能越好，对未标记样本集中的缺陷类别预测结果更加准确。基于残差模块构建可解决网络层数增加造成训练集的准确率饱和甚至下降的问题。
本发明的有益效果是：1)只需对作为训练样本的缺陷样本集中的少量样本进行标记，无需提供大量的标记过的缺陷样本作为训练样本，节省了时间和人力物力，提高了检测效率；2)通过对标记缺陷样本集(a_x,a_y)和未标记缺陷样本集(a_u，a_p)的混合匹配以及损失函数loss和优化器的加权对神经网络参数θ进行优化，即对神经网络模型进行优化，提高了检测的准确性。
附图说明
图1是本发明方法的一种流程图。
图2是本发明方法中迭代周期的运算流程图。
图3是本发明方法中神经网络模型的结构示意图。
图4是本发明方法中残差模块的结构示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：本实施例的基于半监督深度学习的铜箔基板表面缺陷检测方法，如图1所示，包括：
S1、获取铜箔基板的缺陷样本集，并对缺陷样本集中小于30％数量的缺陷样本进行标注，得到标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u。
S2、构建神经网络模型Fθ，如图3～4所示，神经网络模型Fθ是基于ResNet中的残差模块构建的43层卷积神经网络模型，模型的输入尺寸大小为512×512：
神经网络模型Fθ的第一单元为一个卷积层Conv1，是16个感受野大小为3×3的卷积核，步长为2，该层输出为16通道、尺寸为256×256的特征图；
第二单元是Block1，含有1个残差模块，有两层卷积层，每层都是32个感受野大小为3×3的卷积核，其中第一层的步长为2，第二层的步长为1，该单元的输出为32通道、尺寸为128×128的特征图；
第三单元是Block2，含有3个残差模块，每个残差模块都有两层卷积层，每层都是32个感受野大小为3×3的卷积核，每一层的步长都为1，该单元的输出为尺寸为128×128的特征图；
第四单元是Block3,含有1个残差模块，有两层卷积层，每层都是64个感受野大小为3×3的卷积核，其中第一层的步长为2，第二层的步长为1，该单元的输出为64通道、尺寸为64×64的特征图；
第五单元是Block4，含有3个残差模块，每个残差模块都是两层卷积层，每层都是64个感受野大小为3×3的卷积核，每层的步长都为1，该单元的输出为64通道、尺寸为64×64的特征图；
第六单元是Block5，含有1个残差模块，有两层卷积层，每层都是128个感受野大小为3×3的卷积核，其中第一层的步长为2，第二层的步长为1，该单元的输出为128通道、尺寸为32×32的特征图；
第七单元是Block6，含有3个残差模块，每个残差模块都是两层卷积层，每层都是128个感受野大小为3×3的卷积核，每层的步长都为1，该单元的输出为128通道、尺寸为32×32的特征图；
第八单元是Block7，含有1个残差模块，有两层卷积层，每层都是256个感受野大小为3×3的卷积核，其中第一层的步长为2，第二层的步长为1，该单元的输出为256通道、尺寸为16×16的特征图；
第九单元是Block8，含有3个残差模块，每个残差模块都是两层卷积层，每层都是256个感受野大小为3×3的卷积核，每层的步长都为1，该单元的输出为256通道、尺寸为16×16的特征图；
第十单元是Block9，含有1个残差模块，有两层卷积层，每层都是512个感受野大小为3×3的卷积核，其中第一层的步长为2，第二层的步长为1，该单元的输出为512通道、尺寸为8×8的特征图；
第十一单元是Block10，含有3个残差模块，每个残差模块都是两层卷积层，每层都是512个感受野大小为3×3的卷积核，每层的步长都为1，该单元的输出为512通道、尺寸为8×8的特征图；
第十二单元是平均池化层，是感受野大小为8×8的卷积核，步长为1，该单元的输出为512通道、尺寸为1×1的特征图；
第十三单元是softmax层，用于计算输出分类概率。
S3、设定迭代周期和收敛精度，迭代训练神经网络模型Fθ，当迭代周期达到设定值(比如1024)或模型精度达到收敛精度(比如99.9％)则退出训练，得到最优的模型参数θ，获取最优的神经网络模型，其中如图2所示，每一个迭代周期的迭代运算过程包括：
A1、对标记过的缺陷样本集(x，y)进行数据增强，形成新的标记缺陷样本集(a_x,a_y)，其中数据增强技术采用的是水平翻转技术；
A2、对未标记过的缺陷样本集u进行数据增强，获取增强过的图像；再将图像输入神经网络模型Fθ进行运算，预测每张图像所对应的缺陷类别，其中数据增强技术采用的是水平翻转技术；
A3、重复步骤A2；
A4、将步骤A2和步骤A3中增强过的图像以及每张图像所对应的缺陷类别打乱混合在一起，形成新的未标记缺陷样本集(a_u，a_p)；
A5、对步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A4中的未标记缺陷样本集(a_u，a_p)进行混合匹配，形成新的标记缺陷样本集(x′,y′)和新的未标记缺陷样本集(u′,p′)，具体包括：
A51、将步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A4中的未标记缺陷样本集(a_u，a_p)打乱混合在一起，得到缺陷样本集(W，Q)；
A52、从缺陷样本集(W，Q)中取前n个样本组成缺陷样本集(Wx,Qx)，缺陷样本集(W，Q)中剩余的样本组成缺陷样本集(Wu,Qu)，其中n为标记缺陷样本集(a_x,a_y)中样本的个数；
A53、将标记缺陷样本集(a_x,a_y)和缺陷样本集(Wx,Qx)进行匹配计算，得到新的标记缺陷样本集(x′,y′)：
λ＝Beta(α,α)
λ＇＝max(λ,1-λ)
x′＝λ′×a_x+(1-λ′)×Wx
y′＝λ′×a_y+(1-λ′)×Qx
其中，α为超参数，Beta为Beta分布函数；
A54、将未标记缺陷样本集(a_u，a_p)和缺陷样本集(Wu,Qu)进行匹配计算，得到新的未标记缺陷样本集(u′,p′)：
λ＝Beta(α,α)
λ′＝max(λ,1-λ)
u′＝λ′×a_u+(1-λ′)×Wu
p′＝λ′×a_p+(1-λ′)×Qu
其中，α为超参数，Beta为Beta分布函数；
A6、将标记的图像样本x′输入到神经网络Fθ进行预测，得到预测的缺陷类别Fθ(x′)；
A7、将未标记的图像样本u′输入到神经网络Fθ进行预测，得到预测的缺陷类别Fθ(u′)；
A8、计算损失函数loss，具体包括：
A81、计算标记样本集中的缺陷类别y′和预测的缺陷类别Fθ(x′)之间的交叉熵损失函数，得到监督损失函数LS：
A82、计算未标记样本集中的缺陷类别p′和预测的缺陷类别Fθ(u′)之间的均方误差LMSE：
A83、计算未标记样本集中的缺陷类别p′和预测的缺陷类别Fθ(u′)之间的LK散度LKL：
A84、计算无监督损失函数LU：
λ1＝Beta(α,α)
λ1′＝max(λ1,1-λ1)
LU＝λ1′LMSE+(1-λ1′)LKL
其中，α为超参数，Beta为Beta分布函数；
A85、计算损失函数loss：
λ2＝Beta(α,α)
loss＝LS+λ2LU
其中，α为超参数，Beta为Beta分布函数；
A9、用优化器进行计算，得到更新的神经网络参数θ。
S4、将采集到的铜箔基板的缺陷图像输入到训练好的神经网络中，通过神经网络自动计算出铜箔基板的缺陷类别。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于包括下列步骤：
S1、获取铜箔基板的缺陷样本集，并对缺陷样本集中小于30％数量的缺陷样本进行标注，得到标记过的缺陷样本集(x，y)和未标记过的缺陷样本集u；
S2、构建神经网络模型Fθ；
S3、训练神经网络模型Fθ，得到最优的模型参数θ，获取最优的神经网络模型；
S4、将采集到的铜箔基板的缺陷图像输入到训练好的神经网络中，通过神经网络自动计算出铜箔基板的缺陷类别。
2.根据权利要求1所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤S3中，在训练神经网络模型前设定迭代周期和收敛精度，在训练迭代的过程中，当迭代周期达到设定值或模型精度达到收敛精度则退出训练，得到最优的模型参数，获取最优的神经网络模型。
3.根据权利要求2所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述迭代运算过程包括：
A1、对标记过的缺陷样本集(x，y)进行数据增强，形成新的标记缺陷样本集(a_x,a_y)；
A2、对未标记过的缺陷样本集u进行数据增强，获取增强过的图像；再将图像输入神经网络模型Fθ进行运算，预测每张图像所对应的缺陷类别；
A3、重复步骤A2；
A4、将步骤A2和步骤A3中增强过的图像以及每张图像所对应的缺陷类别打乱混合在一起，形成新的未标记缺陷样本集(a_u，a_p)；
A5、对步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A3中的未标记缺陷样本集(a_u，a_p)进行混合匹配，形成新的标记缺陷样本集(x′,y′)和新的未标记缺陷样本集(u′,p′)；
A6、将标记的图像样本x′输入到神经网络Fθ进行预测，得到预测的缺陷类别Fθ(x′)；
A7、将未标记的图像样本u′输入到神经网络Fθ进行预测，得到预测的缺陷类别Fθ(u′)；
A8、计算损失函数loss；
A9、用优化器进行计算，得到更新的神经网络参数θ。
4.根据权利要求3所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤A5具体包括：
A51、将步骤A1中的标记缺陷样本集(a_x,a_y)和步骤A3中的未标记缺陷样本集(a_u，a_p)打乱混合在一起，得到缺陷样本集(W，Q)；
A52、从缺陷样本集(W，Q)中取前n个样本组成缺陷样本集(Wx,Qx)，缺陷样本集(W，Q)中剩余的样本组成缺陷样本集(Wu,Qu)，其中n为标记缺陷样本集(a_x,a_y)中样本的个数；
A53、将标记缺陷样本集(a_x,a_y)和缺陷样本集(Wx,Qx)进行匹配计算，得到新的标记缺陷样本集(x′,y′)：
λ＝Beta(α,α)
λ′＝max(λ,1-λ)
x′＝λ′×a_x+(1-λ′)×Wx
y′＝λ′×a_y+(1-λ′)×Qx
其中，α为超参数，Beta为Beta分布函数；
A54、将未标记缺陷样本集(a_u，a_p)和缺陷样本集(Wu,Qu)进行匹配计算，得到新的未标记缺陷样本集(u′,p′)：
λ＝Beta(α,α)
λ′＝max(λ,1-λ)
u′＝λ′×a_u+(1-λ′)×Wu
p′＝λ′×a_p+(1-λ′)×Qu
其中，α为超参数，Beta为Beta分布函数。
5.根据权利要求3所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤A8具体包括：
A81、计算标记样本集中的缺陷类别y′和预测的缺陷类别Fθ(x′)之间的交叉熵损失函数，得到监督损失函数LS：
A82、计算未标记样本集中的缺陷类别p′和预测的缺陷类别Fθ(u′)之间的均方误差LMSE：
A83、计算未标记样本集中的缺陷类别p′和预测的缺陷类别Fθ(u＇)之间的LK散度LKL：
A84、计算无监督损失函数LU：
λ1＝Beta(α,α)
λ1′＝max(λ1,1-λ1)
LU＝λ1′LMSE+(1-λ1′)LKL
其中，α为超参数，Beta为Beta分布函数；
A85、计算损失函数loss：
λ2＝Beta(α,α)
loss＝LS+λ2LU
其中，α为超参数，Beta为Beta分布函数。
6.根据权利要求3所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤A1和步骤A2中的数据增强技术为水平翻转技术。
7.根据权利要求1所述的基于半监督深度学习的铜箔基板表面缺陷检测方法，其特征在于所述步骤S2中的神经网络模型Fθ为基于残差模块构建的43层卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033380.4A CN111489326A (zh) | 2020-01-13 | 2020-01-13 | 基于半监督深度学习的铜箔基板表面缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010033380.4A CN111489326A (zh) | 2020-01-13 | 2020-01-13 | 基于半监督深度学习的铜箔基板表面缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111489326A true CN111489326A (zh) | 2020-08-04 |
Family
ID=71811569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010033380.4A Pending CN111489326A (zh) | 2020-01-13 | 2020-01-13 | 基于半监督深度学习的铜箔基板表面缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111489326A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164040A (zh) * | 2020-09-17 | 2021-01-01 | 杭州电子科技大学 | 基于半监督深度学习算法的钢铁表面缺陷识别方法 |
| CN112465758A (zh) * | 2020-11-19 | 2021-03-09 | 河南省科学院应用物理研究所有限公司 | 一种铝基覆铜板质量的诊断方法 |
| CN112465033A (zh) * | 2020-11-30 | 2021-03-09 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的闸片开口销丢失检测方法、系统及装置 |
| CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
| CN113838015A (zh) * | 2021-09-15 | 2021-12-24 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| CN113870230A (zh) * | 2021-09-30 | 2021-12-31 | 湖南大学 | 一种基于混合监督学习的表面异常检测方法 |
| CN116596891A (zh) * | 2023-05-22 | 2023-08-15 | 南京林业大学 | 基于半监督多任务检测的木地板颜色分类及缺陷检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
| US20180308013A1 (en) * | 2017-04-24 | 2018-10-25 | Virginia Tech Intellectual Properties, Inc. | Radio signal identification, identification system learning, and identifier deployment |
| CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
| CN110245380A (zh) * | 2019-05-10 | 2019-09-17 | 西安理工大学 | 软仪表训练和样本补充方法 |
| CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
| CN110517759A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技（深圳）有限公司 | 一种待标注图像确定的方法、模型训练的方法及装置 |
| CN110598753A (zh) * | 2019-08-16 | 2019-12-20 | 华中科技大学 | 一种基于主动学习的缺陷识别方法 |
-
2020
- 2020-01-13 CN CN202010033380.4A patent/CN111489326A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180308013A1 (en) * | 2017-04-24 | 2018-10-25 | Virginia Tech Intellectual Properties, Inc. | Radio signal identification, identification system learning, and identifier deployment |
| CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
| CN109886925A (zh) * | 2019-01-19 | 2019-06-14 | 天津大学 | 一种主动学习与深度学习相结合的铝材表面缺陷检测方法 |
| CN110245380A (zh) * | 2019-05-10 | 2019-09-17 | 西安理工大学 | 软仪表训练和样本补充方法 |
| CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
| CN110598753A (zh) * | 2019-08-16 | 2019-12-20 | 华中科技大学 | 一种基于主动学习的缺陷识别方法 |
| CN110517759A (zh) * | 2019-08-29 | 2019-11-29 | 腾讯科技（深圳）有限公司 | 一种待标注图像确定的方法、模型训练的方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| DAVID BERTHELOT, NICHOLAS CARLINI, IAN GOODFELLOW, NICOLAS PAPERNOT, AVITAL OLIVER, COLIN RAFFEL: "MixMatch: A Holistic Approach to Semi-Supervised Learning" * |
| DEVRIES T, TAYLOR G W.: "Improved regularization of convolutional neural networks with cutout[J]" * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112164040A (zh) * | 2020-09-17 | 2021-01-01 | 杭州电子科技大学 | 基于半监督深度学习算法的钢铁表面缺陷识别方法 |
| CN112164040B (zh) * | 2020-09-17 | 2024-05-10 | 杭州电子科技大学 | 基于半监督深度学习算法的钢铁表面缺陷识别方法 |
| CN112465758A (zh) * | 2020-11-19 | 2021-03-09 | 河南省科学院应用物理研究所有限公司 | 一种铝基覆铜板质量的诊断方法 |
| CN112465758B (zh) * | 2020-11-19 | 2023-04-25 | 河南省科学院应用物理研究所有限公司 | 一种铝基覆铜板质量的诊断方法 |
| CN112465033A (zh) * | 2020-11-30 | 2021-03-09 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的闸片开口销丢失检测方法、系统及装置 |
| CN112465033B (zh) * | 2020-11-30 | 2021-08-03 | 哈尔滨市科佳通用机电股份有限公司 | 基于深度学习的闸片开口销丢失检测方法、系统及装置 |
| CN113160192A (zh) * | 2021-04-28 | 2021-07-23 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
| CN113160192B (zh) * | 2021-04-28 | 2022-09-16 | 北京科技大学 | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 |
| CN113838015A (zh) * | 2021-09-15 | 2021-12-24 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| CN113838015B (zh) * | 2021-09-15 | 2023-09-22 | 上海电器科学研究所（集团）有限公司 | 一种基于网络协同的电器产品外观缺陷检测方法 |
| CN113870230A (zh) * | 2021-09-30 | 2021-12-31 | 湖南大学 | 一种基于混合监督学习的表面异常检测方法 |
| CN116596891A (zh) * | 2023-05-22 | 2023-08-15 | 南京林业大学 | 基于半监督多任务检测的木地板颜色分类及缺陷检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111489326A (zh) | 基于半监督深度学习的铜箔基板表面缺陷检测方法 | |
| Wang et al. | Object-scale adaptive convolutional neural networks for high-spatial resolution remote sensing image classification | |
| CN108229588B (zh) | 一种基于深度学习的机器学习识别方法 | |
| CN110929577A (zh) | 一种基于YOLOv3的轻量级框架改进的目标识别方法 | |
| CN113076816B (zh) | 基于红外与可见光图像的太阳能光伏组件热斑识别方法 | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| WO2022267509A1 (zh) | Smt印刷参数优化模型的训练方法、设备和存储介质 | |
| CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
| CN112766334A (zh) | 一种基于伪标签域适应的跨域图像分类方法 | |
| CN112488043B (zh) | 一种基于边缘智能的无人机车辆目标检测方法 | |
| CN107392230A (zh) | 一种具备极大化知识利用能力的半监督图像分类方法 | |
| CN108615401B (zh) | 基于深度学习的室内非均匀光线车位状况识别方法 | |
| CN115240020A (zh) | 基于弱光补偿的MaskRCNN渗水检测方法及系统 | |
| Lin et al. | Integrated circuit board object detection and image augmentation fusion model based on YOLO | |
| CN105787045B (zh) | 一种用于可视媒体语义索引的精度增强方法 | |
| CN108229692B (zh) | 一种基于双重对比学习的机器学习识别方法 | |
| CN118294455A (zh) | 钕铁硼电镀毛坯的智能检测系统及方法 | |
| CN108345942B (zh) | 一种基于嵌入编码学习的机器学习识别方法 | |
| CN112164040A (zh) | 基于半监督深度学习算法的钢铁表面缺陷识别方法 | |
| CN116128800A (zh) | 一种基于ViG的手机麦克风零件缺陷检测与分割方法 | |
| CN113808079B (zh) | 基于深度学习模型AGLNet的工业产品表面缺陷自适应检测方法 | |
| CN115601610A (zh) | 一种基于改进EfficientDet模型的织物瑕疵检测方法 | |
| CN113971427B (zh) | 基于改进模型的岩屑识别方法 | |
| CN114898417A (zh) | 一种基于协调注意力深度神经网络的菊头蝠识别方法 | |
| CN113780306B (zh) | 一种基于深度卷积神经网络的废旧手机颜色识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200804 |
|
| RJ01 | Rejection of invention patent application after publication |