一种缺陷检测中难例挖掘的方法及系统与流程2026-08-20 01:29:07
本发明涉及工业视觉检测、缺陷检测领域，特别涉及一种难例挖掘的方法及系统。
1、工业制品的外观缺陷不仅严重影响产品的外观质量，甚至会破坏其功能特性，故产品外观质检至关重要。而依赖人的主观观察和判断检测产品缺陷的方式，存在招工培训成本高、效率低下、标准不统一、容易误检漏检、订单变动时无法准确适配人员等问题。因此亟需基于人工智能的外观质检系统来替代人工，降低质检人工成本，无缝衔接自动化生产线，提升检测效率和生产节拍，并可定位缺陷位置，便于后续数据溯源和工艺优化。
2、人工智能是数据所驱动的，数据的质量越高，模型的性能越好。gartner预计到2025年，70％的企业将从“大数据”转向“小而宽”的数据。“小而宽”的数据策略能够实现更强大的分析和人工智能，减少企业机构对大数据的依赖。“小而宽”的数据在工业缺陷检测领域即训练数据中无大量相似冗余信息的数据，数据的质量高，尽量涵盖测试场景中的缺陷类型和特征。但工业缺陷检测很难穷举出测试场景的所有缺陷，基于有限的数据训练的模型在推理阶段可能存在一些过检或漏检，需要在线上经过海量数据的验证，所以模型部署后如何高效挖掘难例数据是制约模型性能的关键因素。
3、难例挖掘，即收集测试过程中的过检、漏检等样本，便于后续加入训练样本迭代优化模型。如果没有初始训练模型，全部依赖人工的难例挖掘方法需要大量的人力进行标注，且得到的难例信息很少，难例信息越丰富模型训练越高效。运用低人力成本，高效挖掘测试过程中的难例信息，使得难例所包含的信息尽可能多，是目前需要解决的一个问题。
1、针对现有技术中的问题，本发明提供一种缺陷检测中难例挖掘的方法及系统，旨在至少在一定程度上解决相关技术中的技术问题之一。
4、s1.少量标注数据获取：获取包含产品缺陷的少量图像，人工对少量图像进行标注；
7、s4.初始标签生成：使用预标模型m对无标数据进行推理，得到无标数据的初始预标标签linit；
8、s5.人工复核修正：人工对无标数据的初始标签linit进行修正，得到无标数据的修正标签lrefine；
9、s6.初始难例数据生成：通过比对无标数据的初始标签linit和修正标签lrefine，
11、s7.推理不确定性计算：对非难例数据deasy和难例数据dhard的推理增加噪声，
13、s8.最终难例数据生成：设置不确定性阈值t，选择不确定性大于阈值t的样本，
15、进一步地，步骤s1所述的少量标注数据获取，对采集的待检测产品的少量图片进行人工标注，标注的内容包括缺陷的像素级轮廓、缺陷的类别等。
16、进一步地，步骤s2所述的预标模型训练，得到模型m，基于少量标注数据，采用的方法包括传统算法/有监督算法/无监督算法等，训练的模型能够得到初始的缺陷轮廓、缺陷类别等信息。
17、进一步地，步骤s3所述的大量无标数据获取，包括不同批次、不同型号产品的涵盖多种不同类型的缺陷数据，均未进行人工标注。
18、进一步地，步骤s4所述的初始标签生成，使用步骤4的预标模型m对无标数据进行推理，生成的无标数据的初始标签linit可在公开的或自研的数据标注平台加载，如lableme、cvat等。
19、进一步地，步骤s5所述的人工复核修正，得到无标数据的修正标签lrefine，包括：
20、a.修正缺陷的像素级轮廓，包括新增/删除/调整轮廓点，新增/删除缺陷轮廓；
22、进一步地，步骤s6所述的生成初始难例数据，通过比对初始标签linit和修正标签lrefine的每一个标签信息得到难例数据的信息包括：
23、a.难例的缺陷轮廓信息：包括新增的轮廓(漏检)、删除的轮廓(过检)、修改的轮廓(修正轮廓点，即缺陷的分割信息不够精确)等；
24、b.难例的缺陷类别信息：包括修改的类别(类别错误)、新增的类别等。
25、进一步地，步骤s7所述的推理不确定性计算，对非难例数据deasy和难例数据dhard的推理增加噪声，进行多次前向传播，增加的噪声包括：
26、a.对数据增加噪声：如随机裁剪、镜像、旋转，加高斯噪声，模糊处理等，得到“不同数据”的输出；
27、b.对模型增加噪声：利用dropout可以得到“不同网络结构”的输出；
28、进一步地，步骤s7所述的推理不确定性计算，对加噪声(数据或模型)的多次推理得到多个输出，计算多个输出的方差，作为每个样本的不确定性；
30、本发明的另一个目的在于提出一种缺陷检测中难例挖掘的系统，包括以下模块：
31、少量标注数据获取模块：对采集的待检测产品的少量图片进行人工标注，标注缺陷的像素级轮廓、缺陷的类别等；
32、预标模型训练模块：基于少量标注数据，通过传统算法/有监督算法/无监督算法等，训练预标模型，模型输出初始的缺陷轮廓、缺陷类别等信息；
33、大量无标数据获取模块：获取不同批次、不同型号产品的涵盖多种不同类型的缺陷数据；
34、初始标签生成模块：使用预标模型对大量无标数据进行推理，得到初始标签；
35、人工复核修正模块：在公开的或自研的标注平台加载无标数据的初始标签，人工对其进行修正，修正缺陷轮廓的信息、缺陷的类别等；
36、初始难例生成模块：通过比对无标数据的初始标签和修正标签的每一个标注信息，得到难例数据，难例的信息包括漏检、过检、分割不够精确、新类别、类别错误等。
37、推理不确定性计算模块：对非难例数据和难例数据的推理增加噪声，进行多次前向传播，计算每个样本的推理不确定性；
38、最终难例数据生成模块：设置不确定性阈值，选择不确定性大于阈值的样本，和初始难例样本组合成最终的难例样本。
39、本技术所提供的一种缺陷检测中难例挖掘的方法及系统具有的有益效果包括：
40、通过“缺陷预标+人工复核”策略，仅对不准确的缺陷轮廓/类型修正，可以实现低人力成本的缺陷数据标注，且可实现多类别的像素级缺陷轮廓标注，解决人工疲劳导致的漏标、标注慢、一致性差等问题；通过“初始预标注与修正标注比对”策略，可快速灵活地得到标注数据的难例信息，比对后的难例信息丰富，不仅包含过检和漏检样本，还包括分割不够精确、新类别、类别错误等缺陷难例样本，且可对难例样本分级，便于后续按不同权重对模型迭代优化。通过“推理不确定性计算”策略，对样本增加噪声(数据噪声或模型噪声)，计算多次推理结果的方差来得到样本的不确定性，从数据层面和模型结构进一步挖掘有益于增强模型鲁棒能力和泛化能力的样本。
1.计算机网络安全 2.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用
利用神经网络构建次级通道估计的降噪方法、计算机可读存储介质、电子设备与流程
