基于自修正神经网络模型的物料检测方法、装置及介质与流程

本发明涉及电子产品检测，尤其涉及一种基于自修正神经网络模型的物料检测方法、装置及介质。

背景技术：

1、随着图像技术的提升和神经网络模型的功能强大化，越来越多的生产领域用到自动化检测设备。

2、典型地，在模型训练完成之后，就会设定一个标准来对产品进行缺陷检测和分类；若设定的标准如果过高，则会造成过检(即明明是合格的产品被检成瑕疵品)；若设定的标准如果过低，则会造成漏检(即明明是瑕疵产品被检成合格的产品)。

3、因此，设定合适的标准对于模型的检测准确率至关重要。

4、以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

技术实现思路

1、本发明的目的是提供一种基于自修正神经网络模型的物料检测方法，利用模型在检测中的实际检测结果适时地动态调整检测阈值，一方面能够提高瑕疵检测精度，另一方面能够防止过检、漏检。

2、为达到上述目的，本发明采用的技术方案如下：

3、一种基于自修正神经网络模型的物料检测方法，包括以下步骤：

4、获取待检测的物料的图像信息；

5、将所述图像信息输入至预先训练好的自修正神经网络模型；

6、所述自修正神经网络模型根据当前的检测阈值确定所述图像信息的分类结果，包括：若模型计算出该图像信息的检测值大于所述检测阈值，则确定该物料为良品，否则确定该物料为瑕疵品；

7、所述自修正神经网络模型输出并存储此次分类结果；

8、所述自修正神经网络模型统计最新的预设次数的分类结果，并按照预设的规则对当前的检测阈值进行修正和更新。

9、进一步地，承前所述的任一技术方案或多个技术方案的组合，按照预设的规则对当前的检测阈值进行修正和更新的方式为：

10、若最新的预设次数的分类结果中，为良品的结果占比超过预设的第一比例阈值或者最新连续为良品的结果数量超过预设的第一数量阈值，则增大当前的检测阈值；

11、若最新的预设次数的分类结果中，为良品的结果占比低于预设的第二比例阈值或者最新连续为瑕疵品的结果数量超过预设的第二数量阈值，则减小当前的检测阈值；其中，第二比例阈值小于第一比例阈值。

12、进一步地，承前所述的任一技术方案或多个技术方案的组合，若当前的检测阈值越大，则满足在最新的预设次数的分类结果中，为良品的结果占比超过预设的第一比例阈值或者最新连续为良品的结果数量超过预设的第一数量阈值时，检测阈值的增幅越小；

13、若当前的检测阈值越小，则满足在最新的预设次数的分类结果中，为良品的结果占比超过预设的第一比例阈值或者最新连续为良品的结果数量超过预设的第一数量阈值时，检测阈值的增幅越大。

14、进一步地，承前所述的任一技术方案或多个技术方案的组合，若当前的检测阈值越大，则满足在最新的预设次数的分类结果中，为良品的结果占比低于预设的第二比例阈值或者最新连续为瑕疵品的结果数量超过预设的第二数量阈值时，检测阈值的减幅越大；

15、若当前的检测阈值越小，则满足在最新的预设次数的分类结果中，为良品的结果占比低于预设的第二比例阈值或者最新连续为瑕疵品的结果数量超过预设的第二数量阈值时，检测阈值的减幅越小。

16、进一步地，承前所述的任一技术方案或多个技术方案的组合，在不满足预设的规则时，保持当前的检测阈值不变。

17、进一步地，承前所述的任一技术方案或多个技术方案的组合，所述自修正神经网络模型利用卷积神经网络和自注意机制从学习样本的源域和目标域数据中提取特征而训练得到，所述自修正神经网络模型同时对源域和目标域进行全局概率分布对齐和条件概率分布对齐。

18、根据本发明的另一方面，提供了一种基于自修正神经网络模型的物料检测装置，包括预先训练好的自修正神经网络模型及以下模块：

19、图像采集模块，其被配置为获取待检测的物料的图像信息；

20、输入模块，其被配置为将所述图像信息输入至所述自修正神经网络模型；

21、所述自修正神经网络模型被配置为根据当前的检测阈值确定所述图像信息的分类结果，包括：若模型计算出该图像信息的检测值大于所述检测阈值，则确定该物料为良品，否则确定该物料为瑕疵品；

22、输出模块，其被配置为输出所述自修正神经网络模型的分类结果；

23、存储模块，其被配置为存储此次分类结果；

24、修正模块，其被配置为统计最新的预设次数的分类结果，并按照预设的规则对所述自修正神经网络模型当前的检测阈值进行修正和更新。

25、进一步地，承前所述的任一技术方案或多个技术方案的组合，所述修正模块按照预设的规则对检测阈值进行修正和更新的方式为：

26、若最新的预设次数的分类结果中，为良品的结果占比超过预设的第一比例阈值或者最新连续为良品的结果数量超过预设的第一数量阈值，则增大当前的检测阈值；

27、若最新的预设次数的分类结果中，为良品的结果占比低于预设的第二比例阈值或者最新连续为瑕疵品的结果数量超过预设的第二数量阈值，则减小当前的检测阈值；其中，第二比例阈值小于第一比例阈值。

28、进一步地，承前所述的任一技术方案或多个技术方案的组合，所述图像采集模块为ccd相机或cmos相机。

29、根据本发明的再一方面，提供了一种计算机可读存储介质，用于存储程序指令，所述程序指令被配置为调用而执行如上所述的方法的步骤。

30、本发明提供的技术方案带来的有益效果如下：

31、a.在检测结果为产品合格的情况满足预设的规则，则提升检测标准，以更准确地发现瑕疵；

32、b.在检测结果为产品不合格的情况满足预设的规则，则降低检测标准，以防止过检并提高检测效率。

技术特征：

1.一种基于自修正神经网络模型的物料检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的物料检测方法，其特征在于，按照预设的规则对当前的检测阈值进行修正和更新的方式为：

3.根据权利要求2所述的物料检测方法，其特征在于，若当前的检测阈值越大，则满足在最新的预设次数的分类结果中，为良品的结果占比超过预设的第一比例阈值或者最新连续为良品的结果数量超过预设的第一数量阈值时，检测阈值的增幅越小；

4.根据权利要求2所述的物料检测方法，其特征在于，若当前的检测阈值越大，则满足在最新的预设次数的分类结果中，为良品的结果占比低于预设的第二比例阈值或者最新连续为瑕疵品的结果数量超过预设的第二数量阈值时，检测阈值的减幅越大；

5.根据权利要求1至4中任一项所述的物料检测方法，其特征在于，在不满足预设的规则时，保持当前的检测阈值不变。

6.根据权利要求5所述的物料检测方法，其特征在于，所述自修正神经网络模型利用卷积神经网络和自注意机制从学习样本的源域和目标域数据中提取特征而训练得到，所述自修正神经网络模型同时对源域和目标域进行全局概率分布对齐和条件概率分布对齐。

7.一种基于自修正神经网络模型的物料检测装置，其特征在于，包括预先训练好的自修正神经网络模型及以下模块：

8.根据权利要求7所述的物料检测装置，其特征在于，所述修正模块按照预设的规则对检测阈值进行修正和更新的方式为：

9.根据权利要求7所述的物料检测装置，其特征在于，所述图像采集模块为ccd相机或cmos相机。

10.一种计算机可读存储介质，用于存储程序指令，其特征在于，所述程序指令被配置为调用而执行如权利要求1至6中任一项所述的方法的步骤。

技术总结
本发明公开了一种基于自修正神经网络模型的物料检测方法、装置及介质，检测方法包括以下步骤：获取待检测的物料的图像信息；将所述图像信息输入至预先训练好的自修正神经网络模型；所述自修正神经网络模型根据当前的检测阈值确定所述图像信息的分类结果，包括：若模型计算出该图像信息的检测值大于所述检测阈值，则确定该物料为良品，否则确定该物料为瑕疵品；所述自修正神经网络模型输出并存储此次分类结果；所述自修正神经网络模型统计最新的预设次数的分类结果，并按照预设的规则对当前的检测阈值进行修正和更新。本发明利用模型在检测中的实际情况适时地动态调整检测阈值，一方面能够提高瑕疵检测精度，另一方面能够提高检测效率。

技术研发人员：陈波,朱俊杰,肖廷本,杨家铭
受保护的技术使用者：真创科技（苏州）有限公司
技术研发日：
技术公布日：2024/1/22