买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：广东工业大学

摘要：本发明公开了一种手机玻璃面板表面缺陷检测的度量约束迁移方法及系统，包括以下步骤：在亚克力面板上构筑与手机玻璃面板类似的缺陷，采集样本预处理后得到源域数据；采集两种检测背景环境下的表面缺陷样本，经过预处理后得到的数据，部分作为训练集中的目标域数据以及全体数据作为测试集数据；构建度量约束迁移检测模型；对所述模型进行训练，并对训练好的模型进行测试；根据采集图像的背景环境，将采集的手机玻璃面板图像输入至训练好的对应背景的模型，得到手机玻璃面板表面缺陷检测结果。本申请与现有技术相比，解决了对使用背景环境的苛刻要求以及人力和物力成本高的问题，实现对手机玻璃面板表面缺陷的快速化、准确化的检测效果。

主权项：1.一种手机玻璃面板表面缺陷检测的度量约束迁移方法，其特征在于，包括以下步骤：S1、在亚克力面板上根据手机玻璃面板的表面缺陷构筑形态类似的缺陷，采集亚克力面板样本和两种检测背景环境下的手机玻璃面板的表面缺陷样本并进行预处理，得到数据集，所述数据集包括训练集和测试集，其中训练集的数据包括源域数据和目标域数据，所述源域数据为亚克力面板样本经过预处理后得到的数据，所述目标域数据为两种检测背景环境下的手机玻璃面板的表面缺陷样本预处理后选取的部分数据，所述测试集的数据为两种检测背景环境下的手机玻璃面板的表面缺陷样本预处理后的所有数据；所述手机玻璃面板的表面缺陷样本包括在工业环境采集的第一类样本和通过移动设备采集的第二类样本；S2、构建手机玻璃面板表面缺陷检测的度量约束迁移模型，所述手机玻璃面板表面缺陷检测的度量约束迁移模型根据训练时采用的背景环境，分为工业环境下的度量约束迁移检测模型和移动设备环境下度量约束迁移检测模型，所述模型包括特征提取器、对抗性学习模块和度量约束模块，所述特征提取器分别从源域数据与目标域数据中提取对应特征，经度量约束模块对齐特征后输入至所述对抗性学习模块；所述对抗性学习模块包括第一检测器和第二检测器，所述对抗性学习模块采用如下公式进行计算： （1）其中，是指模型在源域数据上训练时使用的样本个数，表示源域数据内第个样本，和分别表示源域数据的第个样本及其标签，代表模型的预测值，表示模型得到的预测值与真实值间的交叉熵，代表了超参数，代表源域数据和目标域数据之间的差异，最后是使模型最小化的损失函数；所述度量约束模块包括：结合F范数的最大均值差异的度量约束算法，在该算法中，模型函数，模型函数与标签函数间在目标域数据的差异采用如下公式进行计算： （2） （3） （4）其中，和分别表示源域样本和目标域样本的预期误差，表示共同预期损失，和分别为源域数据和目标域数据的样本数量，表示RKHS空间，表示RKHS空间底下的L2范数，表示特征在RKHS空间底下通过第一检测器和第二检测器得到的预测值之间对比所结合形成的下确界，代表Parsen核窗口的线性损失函数，代表了指示函数，属于目标域的第个样本，构成源域数据和目标域数据间的差异，是源域数据和目标域数据通过对抗性学习模块所形成损失函数；将最大均值差异算法，即来自源域数据的样本的均值和目标域数据的样本的均值经特征提取后得到的特征向量映射到RKHS空间上的差值，作为全局约束作用于上，得到算法演绎结果；引入F范数，演绎结果得到结合F范数的度量约束算法，其中为两个检测器在目标域数据之间的预测值的差距，表示F范数，和分别为第一检测器和第二检测器在目标域数据上的预测值；结合所述对抗性学习模块和所述度量约束模块，得到所述手机玻璃面板表面缺陷检测的度量约束迁移模型的核心算法公式，其算法演绎公式如下： （5）其中，和分别为第一检测器和第二检测器的预测值，是对抗性学习模块在引入度量约束下的损失函数，为全局约束的超参数，和分别表示源域所在分布和目标域所在分布，表示该部分只针对目标域数据；表示是否进行局部约束的超参数，当为0时，度量约束仅为全局约束；当为2时，则为全局约束与局部约束的结合体；S3、采用训练集对所述手机玻璃面板表面缺陷检测的度量约束迁移模型进行训练，并采用测试集对训练好的手机玻璃面板表面缺陷检测的度量约束迁移模型进行测试；S4、根据采集手机玻璃面板图像的背景环境，将采集的手机玻璃面板图像输入至训练好的对应背景的手机玻璃面板表面缺陷检测的度量约束迁移模型，得到手机玻璃面板表面缺陷检测结果。

全文数据：

权利要求：

百度查询： 广东工业大学 一种手机玻璃面板表面缺陷检测的度量约束迁移方法及系统