本發(fā)明涉及圖像分類，尤其是指一種基于深度學(xué)習(xí)圖像分類模型的屏幕瑕疵分類方法、裝置及計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、深度學(xué)習(xí)圖像分類模型是一種高級的神經(jīng)網(wǎng)絡(luò)架構(gòu)，通常采用深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)(cnn)，來捕捉圖像中的復(fù)雜特征和模式；通過訓(xùn)練，可以得到一個能夠?qū)D像判斷為特定類別的模型；這個模型能夠識別圖像中的關(guān)鍵特征，并根據(jù)這些特征將圖像歸類到預(yù)定義的類別之一。深度學(xué)習(xí)圖像分類模型在訓(xùn)練過程中，采用反向傳播(back-propagat?i?on)算法來優(yōu)化模型的參數(shù)。訓(xùn)練開始時，模型會接收大量的標記圖像作為輸入，并通過前向傳播計算每個類別的預(yù)測概率；然后，模型會計算預(yù)測結(jié)果與真實標簽之間的誤差，并通過反向傳播算法將誤差反向傳播到模型的每一層；在反向傳播過程中，模型會根據(jù)誤差信號調(diào)整每一層的權(quán)重和偏置，以最小化預(yù)測誤差；這個過程會不斷重復(fù)，直到模型的性能達到預(yù)設(shè)的標準或滿足終止條件。

2、深度學(xué)習(xí)圖像分類模型通常由多個層次組成，包括輸入層、多個隱藏層和輸出層。輸入層接收原始的圖像數(shù)據(jù)，隱藏層通過卷積、池化等操作提取圖像中的特征，輸出層則根據(jù)提取的特征計算每個類別的預(yù)測概率。深度學(xué)習(xí)圖像分類模型，盡管在圖像識別領(lǐng)域展現(xiàn)出卓越的性能，但其黑盒特性使得其內(nèi)部工作原理難以完全解析。這種模型被視為一個“黑盒”，因為它能夠處理輸入圖像并輸出分類結(jié)果，但內(nèi)部的決策過程并不透明。此外，當(dāng)對深度學(xué)習(xí)圖像分類模型進行重新訓(xùn)練時，各類別的檢測結(jié)果可能會發(fā)生顯著的變化，這增加了結(jié)果的不確定性。在訓(xùn)練過程中，模型通過大量標記圖像的學(xué)習(xí)來優(yōu)化其參數(shù)，并嘗試捕捉圖像中的復(fù)雜特征和模式。然而，由于模型的黑盒特性，無法確切知道它是如何根據(jù)這些特征來做出分類決策的。這意味著，即使模型在訓(xùn)練集上表現(xiàn)出色，也不能完全保證其在實際應(yīng)用中的準確性和可靠性。

3、此外，當(dāng)對深度學(xué)習(xí)圖像分類模型進行重新訓(xùn)練時，由于訓(xùn)練數(shù)據(jù)的差異、參數(shù)初始化的隨機性以及優(yōu)化算法的選擇等因素，各類別的檢測結(jié)果可能會發(fā)生顯著的變化。這種不確定性使得重新訓(xùn)練后的模型可能無法保持原有的性能，甚至可能出現(xiàn)意外的分類錯誤。

4、因此，當(dāng)利用現(xiàn)有的深度學(xué)習(xí)圖像分類模型對屏幕瑕疵進行分類時，由于在生產(chǎn)過程中，連續(xù)相鄰的產(chǎn)品批次特征一致性高，但是不同批次或者產(chǎn)品換型之后，產(chǎn)品的特征會有改變，但檢測模型總會給出一個分類結(jié)果，但是在不知道這一批次產(chǎn)品檢測結(jié)果的可靠性如何，需要額外地全部人工復(fù)檢后才能評估。如果評估結(jié)果其中有類別檢測正確率過低不達標，需要重新訓(xùn)練模型，重新訓(xùn)練又有可能造成原來正確率達標的類別反而不達標，容易互相掣肘需要反復(fù)調(diào)整測試，耽誤及時上線生產(chǎn)。

技術(shù)實現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)中由于分類模型的黑盒特性，導(dǎo)致不同類別之間的檢測存在負面干擾，且在待檢測物體類型更換后，檢測正確率低的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種基于深度學(xué)習(xí)圖像分類模型的屏幕瑕疵分類方法，包括：

3、獲取屏幕瑕疵樣本數(shù)據(jù)，根據(jù)瑕疵類別，劃分為多個樣本數(shù)據(jù)集；利用每個樣本數(shù)據(jù)集訓(xùn)練該瑕疵類別所對應(yīng)的二分類模型；

4、將當(dāng)前批次的所有待檢測屏幕圖像，分別輸入到每個完成訓(xùn)練的二分類模型中，獲取每個待檢測屏幕圖像的多個分類結(jié)果；

5、對于每個待檢測屏幕圖像，若所有分類結(jié)果中，有且只有一個分類結(jié)果為陽性，則以該分類結(jié)果所表示的瑕疵類別，作為該待檢測屏幕圖像的屏幕瑕疵類別；

6、否則，判斷該待檢測屏幕圖像為沖突圖像，并將沖突圖像送至人工目檢，獲取該待檢測屏幕圖像的屏幕瑕疵類別。

7、優(yōu)選地，所述利用每個樣本數(shù)據(jù)集訓(xùn)練該瑕疵類別所對應(yīng)的二分類模型，包括：

8、對于每種瑕疵類別對應(yīng)的樣本數(shù)據(jù)集，構(gòu)建以該樣本數(shù)據(jù)集中的樣本數(shù)據(jù)為正樣本，以其余樣本數(shù)據(jù)集中的樣本數(shù)據(jù)為負樣本的訓(xùn)練集，獲取每種瑕疵類別對應(yīng)的訓(xùn)練集；

9、基于每種瑕疵類別對應(yīng)的數(shù)據(jù)集，對二分類模型進行訓(xùn)練，獲取每種瑕疵類別對應(yīng)的二分類模型；

10、所述二分類模型，在輸入的屏幕圖像上存在其對應(yīng)的瑕疵類別時，輸出分類結(jié)果為陽性，反之，輸出分類結(jié)果為陰性。

11、優(yōu)選地，還包括：

12、獲取當(dāng)前批次所有待檢測屏幕圖像的屏幕瑕疵類別后，統(tǒng)計當(dāng)前批次中沖突圖像的數(shù)量，計算沖突圖像的數(shù)量與當(dāng)前批次所有待檢測屏幕圖像的數(shù)量的比值，作為當(dāng)前批次的沖突比例，與預(yù)設(shè)沖突閾值比較：

13、若沖突比例不大于預(yù)設(shè)沖突閾值，則無需重新對待檢測屏幕圖像進行檢測；

14、若沖突比例大于預(yù)設(shè)沖突閾值，則召回當(dāng)前批次所有待檢測屏幕圖像，均送至人工目檢，重新獲取當(dāng)前批次所有待檢測屏幕圖像的屏幕瑕疵類別。

15、優(yōu)選地，若沖突比例大于預(yù)設(shè)沖突閾值，還包括：利用梯度下降法，基于人工目檢獲取的瑕疵類別，對發(fā)生沖突的二分類模型再次進行訓(xùn)練，直至發(fā)生沖突的二分類模型的準確率達到預(yù)設(shè)準確率，獲取預(yù)先訓(xùn)練好的二分類模型。

16、優(yōu)選地，所述二分類模型包括lenet、al?exnet、vgg與resnet中任意一種。

17、優(yōu)選地，所述瑕疵類別，包括玻璃屑、不沾異物、有暈異物，無暈異物，有暈f?iber，無暈fi?ber，裂紋。

18、本實施例還提供了一種基于深度學(xué)習(xí)圖像分類模型的屏幕瑕疵分類裝置，包括：

19、預(yù)訓(xùn)練模塊，用于獲取屏幕瑕疵樣本數(shù)據(jù)，根據(jù)瑕疵類別，劃分為多個樣本數(shù)據(jù)集；利用每個樣本數(shù)據(jù)集訓(xùn)練該瑕疵類別所對應(yīng)的二分類模型；

20、沖突檢測模塊，用于將當(dāng)前批次的所有待檢測屏幕圖像，分別輸入到每個完成訓(xùn)練的二分類模型中，獲取每個待檢測屏幕圖像的多個分類結(jié)果；對于每個待檢測屏幕圖像，若所有分類結(jié)果中，有且只有一個分類結(jié)果為陽性，則以該分類結(jié)果所表示的瑕疵類別，作為該待檢測屏幕圖像的屏幕瑕疵類別；否則，判斷該待檢測屏幕圖像為沖突圖像，并將沖突圖像送至人工目檢，獲取該待檢測屏幕圖像的屏幕瑕疵類別。

21、優(yōu)選地，還包括自評估模塊，用于獲取當(dāng)前批次所有待檢測屏幕圖像的屏幕瑕疵類別后，統(tǒng)計當(dāng)前批次中沖突圖像的數(shù)量，計算沖突圖像的數(shù)量與當(dāng)前批次所有待檢測屏幕圖像的數(shù)量的比值，作為當(dāng)前批次的沖突比例，與預(yù)設(shè)沖突閾值比較：若沖突比例不大于預(yù)設(shè)沖突閾值，則無需重新對待檢測屏幕圖像進行檢測；若沖突比例大于預(yù)設(shè)沖突閾值，則召回當(dāng)前批次所有待檢測屏幕圖像，均送至人工目檢，重新獲取當(dāng)前批次所有待檢測屏幕圖像的屏幕瑕疵類別。

22、優(yōu)選地，還包括重訓(xùn)練模塊，若沖突比例大于預(yù)設(shè)沖突閾值，利用梯度下降法，基于人工目檢獲取的瑕疵類別，對發(fā)生沖突的二分類模型再次進行訓(xùn)練，直至發(fā)生沖突的二分類模型的準確率達到預(yù)設(shè)準確率，獲取預(yù)先訓(xùn)練好的二分類模型。

23、本實施例還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現(xiàn)如上述所述的基于深度學(xué)習(xí)圖像分類模型的屏幕瑕疵分類方法中的步驟。

24、本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下有益效果：

25、本發(fā)明所述的基于深度學(xué)習(xí)圖像分類模型的屏幕瑕疵分類方法，針對不同的瑕疵類別訓(xùn)練出對應(yīng)的二分類模型，利用多個二分類模型對待檢測屏幕圖像進行檢測，獲取多個分類結(jié)果；判斷多個分類結(jié)果是否沖突，若沖突，則送由人工目檢，若不沖突，則以當(dāng)前分類結(jié)果作為待檢測屏幕圖像的屏幕下次類別。本發(fā)明通過利用不同瑕疵類別訓(xùn)練的多個二分類模型同時對待檢測屏幕圖像進行檢測，確保二分類模型能夠準確識別各自對應(yīng)的瑕疵，在面對特征一致性高的連續(xù)相鄰的產(chǎn)品批次時，可利用不同二分類模型輸出的分類結(jié)果之間沖突，將發(fā)生沖突的送至人工目檢，降低了需要人工目檢的屏幕圖像數(shù)量，提高了類別檢測正確率；且對于新增的瑕疵類別，可以訓(xùn)練新的二分類模型，并集成到現(xiàn)有裝置中，靈活性高且易于擴展。

26、且本發(fā)明在分類結(jié)果發(fā)生沖突時，對發(fā)生沖突的二分類模型進行重訓(xùn)練，通過收集人工目檢的反饋結(jié)果，不斷優(yōu)化二分類模型，提升其泛化能力和準確性，進一步提高屏幕瑕疵類別檢測精度。