阅读说明：本技术 基于决策树自动判别真实缺陷与过杀方法 (Method for automatically judging real defects and overtaking kills based on decision tree ) 是由 许琦 于 2021-07-05 设计创作，主要内容包括：本发明提供了一种基于决策树自动判别真实缺陷与过杀方法,包括：准备一组实际生产过程中过杀和真实缺陷的原图及mask图；通过mask图获取缺陷形状、面积、长度、缺陷类别,通过原图获取缺陷的对比度、极性,将生成的特征信息保存至文本当中,利用决策树自动获取缺陷的判别规则；通过缺陷算法得到一组缺陷数据,生成缺陷小图及mask图,获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息；根据决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。发明根据已有缺陷和过杀数据特征信息自动判别新产生缺陷是否过杀,算法通用性强,与现有技术中的手动设置缺陷检出参数相比,可以将缺陷漏检和过杀风险控制最低,进而达到实际生产要求。(The invention provides a method for automatically judging real defects and overtopping based on a decision tree, which comprises the following steps: preparing a group of original images and mask images of overkill and real defects in the actual production process; acquiring the shape, area, length and defect category of a defect through a mask image, acquiring the contrast and polarity of the defect through an original image, storing the generated characteristic information into a text, and automatically acquiring a defect judgment rule by using a decision tree; obtaining a group of defect data through a defect algorithm, generating a defect small graph and a mask graph, and obtaining defect shape, area, length, contrast, polarity and defect category characteristic information; and calculating whether the current defect belongs to the over-killing defect or the real defect according to a judgment rule generated by the decision tree. The invention automatically judges whether the newly generated defects are over killed or not according to the existing defects and over killed data characteristic information, has strong algorithm universality, and can control the defect missing detection and over killed risks to the minimum compared with the manual defect detection parameter setting in the prior art, thereby further meeting the actual production requirements.)

基于决策树自动判别真实缺陷与过杀方法

技术领域

本发明涉及缺陷检测领域，特别涉及一种基于决策树自动判别真实缺陷与过杀方法。

背景技术

工业生产现场，一般对于缺陷真实与否有很高要求，无论对于传统算法还是深度学习，往往为了减低漏检风险，会将缺陷的检出参数(如缺陷面积、长宽、对比度等)设置过严，因此会导致实际应用中存在大量过杀。

发明内容

本发明提供了一种基于决策树自动判别真实缺陷与过杀方法，以解决至少一个上述技术问题。

为解决上述问题，作为本发明的一个方面，提供了一种基于决策树自动判别真实缺陷与过杀方法，包括：

步骤1，准备一组实际生产过程中过杀和真实缺陷的原图及mask图，过杀和缺陷两者数量接近且不低于500个；

步骤2，通过mask图获取缺陷形状、面积、长度、缺陷类别，通过原图获取缺陷的对比度、极性，将生成的特征信息保存至文本当中；

步骤3，读取文本中的缺陷标签和特征信息，利用决策树自动获取缺陷的判别规则；

步骤4，通过缺陷算法得到一组缺陷数据；

步骤5，根据步骤4中的缺陷数据生成缺陷小图及mask图，获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息；

步骤6，将步骤5生成的数据作为输入，根据步骤3中决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。

优选地，缺陷形状主要包括点、细直线、细曲线、面等。

由于采用了上述技术方案，本发明根据已有缺陷和过杀数据特征信息自动判别新产生缺陷是否过杀，算法通用性强，与现有技术中的手动设置缺陷检出参数相比，可以将缺陷漏检和过杀风险控制最低，进而达到实际生产要求。

具体实施方式

以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本发明的基于决策树自动判别真实缺陷与过杀方法，事先准备一组过杀和真实缺陷样本，通过算法获取缺陷的形状(点、线、面等)、面积、长度、对比度、极性(从黑到白或从白到黑等)、缺陷类别等缺陷特征信息，然后将这些缺陷特征作为输入，通过决策树训练这些样本所属标签(过杀或真实缺陷)，最后生成一套根据缺陷特征信息自动判别缺陷与否的规则。

本发明中的基于决策树自动判别真实缺陷与过杀方法包括两个阶段，一个是训练阶段，以利用决策树自动获取缺陷的判别规则；第二个阶段是实际检测流程，以根据缺陷特征信息自动判别缺陷与否。

第一阶段，训练流程主要有以下三个步骤：

步骤1：样本准备阶段，准备一组实际生产过程中过杀和真实缺陷的原图及mask图，过杀和缺陷两者数量接近且不低于500个。

步骤2：通过mask获取缺陷形状(主要包括点、细直线、细曲线、面等)、面积、长度、缺陷类别，通过原图获取缺陷的对比度、极性，将生成的特征信息保存至文本当中。

步骤3：读取文本中的缺陷标签和特征信息，利用决策树自动获取缺陷的判别规则。

第二阶段，实际检测流程如下：

步骤1：通过其他缺陷算法得到一组缺陷数据。

步骤2：生成缺陷小图及mask图，获取缺陷形状、面积、长度、对比度、极性及缺陷类别特征信息。

步骤3：将步骤2生成的数据作为输入，根据之前决策树生成的判别规则计算当前缺陷属于过杀还是真实缺陷。

由于采用了上述技术方案，本发明根据已有缺陷和过杀数据特征信息自动判别新产生缺陷是否过杀，算法通用性强，与现有技术中的手动设置缺陷检出参数相比，可以将缺陷漏检和过杀风险控制最低，进而达到实际生产要求。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。