一种图像语义分割目标的置信度计算方法

摘要

本发明属于图像处理技术领域，公开了一种图像语义分割目标的置信度计算方法，采集带有缺陷的面板检测图像，按缺陷类型对图像进行类别标记；用标记的样本对图像语义分割模型进行训练；用训练好的图像语义分割模型来预测待检测的图像；让图像语义分割模型在输出预测图后，还输出一张反映原图每个像素属于某个类别的概率的置信度图，根据置信度图计算得到整个分割目标的置信度，而不仅仅是某个像素的置信度；在此基础上，通过置信度阈值来控制分割目标的输出，采用本发明提供的这种方法，由于加了对分割目标的输出卡控，后续处理更加灵活。

权利要求

1.一种图像语义分割目标的置信度计算方法，其特征在于，采用基于深度学习的图像语义分割模型来输出预测图，以及一张反映原图每个像素属于某个类别的概率的置信度图，计算得到分割目标的置信度，通过设置置信度阈值来控制分割目标的输出。

2.如权利要求1所述的图像语义分割目标的置信度计算方法，其特征在于，具体包括如下步骤：(1)采集带有缺陷的面板检测图像，按缺陷类型对图像进行类别标记；用标记的样本对图像语义分割模型进行训练；

(2)用训练好的图像语义分割模型来预测待检测的图像，模型输出预测图，再输出一张置信度图；

(3)在预测图上找出某一分割目标类别对应的联通区域，计算在所述置信度图上该联通区域对应位置的所有像素值的平均值作为相应分割目标类别的置信度；

(4)根据预先设定的置信度阈值控制置信度大于阈值的分割目标类别输出。

3.如权利要求2所述的一种图像语义分割目标的置信度计算方法，其特征在于，类别标记中采用数字来标记背景、破片、气泡、划伤、缺角、裂痕这些显示面板的缺陷。

4.如权利要求2或3所述的一种图像语义分割目标的置信度计算方法，其特征在于，预测图的像素值用对应的数字表示原图像上每个像素所属的类别。

5.如权利要求2或3所述的图像语义分割目标的置信度计算方法，其特征在于，所述置信度图为表征置信度的灰度图。

6.如权利要求1或2所述的图像语义分割目标的置信度计算方法，其特征在于，所述概率范围为0～1。

7.如权利要求5所述的图像语义分割目标的置信度计算方法，其特征在于，将置信度值从0～1归一化到0～255，生成用于表征置信度的灰度图。

8.如权利要求1或2所述的图像语义分割目标的置信度计算方法，其特征在于，置信度阈值范围为大于60％。

说明书

一种图像语义分割目标的置信度计算方法

技术领域

[0001] 本发明属于图像处理技术领域，更具体地，涉及一种图像语义分割目标的置信度计算方法。

背景技术

[0002] 随着电子产品的普及与快速的更新换代，对包括LCD屏幕、OLED屏幕在内的显示面板有着极大的需求。在显示面板最终成型的过程中，由于原材料、生产工艺、意外等情况，显示面板上可能存在各种缺陷，例如破片、气泡、划伤、缺角、裂痕等，而这些存在缺陷的产品会影响其性能或降低用户体验，是不允许流入市场的。

[0003] 近年来，基于深度神经网络和图像语义分割的类别、检测、分割方法逐渐用于显示面板缺陷检测领域，也越来越受到青睐。深度神经网络应用的过程包括首先获取样本，标注样本，然后用样本来训练神经网络，让神经网络学习到样本的特征，最后在训练好的神经网络上预测新的样本。图像语义分割可以对输入图像上的每个像素进行分类，可以对输出图像上从像素级别区别哪些像素是背景，哪些像素属于哪种类型的缺陷。现[0004] 有基于深度学习的目标检测和图像语义分割各有优缺点，图像语义分割相对于目标检测的优势在于：图像语义分割能输出真实的目标范围，能更好地对检出目标做下一步处理，而目标检测输出的是一个被矩形框住的范围，实际目标比矩形框要小；劣势在于：目标检测网络在输出目标的同时还能输出一个目标的置信度，而图像语义分割本质上是对每个像素进行分类，因此只能输出像素的置信度，而不能输出整个分割目标的置信度，不利于设置置信度来控制目标的输出。

发明内容

[0005] 针对现有技术的以上缺陷或改进需求，本发明提供了一种图像语义分割目标的置信度计算方法，其目的在于获取图像语义分割整个分割目标的置信度，从而更好地控制目标的输出。

[0006] 为实现上述目的，按照本发明的一个方面，提供了一种图像语义分割目标的置信度计算方法，采用基于深度学习的图像语义分割模型来输出预测图，以及一张反映原图每个像素属于某个类别的概率的置信度图，计算得到整个分割目标的置信度，通过设置置信度阈值来控制分割目标的输出。

[0007] 优选地，上述图像语义分割目标的置信度计算方法，具体包括如下步骤：

[0008] (1)训练阶段，采集带有缺陷的面板检测图像，按缺陷类型对图像进行类别标记；用标记的样本对图像语义分割模型进行训练；

[0009] (2)用训练好的图像语义分割模型来预测待检测的图像，模型输出预测图，再输出一张置信度图；

[0010] (3)在预测图上找出某一分割目标类别对应的联通区域，计算在上述置信度图上该联通区域对应位置的所有像素值的平均值作为相应分割目标类别的置信度；

[0011] (4)根据预先设定的置信度阈值控制置信度大于阈值的分割目标类别输出。

[0012] 优选地，上述的图像语义分割目标的置信度计算方法，类别标记中采用数字来标记背景、破片、气泡、划伤、缺角、裂痕这些显示面板的缺陷。

[0013] 优选地，上述的图像语义分割目标的置信度计算方法，预测图的像素值用对应的数字表示原图像上每个像素所属的类别。

[0014] 优选地，上述的图像语义分割目标的置信度计算方法，将置信度值做归一化处理，从0～1归一化到0～255，生成用于表征置信度的灰度图像。

[0015] 优选地，上述的图像语义分割目标的置信度计算方法，概率范围为0～1。

[0016] 优选地，上述的图像语义分割目标的置信度计算方法，置信度阈值范围为大于60％。

[0017] 总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

[0018] 本发明提供的图像语义分割目标的置信度计算方法，相对于现有图像语义分割只输出预测图的技术，本发明让图像语义分割模型在输出预测图后还输出置信度图，通过根据置信度图计算得到整个分割目标的置信度，而不仅仅是某个像素的置信度；在此基础上，通过置信度阈值来控制分割目标的输出，由于加了对分割目标的输出卡控，因此后续处理更加灵活。

附图说明

[0019] 图1是实施例提供的图像语义分割目标的置信度计算方法的流程示意图。

具体实施方式

[0020] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

[0021] 参照图1，实施例提供的图像语义分割目标的置信度计算方法，包括如下步骤：

[0022] (1)训练阶段，采集带有缺陷的面板检测图像，按缺陷类型譬如破片、气泡、划伤、缺角、裂痕等对图像进行类别标记；实施例中在标记时设定背景为0，破片为1，气泡为2，划伤为3，缺角为4，裂痕为5；再用标记的样本对图像语义分割模型进行训练。

[0023] (2)预测阶段，用训练好的图像语义分割模型来预测待检测的图像，模型输出预测图；实施例中，与上述标记设定对应的，预测图的像素值用0到5表示待检测的原图像上每个像素所属的类别；以8*8图像为例可能输出如表1所列的像素值。

[0024] 表1 8*8图像输出像素值列表

[0025]0 1 1 1 0 0 0 0
0 1 1 1 0 0 0 0
0 0 0 0 0 0 0 0
0 0 0 0 0 2 2 0
0 0 0 0 0 2 2 0
0 0 0 0 0 2 2 0
0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0

[0026] 在一个优选实施例中，让模型再输出一张表征置信度的灰度图，称之为置信度图；置信度为待检测的原图上各像素属于某个类别的概率，其值的范围为0到1；在实例里将置信度值乘以255做归一化处理后，以灰度图像保存，这样可以更直观地看到置信度信息；以
8*8图像为例，可能输出如表2所列的像素值。

[0027] 表2 8*8图像二次输出像素值列表

[0028]240 200 190 215 222 239 231 233
230 195 199 182 243 226 235 222
239 233 235 233 235 246 219 226
226 222 231 213 243 125 130 235
246 226 222 231 213 116 150 235
235 235 243 235 226 155 130 235
226 235 235 219 235 226 235 243
235 235 243 235 226 235 219 235

[0029] (3)在预测图上找出目标类别为1的联通区域，计算在置信度图上该联通区域对应位置的所有像素值的平均值作为相应类别的置信度。

[0030] 以上表2为例，目标类别为1的置信度为(200+190+215+195+199+182)/6＝196.8，目标类别为2的置信度为(125+130+116+150+155+130)/6＝134.3。

[0031] (4)在调试中选择一个置信度阈值，比如60％，分割出的目标可信度大于60％即输出；在该实施例中，60％对应灰度图上的像素值为255*0.6＝153。这样设置阈值后可以控制类别为1的目标输出，类别为2的目标不输出，因为类别为2的目标可能非常微弱或者只是与真实的类别2比较相似，通过本发明的这种方法，即可控制对应类别的目标不输出。置信度阈值根据应用需求调试确定，目以是达到让想输出的类别目标输出，让不想输出的类别目标不输出。

[0032] 相对于现有的图像语义分割方法只输出预测图，本发明提供的方法在输出预测图的基础上，还输出一张反映原图每个像素属于某个类别的概率的置信度图，计算得到分割目标的置信度，而不仅仅是某个像素的置信度，这样就能通过设置置信度阈值来控制分割目标的输出。

[0033] 本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。