(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210609009.7 (22)申请日 2022.05.31 (71)申请人 征图新视 （江苏） 科技股份有限公司 地址 213161 江苏省常州市经开区西太湖 锦华路258- 6号 (72)发明人 都卫东　和江镇　祝伟　 (74)专利代理 机构 常州品益专利代理事务所 (普通合伙) 32401 专利代理师 王涵江 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/187(2017.01) G06T 7/11(2017.01) G06V 10/762(2022.01) G06V 10/764(2022.01)G06F 17/18(2006.01) (54)发明名称 基于工业缺陷检测的分割模型评价方法 (57)摘要 本发明涉及一种基于工业缺陷检测的分割 模型评价方法， 以推理结果作为参考， 将标注中 的每个缺陷的标注区域与推理结果中分割的缺 陷区域比对， 比较区域间是否有交集， 有交集的 两个区域类别是否一致， 统计出正确检出数量、 误分类数量、 漏检的缺陷数量， 得到漏检缺陷数 量上的评价值； 以标注作为参考， 将推理结果中 分割出的每个缺陷区域与标注中的每个缺陷的 标注区域进行对比， 统计出推理结果中与标注中 不存在交集的区域数量， 即过杀区域的数量， 并 得到过杀数量上的评价值； 通过漏检缺陷数量上 的评价值 以及过杀区域的数量的评价值得出最 终分割模型的评价值。 本发明降低了人工检查分 割测试结果的工作量； 训练中选择的模型更符合 实际应用场景需要的效果。 权利要求书1页 说明书4页 附图2页 CN 114897869 A 2022.08.12 CN 114897869 A 1.一种基于 工业缺陷检测的分割模型评价方法， 其特 征在于： 包括以下步骤， S1、 选择标注和推理结果的连通 域， 并检测连通 域是否有交集； S2、 检测任意 一个连通 域的最大内接圆 圆心是否在另一个连通 域内； S3、 判断连通 域类别是否相同； S4、 找到对应 类别的连通 域， 判定当前类别推理结果 正确， 结束当前 连通域查找； S5、 用推理结果与标注对比， 找出每 个推理结果区域 最近的标注区域； S6、 判断与推理结果区域对应的标注是否被正确检出； S7、 推理与标注类别是否相同； S8、 将推理区域与标注区域的面积以及距离与阈值进行比较， 检出当前推理区域是否 为过杀区域； S9、 将同类别的推理区域进行层次聚类， 计算聚类中心的数量； S10、 统计各个 类的聚类中心数量， 聚类中心的数量 就是需要统计的过 杀数量。 2.如权利要求1所述的基于工业缺陷检测的分割模型评价方法， 其特征在于： 所述的标 注中没有找到与推理结果有交集的区域， 即为漏检区域。 3.如权利要求2所述的基于工业缺陷检测的分割模型评价方法， 其特征在于： 将所有标 注中的区域进行比较后就可以统计出当前推理结果中存在的正确检出数量 误分类数 量 漏检的缺陷数量 所述的漏检 缺陷数量上的评价值 的计算公式为： 4.如权利要求3所述的基于工业缺陷检测的分割模型评价方法， 其特征在于： 所述的过 杀区域的数量 的评价值 的计算公式为： 5.如权利要求4所述的基于工业缺陷检测的分割模型评价方法， 其特征在于： 通过漏检 缺陷数量上的评价值 以及过杀区域的数量 的评价值 得出最终分割模型的 评价值的计算公式为： 其中， k表示类别数， pii表示类别为i， 推理结果为i的像素点数， pij和pji分别表示类别 为i推理结果为j、 类别为j推理结果为i的像素点数， pi0表示类别i推理为正常类别， 即表示 漏检， 同理p0i表示过杀。权　利　要　求　书 1/1 页 2 CN 114897869 A 2基于工业缺陷检测的分割模型评价 方法 技术领域 [0001]本发明涉及图像视觉检测技术领域， 尤其是一种基于工业缺陷检测的分割模型评 价方法。 背景技术 [0002]分割模型是对图片的每个像素都做 分类， 当前最流行的语义分割方法评估都是基 于像素标记为基础完成的。 在实际工业应用的场景中， 评价模型 的检出能力通常是比较缺 陷的检出 数量， 区别于主流的像素层面的评价指标。 [0003]PA(Pixel  Accuracy)是最简单的度量计算， 总的像素跟预测正确像素的比率， 这 个指标在目标小， 黑色背景大的时候， 用来对比效果不是很明显。 MPA(Mean  Pixel  Accuracy)是基于每个类别正确 的像素总数与每个类别总数比率求和得到的均值。 MIoU (mean Intersection  over Union)它是通过计算图像像素每个类的IoU值累加后的平均值 来度量。 FWIoU(Frequency  Weighted  Intersection  over Union)是MIoU的改进版本， 它会 根据每个分类出现频率， 对每 个分类给予不同权 重。 [0004]但是， 现有的工业检测中， 通常缺陷区域只占整张图像很小的比例， 可能只有几个 像素大小。 而对于小且严重的缺陷， 在漏检的情况下用传统的评价方法仍然可以获得很高 的评价值， 因此， 现有的评价方法无法准确反映模型对下缺陷的检出情况。 发明内容 [0005]本发明要解决的技术问题是： 提供一种基于工业缺陷检测的分割模型评价方法， 解决人工检查、 统计检测结果工作繁琐的问题； 解决通过传统的模型评价方法选择 的模型 难以准确体现工业检测中过 杀漏检数量是否为 最优的问题。 [0006]本发明解决其技术问题所采用的技术方案是： 一种基于工业缺陷检测的分割模型 评价方法， 包括以下步骤， [0007]S1、 选择标注和推理结果的连通 域， 并检测连通 域是否有交集； [0008]S2、 检测任意 一个连通 域的最大内接圆 圆心是否在另一个连通 域内； [0009]S3、 判断连通 域类别是否相同； [0010]S4、 找到对应 类别的连通 域， 判定当前类别推理结果 正确， 结束当前 连通域查找； [0011]S5、 用推理结果与标注对比， 找出每 个推理结果区域 最近的标注区域； [0012]S6、 判断与推理结果区域对应的标注是否被正确检出； [0013]S7、 推理与标注类别是否相同； [0014]S8、 将推理区域与标注区域的面积以及距离与阈值进行比较， 检出当前推理区域 是否为过 杀区域； [0015]S9、 将同类别的推理区域进行层次聚类， 计算聚类中心的数量； [0016]S10、 统计各个 类的聚类中心数量， 聚类中心的数量 就是需要统计的过 杀数量。 [0017]本发明以推理结果作为参考， 将label中的每个缺陷的标注区域与推理结果中分说　明　书 1/4 页 3 CN 114897869 A 3