[发明专利]一种主动学习与深度学习相结合的铝材表面缺陷检测方法

权利要求书

1.一种主动学习与深度学习相结合的铝材表面缺陷检测方法，其特征在于，所述方法包括以下步骤：

获取数据集，从数据集的每一类中抽取出80％的数据作为训练集，其余20％的数据作为验证集；

通过随机调整图像饱和度、调整图像亮度、调整图像对比度、以及图像的随机旋转对训练集中的数据进行数据增强；

采用Weighted-Entropy评价标准进行主动学习，将待标注样本按照Weighted-Entropy值以递增的顺序进行排序，选择出最高的K个样本进行标注，将最高的K个样本加入训练集中，作为训练样本；

采用伪标注算法，将待标注样本按照信息熵以递增的顺序进行排序，选择出最低的H个样本，并利用预测结果作为伪标注，将最低的H个样本作为下一次训练的临时训练数据；

采用SEResNet-152神经网络结构，该神经网络结构以ResNet-152网络模型为基础，在每个Residual模块之后加入了SE模块，用于计算特征图的通道与通道之间的权重比例关系。

2.根据权利要求1所述的一种主动学习与深度学习相结合的铝材表面缺陷检测方法，其特征在于，所述神经网络结构以ResNet-152网络模型为基础，在每个Residual模块之后加入了SE模块具体为：

Conv_1层接收数据层输入的224*224像素大小的输入数据，利用64个7*7大小的卷积核以2为步长，对输入数据进行卷积，得到了64张112*112大小的特征图，并传递给Conv_2层；

Conv_2层由一个卷积核大小为3*3步长为2的最大池化层和三个SEResidual模块组成，每个SEResidual模块中都包含三个卷积层和一个SE模块；Conv_2层对Conv_1输入进来的特征图进行特征的提取得到了128个56*56的特征图，并输入给Conv_3层；

Conv_3层包含八个SEResidual模块，每个SEResidual模块中是三个卷积层和一个SE模块，Conv_3中每个SEResidual模块中每个卷积操作的特征图的数量变为了Conv_2中的两倍；

Conv_4层包含三十六个SEResidual模块，每个SEResidual模块中是三个卷积层和一个SE模块，Conv_4中每个SEResidual模块中每个卷积操作的特征图的数量均变为了Conv_3中的两倍，同时特征图的大小变为了Conv_3中的一半，即14*14；

Conv_5层包含三个SEResidual模块，每个SEResidual模块中是三个卷积层和一个SE模块，Conv_5中每个SEResidual模块中每个卷积操作的特征图的数量均变为了Conv_4中的两倍，同时特征图的大小变为了Conv_4中的一半，即7*7；

经过Conv_5层提取特征之后，将Conv_5的输出结果进行平均池化，并将特征图展开成为一个一维的向量传递到全连接层中，最后将全连接层的输出传入softmax分类器得到分类结果。