[发明专利]针对小样本的航天复合材料夹杂缺陷的深度学习检测方法及系统

权利要求书

1.针对小样本的航天复合材料夹杂缺陷的深度学习检测方法，其特征在于：包括以下步骤：

构建faster-rcnn检测网络，以及获取用于faster-rcnn检测网络特征提取的目标领域的航天复合材料夹杂缺陷图像的目标图像数据集；所述夹杂缺陷图像是利用X射线无损检测获取的碳纤维增强复合材料夹杂缺陷图像；

构建迁移学习特征提取网络并通过对迁移学习特征提取网络的训练获取目标领域的夹杂缺陷图像的具有领域不变性的目标特征；

将具有领域不变性的目标特征嵌入到faster-rcnn检测网络；

通过faster-rcnn检测网络对目标图像数据集进行处理，获得目标图像数据集中的夹杂缺陷及其位置；

所述迁移学习特征提取网络形成目标特征是按照以下步骤进行的：

获取用于迁移学习特征提取网络训练的训练数据集，所述训练数据集包括采集到的目标领域的航天复合材料夹杂缺陷图像的正常训练数据集以及与夹杂缺陷图像匹配的辅助领域的辅助训练数据集；

将训练数据集通过卷积神经网络层进行处理得到特征向量图；

将特征向量图输入到类别分类器中进行处理得到缺陷类别预测向量；

将特征向量图输入到领域判别器中进行处理得到领域类别预测向量；

将特征向量图输入到距离优化器中进行处理得到的目标领域中的特征向量，所述特征向量具有同类之间距离最小、不同类之间距离最大的特性；

所述类别分类器的损失函数按照以下公式进行计算：

其中，L_total表示总的损失函数；

其中，G_f(x_i；θ_f)表示特征提取网络；

G_y(G_f(x_i；θ_f)；θ_y)表示标签类别分类器；

L(G_y(G_f(x_i；θ_f)；θ_y),y_i)表示实例样本x_i经特征提取网络和标签类别分类器后预测的类别标签与真实的类别标签y_i之间的损失；

所述领域判别器的损失函数表示为如下：

其中，G_f(x_i；θ_f)表示特征提取网络；

G_d(G_f(x_i；θ_f)；θ_d)表示领域类别分类器；

L(G_d(G_f(x_i；θ_f)；θ_d),d_i)表示实例样本x_i经特征提取网络和领域类别分类器后预测的领域与真实的领域d_i之间的损失；

所述表示距离度量函数，所述度量的距离包括不同领域的相同类别之间的距离和不同领域的不同类别之间的距离。

2.如权利要求1所述的方法，其特征在于：所述类别分类器通过全连接神经网络层来接收所述迁移学习特征提取网络输出的特征向量；所述类别分类器通过softmax函数进行归一化处理得到缺陷类别预测向量；或

所述领域判别器通过全连接神经网络层来接收所述迁移学习特征提取网络输出的特征向量；所述领域判别器通过softmax函数进行归一化处理得到领域类别预测向量；或

所述距离优化器包括不同领域的相同类别之间的距离优化和不同领域的不同类别之间的距离优化。

3.如权利要求2所述的方法，其特征在于：所述距离度量具体计算公式如下：

其中，为辅助领域中的样本经过特征提取网络最后一层全连接层输出的特征向量,为目标领域中的样本经过特征提取网络最后一层全连接层输出的特征向量,y_s和y_t分别为和对应的类别标签。

4.如权利要求3所述的方法，其特征在于：所述夹杂缺陷图像的大图数据集是通过X射线无损检测技术获取的航天复合材料的夹杂缺陷图像。