[发明专利]一种面向外观缺陷检测的自迁移学习方法

权利要求书

1.一种面向外观缺陷检测的自迁移学习方法，其特征在于，包括以下步骤：

步骤一、使用相机采集图像，获得初始图像数据集X；

步骤二、构建自迁移学习模型，所述自迁移学习模型包括图像预处理模块、特征提取模块、缺陷检测模块和类别判断模块；

步骤三、将所述初始图像数据集X输入所述图像预处理模块，经n种预处理算法，获得预处理后的图像集

步骤四、将初始图像集X和预处理后的图像集输入特征提取模块，通过训练，获得初始图像集X相应的特征向量和预处理后的图像集相应的特征向量；

步骤五、将图像集相应的特征向量输入至所述缺陷检测模块和类别判断模块并进行训练，优化参数，获得训练后的自迁移学习模型，具体包括：

所述缺陷检测模块采用的是交叉熵损失E₁：

G_f是特征提取模块，G_y是缺陷检测模块，L_y是缺陷检测模块的损失，y_i为数据所属类别；n_s表示源数据集的数据种类，D_s表示源域数据集，X_i表示源域某一类的数据集；

所述类别判断模块的检测方法包括：

E₂表示检测所依据的损失，D_t表示目标数据集，n_t表示目标数据集的数据类别数量，C_s表示源域的标记空间，是对不同预处理数据集进行类判别的判别器，预处理数据与原数据接近的数据权值高，差异大的数据权值低，表示样本权值，判断该样本的类别，表示有监督损失，d_i为样本域标签，λ表示超参数，k＝1,...,|C_s|；

所述自迁移学习模型的目标函数为：其中，θ_f表示特征提取模块的参数，θ_y表示缺陷检测模块的参数，θ_d表示类别判断模块的参数；

所述自迁移学习模型参数的优化方法为：

其中，θ_f表示特征提取模块的参数，表示特征提取模块待优化参数，θ_y表示缺陷检测模块的参数，表示缺陷检测模块待优化参数，θ_d表示类别判断模块的参数，表示类别判断模块的待优化参数，L_y表示缺陷检测模块的分类器，L_d表示缺陷检测模块分类器，μ是学习速率；

在训练过程中通过不断的交叉训练与更新，使自迁移学习模型的网络中的参数达到最优；

其中，所述步骤四和步骤五之间还包括：

所述数据筛选模块对所述步骤四预处理后的图像集相应的特征向量进行筛选，去除差异大的预处理后的图像集，具体包括：

S1、对于每一批数据集，随机选取l个样本，选取m次，直至每一批数据集被遍历num次；

S2、采用Wasserstein Distance衡量初始图像数据集X中的l个样本与每一批预处理数据集中的l个样本的接近程度，

W(X_n,X)＜β，

其中，X^l表示每一批选取的数据集，X_n,X分别表示预处理之后的样本集和原样本集，x^l分别表示两种数据集中的样本，n表示采用预处理的方法数量，γ表示两种样本在模型当中的受到的关联程度，β表示衡量的标准；

S3、所述数据筛选模块对预处理后的图像集依次进行筛选，获得符合衡量标准β的预处理后的图像集X₁,X₂，...，X_k。