[发明专利]一种面向外观缺陷检测的自迁移学习方法

说明书

本发明公开了一种面向外观缺陷检测的自迁移学习方法，包括以下步骤：相机采图，获得初始图像数据集；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；将所述初始图像数据集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；将初始图像集和预处理后的图像集输入特征提取模块，通过训练，获得初始图像集特征向量和预处理后的图像集相应的特征向量；将预处理后的图像集相应的特征向量输入缺陷检测模块和类别判断模块并进行训练，优化参数，获得自迁移学习模型。在目标数据量特别稀少情况下，该模型能够挖掘目标数据的潜在特征，避免复杂缺陷特征的提取，缺陷检测准确率高。

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种面向外观缺陷检测的自迁移学习方法。

背景技术

随着经济的蓬勃发展，我国制造业也在迅速发展，对产品外观质量提出了越来越高的要求。目前大多外观质检仍采用人工目检的方式，这种方法效率低且经常会出现漏检误检等。导致产品质量降低，且造成了资源的浪费。为更好控制产品外观缺陷，基于机器视觉的智能检测手段，在生产线质量鉴定环节将逐步取代人工目检，成为主流方法。

对于背景复杂的目标图像，深度学习在训练的过程中会更易受到复杂因素的干扰，特征多，相互干扰，会使得深度学习模型难以拟合。

发明内容

本发明要解决的技术问题是提供一种面向外观缺陷检测的自迁移学习方法，其在增强缺陷特征的同时又保留了原图的信息，避免复杂缺陷特征的提取，缺陷检测准确率高。

为了解决上述技术问题，本发明提供了一种面向外观缺陷检测的自迁移学习方法，包括步骤一、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、将预处理后的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：