[发明专利]基于两阶段迁移学习的小样本工业产品缺陷分类方法

权利要求书

1.一种基于两阶段迁移学习的小样本工业产品缺陷分类方法，其特征在于：包括如下步骤，

S1、采集包含预定数量的正、负样本构成缺陷图像数据集，其中正样本的数量是负样本数量的5倍～25倍；

S21、使用图像数据增强手段将缺陷图像数据集中所有缺陷类别的负样本的数量扩充2-3倍，然后，从每个类别中随机挑选数量与扩充后的负样本的数量相当的正样本，将这些正负样本一起组成数量平衡的数据子集，标记为DataSet_正负；

S22、将剩余的正样本组成另一个只包含正样本的数据集子集，标记为DataSet_正；

S31、挑选并设计合适的深度学习模型架构，记为Model；然后将模型Model在公开自然图像数据集上训练得到的模型的卷积层部分迁移至第一个缺陷检测模型Model₁，然后随机初始化Model₁的分类层参数，然后模型Model₁在只包含正样本的数据集子集DataSet_正上进行训练，在这一阶段的训练中，Model₁学会将参数适应缺陷检测任务；

S32、将S31得到的模型Model₁去掉最后一层分类层之后迁移至第二个缺陷检测模型Model₂中，然后将原来的分类层节点数量增加一倍，其中，每个正样本类别对应一个负样本类别，随机初始化分类层参数后，在包含剩余正样本和扩充负样本的数据集子集DataSet_正负上训练第二个模型Model₂的分类层参数，其它层参数保持不变；

S4、将S32步模型训练收敛后，在测试集上测试模型的分类性能，若满足要求，即可上线测试，否则重复划分数据子集和模型训练过程，重复S21至S32，直至满足要求。

2.根据权利要求1所述的基于两阶段迁移学习的小样本工业产品缺陷分类方法，其特征在于： CNN检测模型由VGG16模型组成，VGG16网络模型包含5个连续的由卷积层、池化层和激活函数组成的构建模块，这5个构建块共有13个层，用于从图像中提取特征，后面有3个全连接层，用于从提取到的高维特征中计算分类结果。