[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

说明书

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，包括如下步骤，S1、采集正、负样本构成数据集；S21、用图像数据增强手段将数据集中负样本的数量扩充2‑3倍，随机挑选数量与扩充后的负样本的数量相当的正样本，组成数量平衡的数据子集；S22、将剩余的正样本组成另一个数据集子集；S31、选取CNN检测模型，进行第一阶段的训练；S32、第二阶段的训练是在包含剩余正样本和扩充后的负样本的数据集子集上进行；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。本发明具有以下有益效果：一是具有性能更好的缺陷图像高维特征；二是提高了模型对工业产品图像的表征能力；三是所述的模型训练策略具有良好的通用性。

技术领域

本发明属于视觉检测技术领域，具体的涉及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。

背景技术

随着智能制造的发展，工业产品的生产自动化需求越来越迫切，产品质量要求也越来越高，目前的工业生产实际中，大多数的生产技术环节过程都已经实现了自动化。但是产品的外观质量检测检测环节仍然很难实现自动化，需要大量的人工检测，影响了生产效率和产品质量。因此，工业产品的外观缺陷检测技术和系统的研究非常重要。

产品外观检测的基本流程是首先获取产品缺陷图像，然后通过算法模型提取图像中的缺陷特征，然后根据特征计算缺陷的类型和位置，最后将检测结果反馈给执行机构，执行产品的分拣任务。传统的图像处理算法采用特征工程的方法，通过计算人为设计的图像特征来实现分类，但是这种方式对人的依赖很大，调试困难，适应性差。随着深度学习技术的发展，基于深度学习模型的缺陷检测技术应用越来越广，但是，工业产品生产过程中缺陷样本数量较少，收集困难，标注过程耗时耗力，导致可以用于模型训练的缺陷样本很少，而正常样本数量庞大，因此，这样就形成了缺陷样本和正常样本的数量不平衡，在这种数量不平衡的数据集上训练得到的深度学习模型会导致模型偏向于数量多的正常样本，导致对缺陷样本的检测准确率下降，难以保证最终产品的合格率。

发明内容

针对上述所描述的难题，本发明提供了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。

本发明中，缺陷样本定义为负样本，正常样本定义为正样本。两阶段训练策略首先将原来的不平衡数据集划分为两部分，具体来说，依据数据集中数量较少的负样本的数量将数据集划分为两组，一组全部由正样本组成，一组是由所有的负样本和与负样本数量相当的正样本组成，这样一来，这两部分数据子集均是平衡的数据集，然后模型先在所有正样本组成的数据集上训练，然后在正负样本组成的完全数据集上训练，这样就能得到无偏模型。

为了提高模型的表征能力，减少训练时间，模型使用两阶段迁移学习策略。第一阶段的迁移过程是将在开源数据集上训练的模型迁移到所有正样本组成的数据集的训练中，第二阶段的迁移过程是从在正样本组成的数据集上训练的模型迁移到所有样本组成的数据集的训练中。本发明提出的基于深度学习的缺陷检测算法是利用卷积神经网络(ConvolutionalNeuralNetworkCNN)处理输入图像，提取图像特征，对缺陷图像进行分类。

为了实现上述的目的，本发明还提出了图像数据增强方式用于提高负样本的数量，为模型训练提供更多的训练信息，具体来说，对数量较少的负样本实施旋转、翻转、注入高斯噪声等方式进行图像变换，增加负样本的数量，同时提高模型的鲁棒性。

本发明的技术方案是提供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，其中，基于两阶段迁移学习的模型训练策略是在模型实际使用之前进行离线训练，具体训练步骤为：

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；