[发明专利]基于深度迁移学习的烟支缺陷检测方法

权利要求书

1.基于深度迁移学习的烟支缺陷检测方法，其特征在于：首先获取VGG19网络模型，改进网络模型全连接层，将网络模型全连接层以前的所有网络作为瓶颈层，冻结瓶颈层的权重值并加入新的全连接层从而开始迁移学习；添加二分类Soft Max层进行检测分类、计算准确率、训练保存网络模型；获取并处理待检测烟支图片，调用已训练的网络模型进行预测分类；

所述方法的具体步骤如下：

步骤1、获取正常和缺陷的烟支图像数据集，采用SSD工业相机获取烟支的平展图像数据集；

步骤2、对获取的烟支数据图像进行预处理；

步骤3、将已经预处理的烟支数据集划分为训练集和测试集；

步骤4、加载VGG19网络模型，改进其全连接层，将原来的三个全连接层1x1x4096、1x1x4096、1x1x1000改为1x1x4096、1x1x4096、1x1x2，并随机失活部分神经元，网络底层接入Soft Max层进行烟支缺陷分类；

步骤5、将VGG19网络全连接层以前的卷积层和池化层都划为瓶颈层，冻结瓶颈层的权重值，迁移冻结的权重值到改进的VGG19网络中，并等待加载训练集和测试集开始训练改进VGG19网络中三个全连接层的权重值；

步骤6、定义一个优化器Adam，并申明网络模型的学习率为0.001，同时设置计算网络模型损失公式和网络模型准确率计算公式；网络模型采用交叉熵损失函数：

其中：是预测输出值，y是真实输出值；

步骤7、针对烟支缺陷分类问题，在改进的全连接层后面使用一个二分类的Soft Max分类器，从而对烟支是否存在缺陷进行分类，Soft Max分类器采用Logistic回归模型公式计算，公式如下：

其中，g(x)＝w₀+w₁x(1)+w₂x(2)+…w_nx(n),这里的w₀,w₁,…,w_n是神经网络中输入SoftMax层的各个神经元权重值的参数w；向量x＝[x(1),x(2),....x(k)]是由k个独立变量组成，x(k)代表k种样本类别，P(y＝1|x)代表标签值为1的x这种样本类别发生的可能性；

步骤8、加载训练集和测试集进行网络模型的迭代训练，训练过程中计算检测的正确率，绘制出正确率曲线图，并保存训练完成的模型数据；

步骤9、将待检测的数据集进行图像预处理，调用已训练完成的模型对待检测烟支进行预测是否存在缺陷，如果烟支存在缺陷，剔除缺陷烟支，完成烟支是否存在缺陷检测。

2.根据权利要求1所述的基于深度迁移学习的烟支缺陷检测方法，其特征在于：所述步骤2中，对获取的烟支数据图像进行预处理包括如下：

(1)对数据集图像进行中心主体裁剪，裁去非烟支信息；

(2)对数据集图像进行压缩处理，得到适合神经网络输入图像的大小；

(3)对数据集图像进行水平方向翻折，扩充数据集的随意性；

(4)对数据集图像进行标准化处理，执行均值、标准差参数均为0.5的标准化操作，将图像像素归一化在[-1,1]的范围内。

3.根据权利要求1所述的基于深度迁移学习的烟支缺陷检测方法，其特征在于：所述步骤7中，当回归模型Logistic应用到分类问题中就产生了Soft Max分类器，Soft Max分类器的输入为样本特征，输出为样本属于各个类别的概率，训练样本集由k个被标签的样本构成：

T＝{(x(1),y(1)),(x(2),y(2)),…,(x(k),y(k))}

其中x(k)是k种样本类别，y(k)是分类标签，单个样本是第k种类别的概率为：

P[y(k)＝j|x(k)] (j＝1,2,…,k)

其中j代表不同样本类别。