[发明专利]一种基于轻量化网络的小样本钢材表面缺陷分类方法

说明书

本发明公开一种基于轻量化网络的小样本钢材表面缺陷分类方法，涉及表面缺陷分类技术领域。该方法选取MobileNetV2为轻量化基准网络，通过通道混洗操作和注意力加权网络进行模型优化，增加组间信息交流，自适应标定特征权重。同时，提出离线数据增强算法，扩充小样本缺陷数据，解决样本不平衡问题。本发明具有强大的缺陷分类能力，模型参数量小，检测速度快，满足实际工业部署和实时性需求，降低了检测硬件的配置需求。

技术领域

本发明涉及表面缺陷分类技术领域，尤其涉及一种基于轻量化网络的小样本钢材表面缺陷分类方法。

背景技术

热轧带钢等钢材在制造生产过程中会不同程度的出现夹渣、划痕、氧化皮等缺陷。其表面缺陷不仅直接降低生产效率，影响生产效益，更会导致最终成品的耐腐蚀性和耐磨性变差。因此，实时高效表面缺陷检测任务已成为钢材生产领域的重要研究课题。

钢材表面产品质量检测，通常涉及多个类别的缺陷检测，属于多类别分类任务。传统的缺陷检测方法包含人工目检法和抽样检测。但在高速生产且复杂板面的情况下，质检人员难以有效抓取识别重点、关注有效缺陷，并因视觉疲劳而产生误检、漏检。

机器视觉以非接触式、无损检测技术，具有分辨率高、普适性强，成本低等特点，在钢材表面缺陷检测中受到极大关注，成为当前领域的热门研究方案。基于传统的机器学习算法通过人工特征提取，利用SVM(Support Vector Machine)等分类器判别缺陷种类。但传统机器学习算法对人工特征依赖性强、表征能力弱，受环境、复杂纹理背景影响较大，检测效率低下。随着深度学习算法的成熟，基于CNN(Convolutional Neural Network)的分类网络已成为表面缺陷检测领域的主流方案。

但在实际工业生产中，仍存在着卷积神经网络参数量大，计算成本高，模型难以部署等问题。同时缺陷样本难以采集，样本数据量少，缺陷类别不均衡等实际问题也亟待解决。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提出一种基于轻量化网络的小样本钢材表面缺陷分类方法。其目的在于通过改进后的轻量化网络解决模型参数量大的问题，满足实际工业部署和识别分类实时性需求，提高缺陷分类精度。同时，提出离线随机数据增强算法，扩充缺陷数据，解决样本数据量小、类别不均衡等问题。

本发明综合检测方式的实现，包括以下步骤：

步骤1：原始小样本数据集划分为训练集X_train＝{{X¹}，…，{Xⁿ}}和测试集X_test＝{{X¹}，…，{Xⁿ}}，对训练集X_train进行离线随机数据增强，获得钢材缺陷分类扩充数据集X′_train，其中n为缺陷类别个数。

进一步地，所述离线随机数据增强具体方法为：

步骤1.1：将训练集X_train＝{{X¹}，…，{Xⁿ}}中的每一类缺陷数据分类采样，采样区域在图像p*p范围内随机生成且不超出，采用随机多尺度采样，采样大小在至中随机选取，生成子样本集其中m，k分别为样本个数，p为原始样本尺寸；

步骤1.2：将训练集X_train中的样本分别以概率P₁，P₂执行水平翻转和垂直翻转，获得增强后的基础数据集

步骤1.3：子样本集中的各类别样本分别在基础数据集的相应类别中执行叠加操作，覆盖原始样本的任意区域，进而获得缺陷分类扩充数据集X′_train＝{{X^1′}，…{X^n′}}；

步骤2：缺陷样本数据预处理；