[发明专利]一种主动学习与深度学习相结合的铝材表面缺陷检测方法在审
| 申请号： | 201910050571.9 | 申请日： | 2019-01-19 |
| 公开（公告）号： | CN109886925A | 公开（公告）日： | 2019-06-14 |
| 发明（设计）人： | 王征;宋宗垚;孙美君;张子剑 | 申请（专利权）人： | 天津大学 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 天津市北洋有限责任专利代理事务所 12201 | 代理人： | 李林娟 |
| 地址： | 300072*** | 国省代码： | 天津;12 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种主动学习与深度学习相结合的铝材表面缺陷检测方法，包括：通过随机调整图像饱和度、调整图像亮度、调整图像对比度、以及图像的随机旋转对训练集中的数据进行数据增强；采用Weighted‑Entropy评价标准进行主动学习，将待标注样本按照Weighted‑Entropy值以递增的顺序进行排序，选择出最高的K个样本进行标注，将其加入训练集中，作为训练样本；同时采用伪标注算法，将待标注样本按照Entropy(信息熵)以递增的顺序进行排序，选择出最低的H个样本，并利用模型的预测结果作为伪标注，将其作为下一次训练的额外的临时训练数据。采用SEResNet‑152神经网络结构，该神经网络结构以ResNet‑152网络模型为基础，在每个Residual模块之后加入了SE模块，用于计算特征图的通道与通道之间的权重比例关系。 | ||
| 搜索关键词： | 标注 样本 调整图像 主动学习 神经网络结构 铝材表面 缺陷检测 排序 饱和度 权重比例关系 递增 评价标准 数据增强 网络模型 训练数据 训练样本 预测结果 特征图 信息熵 算法 图像 学习 | ||
【主权项】：
1.一种主动学习与深度学习相结合的铝材表面缺陷检测方法，其特征在于，所述方法包括以下步骤：获取数据集，从数据集的每一类中抽取出80％的数据作为训练集，其余20％的数据作为验证集；通过随机调整图像饱和度、调整图像亮度、调整图像对比度、以及图像的随机旋转对训练集中的数据进行数据增强；采用Weighted‑Entropy评价标准进行主动学习，将待标注样本按照Weighted‑Entropy值以递增的顺序进行排序，选择出最高的K个样本进行标注，将最高的K个样本加入训练集中，作为训练样本；采用伪标注算法，将待标注样本按照信息熵以递增的顺序进行排序，选择出最低的H个样本，并利用预测结果作为伪标注，将最低的H个样本作为下一次训练的临时训练数据；采用SEResNet‑152神经网络结构，该神经网络结构以ResNet‑152网络模型为基础，在每个Residual模块之后加入了SE模块，用于计算特征图的通道与通道之间的权重比例关系。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于天津大学，未经天津大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910050571.9/，转载请声明来源钻瓜专利网。
