[發明專利]一種基于無偏嵌入零樣本學習的電芯缺陷分類方法

在審

• 申請號: 201811088628.6
• 申請日: 2018-09-18
• 公開（公告）號: CN109472284A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 宋明黎;雷杰;宋杰
• 申請（專利權）人: 浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/00
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

1.一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，包含如下步驟：

1)通過高清攝像頭采集電芯缺陷圖片，對缺陷區域進行取樣切塊，將較為常見的缺陷類別分配為帶標簽的源數據，將少見的缺陷類別分配為無標簽的目標數據，并將數據劃分為訓練集和測試集；

2)構建準全監督學習網絡模型QFSL，包括視覺嵌入子網絡、視覺-語義銜接子網絡、得分子網絡和分類器四個模塊；

3)使用訓練集中的圖像塊訓練QFSL模型，定義損失函數，利用隨機梯度下降算法SGD對模型參數進行優化；

4)將測試集中圖像塊輸入給QFSL模型，得到輸入在源類別及目標類別上的預測概率，將概率最高的那個類別作為分類結果。

2.根據權利要求1所述的一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，其特征在于，所述的電芯缺陷包含凹坑、單層隔離膜破損、隔離膜翻折、劃傷、極耳打折、膠污、破損漏金屬、氣泡、碳粉條、碳粉臟污、壓傷、異物、油污共13種類別，其中隔離膜翻折、極耳打折、破損漏金屬和異物的數據比較少，不足以訓練傳統的分類器，作為目標數據類別，其余的類別作為源數據類別。

3.根據權利要求1所述的一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，其特征在于，所述的視覺嵌入子網絡采用在ImageNet數據集上預訓練的GoogLeNet將原始圖像映射到視覺嵌入空間；其中，視覺嵌入子網絡的參數用W_θ表示，視覺嵌入子網絡模塊會與其它模塊一起優化，網絡的第一個全連接層的輸出作為視覺嵌入。

4.根據權利要求1所述的一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，其特征在于，所述的視覺-語義銜接子網絡采用了非線性函數將視覺嵌入映射到語義嵌入；由2個全連接層來實現，其中每一個全連接層后面跟了一個非線性激活函數：ReLU，視覺-語義銜接子網絡的參數記為視覺-語義銜接子網絡模塊會與其它模塊一起優化。

5.根據權利要求1所述的一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，其特征在于，所述的得分子網絡由單個全連接層來實現，具體的得分函數形式如下：

其中，x和y分別為輸入圖片和分類標簽，φ^*(y)是對于標簽y人為定義的語義向量的歸一化表達，得分子網絡的權重是固定的，在訓練階段不參與更新，對于一張輸入圖片得到(S+T)個得分，S和T分別為源類別和目標類別的數量。

6.根據權利要求1所述的一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，其特征在于，所述的分類器采用Softmax的形式產生輸入屬于各個類別的概率，并將概率最高的那個類別作為預測結果。

7.根據權利要求1所述的一種基于無偏嵌入零樣本學習的電芯缺陷分類方法，其特征在于，所述的損失包含分類損失、偏置損失和正則化損失三項，定義如下：

其中，N_s和N_t分別為源類別和目標類別在訓練集中的數量，和分別為源類別和目標類別的樣本，λ和γ是平衡參數；對于分類損失使用標準的交叉熵定義；對于偏置損失定義其中Y^t是目標類的集合，p_i表示預測為類i的概率，該損失項在模型預測給目標類的概率和大的時候值變小，防止目標類被映射到源類中；對于正則化損失Ω，使用l²范數來約束訓練參數。