[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的表面缺陷分類方法

有效

• 申請?zhí)枺?/td>: 202010555030.4
• 申請日: 2020-06-17
• 公開（公告）號: CN111833310B
• 公開（公告）日: 2022-05-06
• 發(fā)明（設(shè)計）人: 楊鐵軍;張?zhí)焓?/a>;黃琳
• 申請（專利權(quán)）人: 桂林理工大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 劉俊

本發(fā)明公開了一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的表面缺陷分類方法，包括以下步驟S1：構(gòu)建堆疊候選cell的網(wǎng)絡(luò)架構(gòu)NAS?SDC，所述網(wǎng)絡(luò)架構(gòu)NAS?SDC基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索構(gòu)建；S2：通過NEU?CLS缺陷數(shù)據(jù)集搜索cell，利用搜索到的最佳cell構(gòu)建缺陷分類CNN；S3：利用S2得到的缺陷分類CNN對表面缺陷進(jìn)行分類。本發(fā)明通過神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索，可自動從更加精簡的搜索空間中高效的搜索出最佳的網(wǎng)絡(luò)單元，基于該最佳網(wǎng)絡(luò)單元的CNN具有參數(shù)量小、檢測精度高等優(yōu)點，成功的應(yīng)用于表面缺陷分類。

技術(shù)領(lǐng)域

本發(fā)明涉及機器學(xué)習(xí)領(lǐng)域，更具體地，涉及一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的表面缺陷分類方法。

背景技術(shù)

表面缺陷分類是對被檢測目標(biāo)的表面進(jìn)行視覺檢查，發(fā)現(xiàn)其外觀缺陷并識別缺陷類型。高效、準(zhǔn)確的表面缺陷分類對提高產(chǎn)品質(zhì)量具有重要意義。近年來，如何利用計算機視覺技術(shù)自動檢測表面缺陷一直受到廣泛關(guān)注。與傳統(tǒng)的人工檢測的方法相比，基于機器學(xué)習(xí)的表面缺陷分類方法具有檢測效率高、準(zhǔn)確率高等優(yōu)點。但由于大多數(shù)基于機器學(xué)習(xí)的方法十分依賴設(shè)計者的特征設(shè)計經(jīng)驗，且由人工設(shè)計的特征不具有較強的普遍性，這使得這些方法難以適應(yīng)于不同類型的表面缺陷，具有較大的局限性。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)可以從大量標(biāo)記數(shù)據(jù)中自動提取目標(biāo)的有效特征，在圖像分類任務(wù)中取得了很好的成績，也被運用在表面缺陷分類任務(wù)中。

CN111145145A公開一種基于MobileNets的圖像表面缺陷檢測方法，包括如下步驟：創(chuàng)建圖像訓(xùn)練集和類別標(biāo)簽；構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)；將創(chuàng)建圖像訓(xùn)練集和類別標(biāo)簽放入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)、訓(xùn)練；測試圖片的缺陷檢測和分類。本發(fā)明對圖像噪聲不敏感且閾值的選擇對分割效果影響不大；過濾器類型和參數(shù)的選擇對于檢測結(jié)果影響較小，且經(jīng)過濾波后的圖像不會丟失細(xì)節(jié)；不依賴于人為設(shè)計的特征，與傳統(tǒng)算法相比，具有良好的可移植性，不受設(shè)計師經(jīng)驗的影響；網(wǎng)絡(luò)設(shè)計除了注重減少參數(shù)規(guī)模，還兼顧了優(yōu)化延遲，缺陷檢測速度快，更加適合工業(yè)環(huán)境下的實時在線檢測。

盡管CNN在表面缺陷分類上表現(xiàn)出色，但這些CNN結(jié)構(gòu)都是人工設(shè)計的，需要對CNN的層數(shù)、順序、是否存在分支或skip connection結(jié)構(gòu)以及各層的超參數(shù)(如卷積核大小、數(shù)量和步幅等)進(jìn)行手工選擇，費時費力。

發(fā)明內(nèi)容

本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的表面缺陷分類方法，簡化基于手工設(shè)計的卷積神經(jīng)網(wǎng)絡(luò)的表面缺陷分類方法和提高的檢測準(zhǔn)確性。

為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的表面缺陷分類方法，包括以下步驟：

S1：構(gòu)建堆疊候選cell的網(wǎng)絡(luò)架構(gòu)NAS-SDC，所述網(wǎng)絡(luò)架構(gòu)NAS-SDC基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索構(gòu)建；

S2：通過NEU-CLS缺陷數(shù)據(jù)集搜索cell，利用搜索到的最佳cell構(gòu)建缺陷分類CNN；

S3：利用S2得到的缺陷分類CNN對表面缺陷進(jìn)行分類。

上述方案中，為了提高CNN架構(gòu)設(shè)計的自動化程度，本方案利用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(NAS)技術(shù)，其目的是自動構(gòu)建針對特定分類任務(wù)的高性能的CNN。它不需要繁復(fù)的手工調(diào)參過程，并能取得不亞于人工設(shè)計CNN的分類性能。NAS的關(guān)鍵過程主要包括定義搜索空間、制定搜索策略和性能評估策略。

優(yōu)選地，所述網(wǎng)絡(luò)架構(gòu)NAS-SDC包括N個Normal cell相鄰，共堆疊4組，其中，前3組Normal cell后均添加一個Maxpooling cell，所述Maxpooling cell將其兩個輸入進(jìn)行Add操作，然后進(jìn)行2×2的最大池化操作后輸出，最后采用全局平均池化GAP+全連接層FC+Sofxmax的結(jié)構(gòu)作為分類層。