[發明專利]基于兩階段遷移學習的小樣本工業產品缺陷分類方法

有效

• 申請號: 202010803896.2
• 申請日: 2020-08-12
• 公開（公告）號: CN111950630B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 劉家歡;刁思勉;張云;李娜;劉文鋒;陳艷平;李錫康
• 申請（專利權）人: 深圳市燁嘉為技術有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京惟盛達知識產權代理事務所(普通合伙) 11855
• 代理人: 楊青

1.一種基于兩階段遷移學習的小樣本工業產品缺陷分類方法，其特征在于：包括如下步驟，

S1、采集包含預定數量的正、負樣本構成缺陷圖像數據集，其中正樣本的數量是負樣本數量的5倍～25倍；

S21、使用圖像數據增強手段將缺陷圖像數據集中所有缺陷類別的負樣本的數量擴充2-3倍，然后，從每個類別中隨機挑選數量與擴充后的負樣本的數量相當的正樣本，將這些正負樣本一起組成數量平衡的數據子集，標記為DataSet_正負；

S22、將剩余的正樣本組成另一個只包含正樣本的數據集子集，標記為DataSet_正；

S31、挑選并設計合適的深度學習模型架構，記為Model；然后將模型Model在公開自然圖像數據集上訓練得到的模型的卷積層部分遷移至第一個缺陷檢測模型Model₁，然后隨機初始化Model₁的分類層參數，然后模型Model₁在只包含正樣本的數據集子集DataSet_正上進行訓練，在這一階段的訓練中，Model₁學會將參數適應缺陷檢測任務；

S32、將S31得到的模型Model₁去掉最后一層分類層之后遷移至第二個缺陷檢測模型Model₂中，然后將原來的分類層節點數量增加一倍，其中，每個正樣本類別對應一個負樣本類別，隨機初始化分類層參數后，在包含剩余正樣本和擴充負樣本的數據集子集DataSet_正負上訓練第二個模型Model₂的分類層參數，其它層參數保持不變；

S4、將S32步模型訓練收斂后，在測試集上測試模型的分類性能，若滿足要求，即可上線測試，否則重復劃分數據子集和模型訓練過程，重復S21至S32，直至滿足要求。

2.根據權利要求1所述的基于兩階段遷移學習的小樣本工業產品缺陷分類方法，其特征在于： CNN檢測模型由VGG16模型組成，VGG16網絡模型包含5個連續的由卷積層、池化層和激活函數組成的構建模塊，這5個構建塊共有13個層，用于從圖像中提取特征，后面有3個全連接層，用于從提取到的高維特征中計算分類結果。