[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

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，包括如下步驟，S1、采集正、負樣本構成數據集；S21、用圖像數據增強手段將數據集中負樣本的數量擴充2?3倍，隨機挑選數量與擴充后的負樣本的數量相當的正樣本，組成數量平衡的數據子集；S22、將剩余的正樣本組成另一個數據集子集；S31、選取CNN檢測模型，進行第一階段的訓練；S32、第二階段的訓練是在包含剩余正樣本和擴充后的負樣本的數據集子集上進行；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。本發明具有以下有益效果：一是具有性能更好的缺陷圖像高維特征；二是提高了模型對工業產品圖像的表征能力；三是所述的模型訓練策略具有良好的通用性。

技術領域

本發明屬于視覺檢測技術領域，具體的涉及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。

背景技術

隨著智能制造的發展，工業產品的生產自動化需求越來越迫切，產品質量要求也越來越高，目前的工業生產實際中，大多數的生產技術環節過程都已經實現了自動化。但是產品的外觀質量檢測檢測環節仍然很難實現自動化，需要大量的人工檢測，影響了生產效率和產品質量。因此，工業產品的外觀缺陷檢測技術和系統的研究非常重要。

產品外觀檢測的基本流程是首先獲取產品缺陷圖像，然后通過算法模型提取圖像中的缺陷特征，然后根據特征計算缺陷的類型和位置，最后將檢測結果反饋給執行機構，執行產品的分揀任務。傳統的圖像處理算法采用特征工程的方法，通過計算人為設計的圖像特征來實現分類，但是這種方式對人的依賴很大，調試困難，適應性差。隨著深度學習技術的發展，基于深度學習模型的缺陷檢測技術應用越來越廣，但是，工業產品生產過程中缺陷樣本數量較少，收集困難，標注過程耗時耗力，導致可以用于模型訓練的缺陷樣本很少，而正常樣本數量龐大，因此，這樣就形成了缺陷樣本和正常樣本的數量不平衡，在這種數量不平衡的數據集上訓練得到的深度學習模型會導致模型偏向于數量多的正常樣本，導致對缺陷樣本的檢測準確率下降，難以保證最終產品的合格率。

發明內容

針對上述所描述的難題，本發明提供了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。

本發明中，缺陷樣本定義為負樣本，正常樣本定義為正樣本。兩階段訓練策略首先將原來的不平衡數據集劃分為兩部分，具體來說，依據數據集中數量較少的負樣本的數量將數據集劃分為兩組，一組全部由正樣本組成，一組是由所有的負樣本和與負樣本數量相當的正樣本組成，這樣一來，這兩部分數據子集均是平衡的數據集，然后模型先在所有正樣本組成的數據集上訓練，然后在正負樣本組成的完全數據集上訓練，這樣就能得到無偏模型。

為了提高模型的表征能力，減少訓練時間，模型使用兩階段遷移學習策略。第一階段的遷移過程是將在開源數據集上訓練的模型遷移到所有正樣本組成的數據集的訓練中，第二階段的遷移過程是從在正樣本組成的數據集上訓練的模型遷移到所有樣本組成的數據集的訓練中。本發明提出的基于深度學習的缺陷檢測算法是利用卷積神經網絡(ConvolutionalNeuralNetworkCNN)處理輸入圖像，提取圖像特征，對缺陷圖像進行分類。

為了實現上述的目的，本發明還提出了圖像數據增強方式用于提高負樣本的數量，為模型訓練提供更多的訓練信息，具體來說，對數量較少的負樣本實施旋轉、翻轉、注入高斯噪聲等方式進行圖像變換，增加負樣本的數量，同時提高模型的魯棒性。

本發明的技術方案是提供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，其中，基于兩階段遷移學習的模型訓練策略是在模型實際使用之前進行離線訓練，具體訓練步驟為：

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；