[發明專利]一種基于終身學習卷積神經網絡的產品表面缺陷識別方法

有效

• 申請號: 202011490170.4
• 申請日: 2020-12-16
• 公開（公告）號: CN112541905B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 高亮;高藝平;李新宇
• 申請（專利權）人: 華中科技大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/40;G06V10/82;G06N3/04;G06N3/08;G01N21/88
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 孔娜;李智

1.一種基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，包括如下步驟：

S1、構建卷積神經網絡模型，該卷積神經網絡模型包括特征提取器、檢測器和識別器，其中，特征提取器用于提取圖像中的特征向量，檢測器用于判別特征向量是已知類別缺陷或未知類別缺陷，識別器用于對已知類別缺陷進行分類；

S2、通過預獲取的已知類別缺陷圖像數據集對卷積神經網絡模型進行訓練，得到缺陷識別模型；

S3、將待識別圖像輸入缺陷識別模型，先由特征提取器提取待識別圖像中的特征向量，然后通過檢測器對該特征向量進行判別，具體先通過所有已知類別缺陷圖像的特征向量構建特征空間中的一個超球面邊界，如果待測特征向量與超球心的距離小于超球半徑，判定待測特征向量為已知類別缺陷，否則，判定待測特征向量為未知類別缺陷；

若判別結果為已知類別缺陷，則通過識別器對特征向量進行分類，得到待識別圖像的具體缺陷類別；若判斷結果為未知類別缺陷，則識別器根據特征向量，通過終身學習策略對識別器中參數進行調整，將未知類別缺陷轉換為已知類別缺陷，然后根據新的已知類別缺陷再次訓練檢測器，進一步優化缺陷識別模型，從而完成此次缺陷識別，并將優化后的缺陷識別模型用于下一次缺陷識別。

2.如權利要求1所述的基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，識別器包括三層神經網絡，該三層神經網絡為輸入層、隱含層、輸出層，其中，隱含層采用ReLU作為激活函數，輸出層采用softmax計算不同類別對應的概率。

3.如權利要求2所述的基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，采用特征空間約束對識別器隱含層進行處理，確保特征向量映射到單位圓上，其具體公式如下：

h^*＝h/‖h‖

其中，h^*表示約束后的特征向量，h表示隱含層原始特征向量，‖h‖表示特征向量h的模長。

4.如權利要求1所述的基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，識別器采用交叉熵損失函數，且在訓練時通過Adam優化方法對識別器參數進行優化。

5.如權利要求4所述的基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，對通過終身學習策略調整過的識別器，再次采用Adam優化方法對識別器參數進行優化。

6.如權利要求1所述的基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，所述終身學習策略具體為Weight Imprint方法。

7.如權利要求1-6任一項所述的基于終身學習卷積神經網絡的產品表面缺陷識別方法，其特征在于，所述特征提取器采用基于ImageNet預訓練的VGG16卷積神經網絡，且在該VGG16卷積神經網絡末端設置有一個全局平均池化層，將輸入的缺陷圖像轉化為512維特征向量。