[發(fā)明專利]一種基于深度學(xué)習(xí)的適用于圖譜對比場景中等級評定方法

有效

• 申請?zhí)枺?/td>: 202110550431.5
• 申請日: 2021-05-20
• 公開（公告）號: CN113343787B
• 公開（公告）日: 2023-09-01
• 發(fā)明（設(shè)計）人: 李巨文;于涵;李興捷;尚爾峰
• 申請（專利權(quán)）人: 中國機(jī)械總院集團(tuán)沈陽鑄造研究所有限公司
• 主分類號: G06V20/50
• 分類號: G06V20/50;G06V10/40;G06V10/82;G06N3/0464;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 沈陽晨創(chuàng)科技專利代理有限責(zé)任公司 21001
• 代理人: 張晨

本發(fā)明提供了一種基于深度學(xué)習(xí)的適用于圖譜對比場景中等級評定方法，該等級評定方法采用One?hot標(biāo)簽軟化機(jī)制，將原始的等級標(biāo)簽轉(zhuǎn)化為離散概率分布，以建模等級標(biāo)簽的不確定性、歧義性、及其跨等級相關(guān)性。結(jié)合多任務(wù)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)框架，最終實現(xiàn)高精度的等級評估。本發(fā)明與傳統(tǒng)one?hot標(biāo)簽相比，該機(jī)制模擬了人工標(biāo)注等級時的不確定性，避免失去內(nèi)在的等級之間的相關(guān)性，實現(xiàn)了更好的等級評定準(zhǔn)確率。本方法提出了一種基于多任務(wù)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)框架，通過聯(lián)合最小化多個損失函數(shù)，相比于使用單個任務(wù)，收斂更快且取得更優(yōu)的效果。

技術(shù)領(lǐng)域

本發(fā)明具體涉及一種基于深度學(xué)習(xí)的適用于圖譜對比場景中等級評定方法。

背景技術(shù)

目前，在一些工業(yè)檢測場景中，如鑄件缺陷、晶粒度等，需要根據(jù)國家標(biāo)準(zhǔn)或自行定義的標(biāo)準(zhǔn)中的各等級參考圖譜對采集到的圖像明確其相應(yīng)的等級。準(zhǔn)確地等級評定對保證產(chǎn)品質(zhì)量，提高利潤率具有重要意義。

現(xiàn)有技術(shù)中一些基于計算機(jī)視覺及深度學(xué)習(xí)技術(shù)的適用于圖譜對比場景的等級評估方法：參見公布號：CN111161224A的一篇專利申請，在此方法中，首先基于國家標(biāo)準(zhǔn)鑄件缺陷等級參考圖譜對采集的鑄造缺陷的圖片進(jìn)行人工的等級評定，缺陷圖像作為網(wǎng)絡(luò)輸入，等級評定結(jié)果作為網(wǎng)絡(luò)的標(biāo)簽。其次構(gòu)造帶有殘差模塊及雙流通道注意力模塊的卷積神經(jīng)網(wǎng)絡(luò)模型并進(jìn)行網(wǎng)絡(luò)的訓(xùn)練，實現(xiàn)缺陷的等級評價。

相似地，參見公布號：CN109034217A的一篇專利申請，其收集了不同材料及不同金相狀態(tài)的晶粒度數(shù)據(jù)庫，并根據(jù)參考圖譜由人工對每張晶粒度金相圖片進(jìn)行等級評定，最后基于深度學(xué)習(xí)進(jìn)行訓(xùn)練，從而實現(xiàn)晶粒度等級評定。

上述方法的本質(zhì)與共同點(diǎn)是將等級評估問題視為圖像分類問題，因而存在三個明顯的缺點(diǎn)。其一，由于人在圖譜對比過程中的主觀性，不同的檢測專家對同一圖像的等級判斷往往具有差異，即等級標(biāo)注具有一定的不確定性；其二，不同等級圖像之間的相似程度不同，相鄰等級間的圖像相似程度更高，圖像分類方法會喪失等級間的相關(guān)性。其三，在類別數(shù)較大時，基于圖像分類的算法會間接降低每一類的訓(xùn)練數(shù)據(jù)量，增大了過擬合的風(fēng)險。

鑒于上述方法存在的一些弊端，本發(fā)明提出了一種適用于圖譜對比場景中等級評定的深度學(xué)習(xí)方法，以實現(xiàn)更高準(zhǔn)確率的等級評價。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明提供了一種基于深度學(xué)習(xí)的適用于圖譜對比場景中等級評定方法，該等級評定方法采用One-hot標(biāo)簽軟化機(jī)制，將原始的等級標(biāo)簽轉(zhuǎn)化為離散概率分布，以建模等級標(biāo)簽的不確定性、歧義性、及其跨等級相關(guān)性。結(jié)合多任務(wù)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)框架，最終實現(xiàn)高精度的等級評估。

基于深度學(xué)習(xí)的適用于圖譜對比場景中等級評定方法具體步驟如下：

(1)構(gòu)建等級評估數(shù)據(jù)集：采集需要進(jìn)行等級評估的待測圖像，對每張待測圖像I_k進(jìn)行等級的評定，標(biāo)注等級值g_k；將所有的圖像數(shù)據(jù)及其對應(yīng)的標(biāo)注等級值隨機(jī)劃分為訓(xùn)練集、驗證集和測試集，其比例分別為70％，10％和20％；

(2)one-hot標(biāo)簽軟化

(3)構(gòu)造基于多任務(wù)學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)，由特征提取網(wǎng)絡(luò)，分布投影模塊，等級投影模塊及多任務(wù)損失函數(shù)四部分組成；

(4)訓(xùn)練網(wǎng)絡(luò)：搭建好模型后，使用步驟(1)中的訓(xùn)練集進(jìn)行訓(xùn)練，每次輸入固定數(shù)量的圖像后，經(jīng)前向傳播獲得損失函數(shù)值，利用反向傳播算法優(yōu)化模型各個卷積層中參數(shù)；重復(fù)上述步驟，直至損失函數(shù)值不再下降，模型收斂，卷積層中參數(shù)值固定；

(5)等級推斷：訓(xùn)練完成后，將任意的待測圖像輸入網(wǎng)絡(luò)模型中，得到分布投影模塊的輸出值p_k與等級投影模塊的輸出值m_k，計算最終的等級值，計算公式如下：