[發明專利]一種基于乘積量化學習策略的缺陷檢測算法

在審

• 申請號: 202110774878.0
• 申請日: 2021-07-08
• 公開（公告）號: CN113538355A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 崔雪蓮;李新
• 申請（專利權）人: 無錫信捷電氣股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 無錫經誠知識產權代理事務所(普通合伙) 32504
• 代理人: 丁雨燕

1.一種基于乘積量化學習策略的缺陷檢測算法，其特征在于：包括，

S1：基于局部線性嵌入的圖像降維算法對高維圖像進行降維操作，得降維后數據，將該數據作為輸入樣本，并給每個輸入樣本對應賦予一個其所屬類別的類別標簽；

S2：根據輸入樣本的類別標簽，基于最優反向預測算法來設定目標函數；

S3：特征空間最優分解，以得到半監督笛卡爾K均值模型；

S4：采用拉普拉斯正則化的最優反向預測算法構建半監督的量化模型；

S5：模型的優化以及基于圖像的缺陷檢測算法的實現。

2.如權利要求1所述的一種基于乘積量化學習策略的缺陷檢測算法，其特征在于：所述最優反向預測算法的分類模型包含兩項，分別為聚類中心矩陣與標簽矩陣均未知的無監督聚類算法以及標簽已知的監督學習約束項；

目標函數中的標簽變量采用1-K編碼方案，可以通過優化聚類中心矩陣和未知標簽矩陣變量之間的最小平方損失函數來求解最優反向預測算法，構建的目標函數如下，

其中和分別是訓練實例矩陣和標記矩陣，是未標記的數據矩陣，是未知的標簽矩陣，η²是交易參數，Y^(L)和B使用1-K編碼方案，P表示實例的維數，N_L和N_U分別是標記和未標記實例的數量，K是簇的數量。

3.如權利要求2所述的一種基于乘積量化學習策略的缺陷檢測算法，其特征在于：所述特征空間的最優分解包括，

S31：采用乘積量化算法，使得每個子空間中的碼字均通過采用K均值聚類生成，該聚類相對于b和C迭代地優化平方失真誤差；

S32：笛卡爾K均值通過在公式(1.2)中的映射矩陣C的列上施加正交約束來獲得ANN搜索任務的空間分解方法；

S33：聚類中心的正交約束保證聚類中心表示為C≡RD，其中R是旋轉矩陣，R^TR＝RR^T＝I，將公式(1.2)重新表示為公式(1.3)，最小化(1.3)關于R，D和B，所獲得的旋轉矩陣R和聚類中心D再結合公式(1.3)以獲得失真誤差；

式中，m是子空間的編號；

S34：使用公式(1.1)在量化過程中代入公式(1.3)并給出半監督的笛卡爾K均值算法，給定標記數據集和未標記數據集其中P是實例的維數，K是量化中心的數量，N_L和N_U是標記和未標記數據實例的數量；

S35：基于輸入空間分解策略，半監督笛卡爾K均值(SSCK)可以表示為

S36：利用希爾伯特-施密特不相關性準則對特征空間進行分解。

4.如權利要求3所述的一種基于乘積量化學習策略的缺陷檢測算法，其特征在于：將拉普拉斯正則化項引入上述公式(1.4)，并得到以下公式：

其中，μ是平均值向量輸入數據；Y^(L)和B都是量化標簽且未知，L是權值矩陣，L＝W-D；

W是相似矩陣，D_ii＝∑_jW_i，j。

5.如權利要求4所述的一種基于乘積量化學習策略的缺陷檢測算法，其特征在于：優化公式(1.5)，且僅保留與Y^(L)相關的項：

進一步計算得：

。

6.如權利要求4或5所述的一種基于乘積量化學習策略的缺陷檢測算法，其特征在于：在獲得量化Y^(L)的基礎上，通過計算每個量化簇中所有標記數據X^(L)的平均值來獲得簇中心D；基于預測的聚類中心D，能夠通過采用KNN聚類算法獲得未標記數據的標簽矩陣B，如下：

。