CN108122223A - 基于Fisher准则的铁氧体缺陷深度学习识别方法 - Google Patents

基于Fisher准则的铁氧体缺陷深度学习识别方法 Download PDF

Info

Publication number
CN108122223A
CN108122223A CN201711361712.6A CN201711361712A CN108122223A CN 108122223 A CN108122223 A CN 108122223A CN 201711361712 A CN201711361712 A CN 201711361712A CN 108122223 A CN108122223 A CN 108122223A
Authority
CN
China
Prior art keywords
mrow
msub
msup
msubsup
mfrac
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711361712.6A
Other languages
English (en)
Inventor
姚明海
叶耀威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201711361712.6A priority Critical patent/CN108122223A/zh
Publication of CN108122223A publication Critical patent/CN108122223A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

基于Fisher准则的铁氧体缺陷深度学习识别方法，包含如下步骤：首先通过工业摄影机获取已知缺陷和无缺陷样品矩形铁氧体磁片的图像；然后获取有缺陷和无缺陷铁氧体样品图像；定义消音去噪自动编码器(SDA)；将铁氧体图像分成相同尺寸的贴片，并且利用有缺陷和无缺陷样品来训练FCSDA；通过工业摄影机获取矩形铁氧体磁片的正样本和负样本图像；将每个DA在无监督方式下进行训练；DA的权重和偏差参数用于初始化FCSDA而不是随机值；使FCSDA通过带标签数据集的监督学习进行微调；对FCSDA进行训练；测试补丁通过FCSDA分类为有缺陷和无缺陷的类别。

Description

基于Fisher准则的铁氧体缺陷深度学习识别方法
技术领域
本发明涉及一种矩形铁氧体磁片的表面缺陷识别方法。
背景技术
缺陷检测对于铁氧体磁片质量控制非常重要。传统上，人眼检测出缺陷。这 种手动方法的效率很低，因为眼睛疲劳而导致出错率很高。因此发展一种效率高、 精度高的铁氧体圆片表面凹痕识别方法是当前生产企业的迫切需求。从目前来看， 深度学习作为一个极为热门的技术，通过深度学习处理可以对磁片的缺陷进行分 析、识别。使得对缺陷识别精度提高，速度提升，避免人工的错误成为可能。
发明内容
本发明要克服现有技术的上述缺陷，提出一种基于Fisher标准的堆叠去噪自 动编码器FCSDA框架，目的是改善矩形铁氧体缺陷检测的精度。以提高工业上 对于矩形铁氧体缺陷的检测，配合生产的需求。
基于Fisher准则的铁氧体缺陷深度学习识别方法，包含如下步骤：
步骤一：通过工业摄影机获取已知缺陷和无缺陷样品矩形铁氧体磁片的图像；
步骤二：获取有缺陷和无缺陷铁氧体样品图像；
步骤三：定义消音去噪自动编码器SDA；
具体处理方式如下：
(1)分别定义向量z，y，计算公式如下：
z＝s(Wx+b)
y＝gθ'(z)＝s(W'z+b)
其中，W是权重矩阵，b是输入偏差，s()是sigmoid函数，z是d’维的向量， x是d维输入向量，y作为x近似向量也是d维度，并且x和y向量元素均为0， 1。
(2)定义损失函数，定义如下：
L(x,y)＝||x-y||2
(3)定义去噪自动编码器DA，定义如下：
y＝gθ'(z)＝s(W'z+b')
其中，是输入x的损坏版本，z是输入x经过训练以后的有效表示。
步骤四：将铁氧体图像分成相同尺寸的贴片，并且利用有缺陷和无缺陷样品 来训练堆叠去噪自动编码器FCSDA；
具体处理方式如下：
(1)定义损失函数J，计算公式为：
其中W是权重矩阵b是输入偏差，n为训练集所包含的样本个数，hW,b(x(i)) 是从输入x抽象的特向量，y是x近似向量。
(2)构建特征空间中的Fisher准则，计算公式为：
其中λ是比率因子，分式中两个J是特征的类内和类间距离。
(3)定义类内距离和类间距离，计算公式为：
其中，L为我们所拥有的类别，每个类别有mi个样本，i＝1.....L，nl表示SDA 的输出层，表示nl层特征的第j个元素，M(i)是第i个类别的平 均特征，定义如下：
(4)将Fisher标准项最小化，用来缩短类内距离，同时增加类间距离。然 后通过批量梯度下降算法将J(W,b)最小化。
(5)计算输出层的残留误差，计算公式为：
(6)迭代其他层残差，计算公式为：
步骤五：通过工业摄影机获取矩形铁氧体磁片的正样本和负样本图像；
步骤六：每个DA在无监督方式下进行训练；
步骤七：DA的权重和偏差参数用于初始化FCSDA而不是随机值；
步骤八：FCSDA通过带标签数据集的监督学习进行微调；
步骤九：对FCSDA进行训练；
步骤十：测试补丁通过FCSDA分类为有缺陷和无缺陷的类别；
具体处理方式如下：
(1)建立双FCSDA：其中第一堆叠去噪自动编码器FCSDA1用于将测试 补丁分类到无缺陷或缺陷类别，第二堆叠去噪自动编码器FCSDA2用于重构输 入补丁。
(2)图像重建：一旦有缺陷的斑块被标记，可以通过缺陷斑块和重建图像 之间的差异来定位缺陷。将缺陷补丁输入到FCSDA2的编码部分，得到特征码。 其次，将特征码输入到FCSDA2的解码部分。最后，从FSCDA2的输出获得重 建图像。
(3)定位缺陷：包括无缺陷和缺陷样本的测试集输入到FCSDA1中。使用 softmax分类器将样本识别为无缺陷模式或缺陷模式。
本发明利用FCSDA在训练后准备进行缺陷检测。其中，我们所采用的有两 个FCSDA，其中FCSDA1用于将测试补丁分类到无缺陷或缺陷类别，FCSDA2 用于重构输入补丁。
重建图像包括：一旦有缺陷的斑块被标记，可以通过缺陷斑块和重建图像之 间的差异来定位缺陷。重建图像对定位精度至关重要。实际上，我们发现从图3 中的FCSDA1获得的重建图像与输入补丁很好匹配。所以，差异没有任何关于 缺陷的有用信息因为重建的图像非常类似于原始的有缺陷的图像。理想的重建图 像预期没有缺陷区域，同时与缺陷补丁保持相似的轮廓。
重建处理如下：首先，将缺陷补丁输入到FCSDA2的编码部分，得到特征 码。其次，将特征码输入到FCSDA2的解码部分。最后，从FSCDA2的输出获 得重建图像。
定位缺陷包括：无缺陷和缺陷样本的测试集输入到FCSDA1中。使用softmax 分类器将样本识别为无缺陷模式或缺陷模式。当测试样本被识别为缺陷图案时， 计算该样本与重构图像之间的差分图像。然后，可以通过对二进制图像进行阈值 和形态过滤来定位缺陷。
本发明中，即便是FCSDA的培训过程非常耗时，然而，FCSDA方法仍然 可以用于实时检查，因为训练阶段是离线执行的。在线检测过程非常快。并且 FCSDA在定位精度方面优于ID和SDA方法，并且准确率很高，可以达到铁氧 体快速、自动化识别检测的目的。
本发明的优点是：提高检测准确度以及强化检测速度。
附图说明
图1为本发明方法的工作流程框图。
图2为本发明的权重训练的可视化示意图。
图3为本发明的缺陷定位结果比较示意图。
图4是本发明方法的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
基于Fisher准则的铁氧体缺陷深度学习识别方法，包含如下步骤：
步骤一：通过工业摄影机获取已知缺陷和无缺陷样品矩形铁氧体磁片的图像；
步骤二：获取有缺陷和无缺陷铁氧体样品图像；
步骤三：定义消音去噪自动编码器SDA；
具体处理方式如下：
(1)分别定义向量z，y，计算公式如下：
z＝s(Wx+b)
y＝gθ'(z)＝s(W'z+b)
其中，W是权重矩阵，b是输入偏差，s()是sigmoid函数，z是d’维的向量， x是d维输入向量，y作为x近似向量也是d维度，并且x和y向量元素均为0， 1。
(2)定义损失函数，定义如下：
L(x,y)＝||x-y||2
(3)定义去噪自动编码器DA，定义如下：
y＝gθ'(z)＝s(W'z+b')
其中，是输入x的损坏版本，z是输入x经过训练以后的有效表示。
步骤四：将铁氧体图像分成相同尺寸的贴片，并且利用有缺陷和无缺陷样品 来训练FCSDA；
具体处理方式如下：
(3)定义损失函数J，计算公式为：
其中W是权重矩阵b是输入偏差，n为训练集所包含的样本个数，hW,b(x(i)) 是从输入x抽象的特向量，y是x近似向量。
(4)构建特征空间中的Fisher准则，计算公式为：
其中λ是比率因子，分式中两个J是特征的类内和类间距离。
(3)定义类内距离和类间距离，计算公式为：
其中，L为我们所拥有的类别，每个类别有mi个样本，i＝1.....L，nl表示SDA 的输出层，表示nl层特征的第j个元素，M(i)是第i个类别的平 均特征，定义如下：
(4)将Fisher标准项最小化，用来缩短类内距离，同时增加类间距离。然 后通过批量梯度下降算法将J(W,b)最小化。
(5)计算输出层的残留误差，计算公式为：
(6)迭代其他层残差，计算公式为：
步骤五：通过工业摄影机获取矩形铁氧体磁片的正样本和负样本图像；
步骤六：每个DA在无监督方式下进行训练；
步骤七：DA的权重和偏差参数用于初始化FCSDA而不是随机值；
步骤八：FCSDA通过带标签数据集的监督学习进行微调；
步骤九：对FCSDA进行训练；
步骤十：测试补丁通过FCSDA分类为有缺陷和无缺陷的类别；
具体处理方式如下：
(1)建立双FCSDA：其中FCSDA1用于将测试补丁分类到无缺陷或缺陷 类别，FCSDA2用于重构输入补丁。
(2)图像重建：一旦有缺陷的斑块被标记，可以通过缺陷斑块和重建图像 之间的差异来定位缺陷。将缺陷补丁输入到FCSDA2的编码部分，得到特征码。 其次，将特征码输入到FCSDA2的解码部分。最后，从FSCDA2的输出获得重 建图像。
(3)定位缺陷：包括无缺陷和缺陷样本的测试集输入到FCSDA1中。使用 softmax分类器将样本识别为无缺陷模式或缺陷模式。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的 保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及 于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.基于Fisher准则的铁氧体缺陷深度学习识别方法，包含如下步骤：
步骤一：通过工业摄影机获取已知缺陷和无缺陷样品矩形铁氧体磁片的图像；
步骤二：获取有缺陷和无缺陷铁氧体样品图像；
步骤三：定义消音去噪自动编码器SDA；
具体处理方式如下：
(31)分别定义向量z，y，计算公式如下：
z＝s(Wx+b)
y＝gθ'(z)＝s(W'z+b)
其中，W是权重矩阵，b是输入偏差，s()是sigmoid函数，z是d’维的向量，x是d维输入向量，y作为x近似向量也是d维度，并且x和y向量元素均为0，1；
(32)定义损失函数，定义如下：
L(x,y)＝||x-y||2
(33)定义去噪自动编码器DA，定义如下：
<mrow> <mi>z</mi> <mo>=</mo> <msub> <mi>f</mi> <mi>&amp;theta;</mi> </msub> <mrow> <mo>(</mo> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>)</mo> </mrow> <mo>=</mo> <mi>s</mi> <mrow> <mo>(</mo> <mi>W</mi> <mover> <mi>x</mi> <mo>&amp;OverBar;</mo> </mover> <mo>+</mo> <mi>b</mi> <mo>)</mo> </mrow> </mrow>
y＝gθ'(z)＝s(W'z+b')
其中，是输入x的损坏版本，z是输入x经过训练以后的有效表示；
步骤四：将铁氧体图像分成相同尺寸的贴片，并且利用有缺陷和无缺陷样品来训练堆叠去噪自动编码器FCSDA；
具体处理方式如下：
(41)定义损失函数J，计算公式为：
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>W</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>n</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <mrow> <mo>(</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>|</mo> <mo>|</mo> <msub> <mi>h</mi> <mrow> <mi>w</mi> <mo>,</mo> <mi>b</mi> </mrow> </msub> <mo>(</mo> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>)</mo> <mo>-</mo> <msup> <mi>y</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;lambda;</mi> <mfrac> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>r</mi> <mi>a</mi> </mrow> </msub> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> </mfrac> </mrow>
其中W是权重矩阵b是输入偏差，n为训练集所包含的样本个数，hW,b(x(i))是从输入x抽象的特向量，y是x近似向量；
(42)构建特征空间中的Fisher准则，计算公式为：
<mrow> <mi>&amp;lambda;</mi> <mfrac> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>r</mi> <mi>a</mi> </mrow> </msub> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> </mfrac> </mrow>
其中λ是比率因子，分式中两个J是特征的类内和类间距离；
(43)定义类内距离和类间距离，计算公式为：
<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>r</mi> <mi>a</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mi>i</mi> <mi>L</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>l</mi> </msub> </munderover> <mo>|</mo> <mo>|</mo> <msub> <mi>h</mi> <mrow> <mi>W</mi> <mo>,</mo> <mi>b</mi> </mrow> </msub> <mrow> <mo>(</mo> <msup> <mi>x</mi> <mi>i</mi> </msup> <mo>)</mo> </mrow> <mo>-</mo> <msup> <mi>M</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mi>i</mi> <mi>L</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>l</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </munderover> <msup> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>j</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>,</mo> <msub> <mi>n</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <msubsup> <mi>M</mi> <mi>j</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </mtd> </mtr> </mtable> </mfenced>
<mrow> <msub> <mi>J</mi> <mrow> <mi>i</mi> <mi>n</mi> <mi>t</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mi>i</mi> <mo>+</mo> <mn>1</mn> </mrow> <mi>L</mi> </munderover> <mo>|</mo> <mo>|</mo> <msup> <mi>M</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>-</mo> <msup> <mi>M</mi> <mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo> </mrow> </msup> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> </mrow>
其中，L为所拥有的类别，每个类别有mi个样本，i＝1.....L，nl表示SDA的输出层，表示nl层特征的第j个元素，M(i)是第i个类别的平均特征，定义如下：
<mrow> <msup> <mi>M</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </msup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>m</mi> <mi>l</mi> </msub> </msubsup> <msup> <mi>a</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>,</mo> <msub> <mi>n</mi> <mi>l</mi> </msub> <mo>)</mo> </mrow> </msup> </mrow> <msub> <mi>m</mi> <mi>l</mi> </msub> </mfrac> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mn>..</mn> <mi>L</mi> </mrow>
(44)将Fisher标准项最小化，用来缩短类内距离，同时增加类间距离；然后通过批量梯度下降算法将J(W,b)最小化；
(45)计算输出层的残留误差，计算公式为：
<mrow> <msubsup> <mi>&amp;delta;</mi> <mi>i</mi> <msub> <mi>n</mi> <mi>l</mi> </msub> </msubsup> <mo>=</mo> <mfrac> <mrow> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mfrac> <mrow> <msub> <mi>dJ</mi> <mrow> <mi>int</mi> <mi>r</mi> <mi>a</mi> </mrow> </msub> </mrow> <mrow> <msubsup> <mi>dz</mi> <mi>i</mi> <msub> <mi>n</mi> <mi>l</mi> </msub> </msubsup> </mrow> </mfrac> <mo>-</mo> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>r</mi> <mi>a</mi> </mrow> </msub> <mfrac> <mrow> <msub> <mi>dJ</mi> <mrow> <mi>int</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> </mrow> <mrow> <msubsup> <mi>dz</mi> <mi>l</mi> <msub> <mi>n</mi> <mi>l</mi> </msub> </msubsup> </mrow> </mfrac> </mrow> <mrow> <msup> <msub> <mi>J</mi> <mrow> <mi>int</mi> <mi>e</mi> <mi>r</mi> </mrow> </msub> <mn>2</mn> </msup> </mrow> </mfrac> </mrow>
(46)迭代其他层残差，计算公式为：
<mrow> <msubsup> <mi>&amp;delta;</mi> <mi>i</mi> <mi>l</mi> </msubsup> <mo>=</mo> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </munderover> <msubsup> <mi>W</mi> <mrow> <mi>j</mi> <mi>i</mi> </mrow> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </msubsup> <msubsup> <mi>&amp;delta;</mi> <mi>j</mi> <mrow> <mi>l</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>)</mo> </mrow> <mo>&amp;times;</mo> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </msubsup> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <msubsup> <mi>a</mi> <mi>i</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </msubsup> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>
步骤五：通过工业摄影机获取矩形铁氧体磁片的正样本和负样本图像；
步骤六：每个DA在无监督方式下进行训练；
步骤七：DA的权重和偏差参数用于初始化FCSDA而不是随机值；
步骤八：FCSDA通过带标签数据集的监督学习进行微调；
步骤九：对FCSDA进行训练；
步骤十：测试补丁通过FCSDA分类为有缺陷和无缺陷的类别；
具体处理方式如下：
(101)建立双FCSDA：其中第一堆叠去噪自动编码器FCSDA1用于将测试补丁分类到无缺陷或缺陷类别，第二堆叠去噪自动编码器FCSDA2用于重构输入补丁；
(102)图像重建：一旦有缺陷的斑块被标记，可以通过缺陷斑块和重建图像之间的差异来定位缺陷；将缺陷补丁输入到FCSDA2的编码部分，得到特征码；其次，将特征码输入到FCSDA2的解码部分；最后，从FSCDA2的输出获得重建图像；
(103)定位缺陷：包括无缺陷和缺陷样本的测试集输入到FCSDA1中；使用softmax分类器将样本识别为无缺陷模式或缺陷模式。
CN201711361712.6A 2017-12-18 2017-12-18 基于Fisher准则的铁氧体缺陷深度学习识别方法 Pending CN108122223A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711361712.6A CN108122223A (zh) 2017-12-18 2017-12-18 基于Fisher准则的铁氧体缺陷深度学习识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711361712.6A CN108122223A (zh) 2017-12-18 2017-12-18 基于Fisher准则的铁氧体缺陷深度学习识别方法

Publications (1)

Publication Number Publication Date
CN108122223A true CN108122223A (zh) 2018-06-05

Family

ID=62230080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711361712.6A Pending CN108122223A (zh) 2017-12-18 2017-12-18 基于Fisher准则的铁氧体缺陷深度学习识别方法

Country Status (1)

Country Link
CN (1) CN108122223A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059604A (zh) * 2019-04-10 2019-07-26 清华大学 深度均匀人脸特征提取的网络训练方法及装置
CN111028210A (zh) * 2019-11-25 2020-04-17 北京航天控制仪器研究所 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005785A (zh) * 2015-06-17 2015-10-28 中国科学院遥感与数字地球研究所 一种基于fisher信息矩阵的主动深度学习方法
CN105740653A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于LLRFC和相关性分析去除冗余的特征选择方法LLRFC score+
CN107145836A (zh) * 2017-04-13 2017-09-08 西安电子科技大学 基于栈式边界辨别自编码器的高光谱图像分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105005785A (zh) * 2015-06-17 2015-10-28 中国科学院遥感与数字地球研究所 一种基于fisher信息矩阵的主动深度学习方法
CN105740653A (zh) * 2016-01-27 2016-07-06 北京工业大学 基于LLRFC和相关性分析去除冗余的特征选择方法LLRFC score+
CN107145836A (zh) * 2017-04-13 2017-09-08 西安电子科技大学 基于栈式边界辨别自编码器的高光谱图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUNDONG LI等: ""Deformable Patterned Fabric Defect Detection With Fisher Criterion-Based Deep Learning"", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059604A (zh) * 2019-04-10 2019-07-26 清华大学 深度均匀人脸特征提取的网络训练方法及装置
CN111028210A (zh) * 2019-11-25 2020-04-17 北京航天控制仪器研究所 基于稀疏自动编码器的深度神经网络玻璃管端面缺陷检测方法
CN111028210B (zh) * 2019-11-25 2023-07-18 北京航天控制仪器研究所 一种基于深度神经网络的玻璃管端面缺陷检测方法
CN114723751A (zh) * 2022-06-07 2022-07-08 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法
CN114723751B (zh) * 2022-06-07 2022-09-23 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于无监督的带钢表面缺陷在线检测方法

Similar Documents

Publication Publication Date Title
CN107909564B (zh) 一种基于深度学习的全卷积网络图像裂纹检测方法
CN109829903B (zh) 一种基于卷积去噪自编码器的芯片表面缺陷检测方法
Giri et al. Unsupervised anomalous sound detection using self-supervised classification and group masked autoencoder for density estimation
CN108122223A (zh) 基于Fisher准则的铁氧体缺陷深度学习识别方法
CN110533024A (zh) 基于多尺度roi特征的双二次池化细粒度图像分类方法
CN111932511A (zh) 一种基于深度学习的电子元器件质量检测方法与系统
CN113643268A (zh) 基于深度学习的工业制品缺陷质检方法、装置及存储介质
CN112381790A (zh) 一种基于深度自编码的异常图像检测方法
Dey et al. SEM image denoising with unsupervised machine learning for better defect inspection and metrology
CN111179263A (zh) 一种工业图像表面缺陷检测模型、方法、系统及装置
CN115115921A (zh) 基于残差网路的晶圆缺陷模式识别方法
CN114219762A (zh) 基于图像修复的缺陷检测方法
CN110334478A (zh) 机器设备异常检测模型构建方法、检测方法及模型
CN116721057A (zh) 基于Transformer的缺陷检测方法及装置
CN117540779A (zh) 一种基于双源知识蒸馏的轻量化金属表面缺陷检测方法
CN113989224A (zh) 一种基于生成对抗网络的彩色纹理织物缺陷检测方法
CN116778235A (zh) 一种基于深度学习网络的晶圆表面缺陷分类方法
CN114549834A (zh) 一种半监督混合训练语义分割方法及系统
CN116563250A (zh) 一种复原式自监督疵点检测方法、装置及存储介质
CN116721291A (zh) 基于改进YOLOv7模型的金属表面缺陷检测方法
CN115330697A (zh) 基于可迁移Swin Transformer的轮胎瑕疵检测域自适应方法
Song et al. Anomaly composition and decomposition network for accurate visual inspection of texture defects
CN113947597B (zh) 一种基于屏蔽重建的工业缺陷检测方法、装置及介质
CN113689383B (zh) 一种图像处理方法、装置、设备及存储介质
CN114758133A (zh) 基于超像素主动学习和半监督学习策略的图像瑕疵分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180605

RJ01 Rejection of invention patent application after publication