CN117593307B - 基于多类别自适应感知网络的检测方法、系统及存储介质 - Google Patents
基于多类别自适应感知网络的检测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117593307B CN117593307B CN202410078651.6A CN202410078651A CN117593307B CN 117593307 B CN117593307 B CN 117593307B CN 202410078651 A CN202410078651 A CN 202410078651A CN 117593307 B CN117593307 B CN 117593307B
- Authority
- CN
- China
- Prior art keywords
- layer
- self
- sensing network
- class
- category
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 230000007547 defect Effects 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008447 perception Effects 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012552 review Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 3
- 240000004760 Pimpinella anisum Species 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及缺陷检测技术领域,公开了基于多类别自适应感知网络的检测方法、系统及存储介质,包括如下依次执行的步骤:步骤S10:搭建多类别自适应感知网络;步骤S20:利用不同类别零部件缺陷样本图像对所述多类别自适应感知网络进行训练;步骤S30:将待检测图像输入训练好的所述多类别自适应感知网络,计算所述待检测图像中缺陷框的位置;步骤S40:获取新类别零部件缺陷样本图像,根据历史样本比例抽取各个类别的零部件样本图像用于与所述新类别零部件缺陷样本图像共同对所述多类别自适应感知网络进行训练。使用持续学习的思想,使得多类别自适应感知网络可以不断的学习,不同类型的零部件的缺陷检测,进一步提升企业的效率,大大降低企业的运营成本。
Description
技术领域
本发明涉及缺陷检测技术领域,特别指基于多类别自适应感知网络的检测方法、系统及存储介质。
背景技术
通用缺陷检测方法是计算机视觉更近一步的理解工业的关键步骤,通过一张RGB图像能够有效的检测出不同零部件的缺陷。而准确检测出零部件的缺陷,对于企业提升产品优良率,以及生产效率,减低成本等具有重要的意义。
尽管缺陷检测领域发展迅速,但是不论何种缺陷检测方法,只能针对一类特定的零部件,不能针对不同类别的零部件进行检测,使的企业在针对不同类别零部件进行检测时,需要重新训练一个模型,极大增加了成本。同时,现有的缺陷检测方法无法做到持续的更新与学习,一旦模型训练好后,当在面对一个新类别的零部件时,需要从头开始训练缺陷检测模型,进一步加剧了企业的运营成本。
在网络结构设计方面WeiB等人(Textile Research Journal, 2019, 89(17):3539−3555)在论文“Anewmethodusingthe convolutional neural network withcompressive sensing for fabric defect classification based on small samplesizes.”提出一种基于卷积神经网络的方法,全程使用卷积操作,来提取图像的特征,但是忽略了图像的全局特征。但全局特征对于理解零部件的缺陷位置提供了有效信息,由于忽略了全局特征导致网络精度无法满足企业的需要。此外该方法还无法进行持续学习,当出现一个新类别的零部件时需要重新训练,极大的增加了企业成本。
专利公开号为CN104458755B的中国专利公开了一种基于机器视觉的多类型材质表面缺陷检测方法,利用子图像灰度差、彩色直方图、像素均匀度作为特征,通过特征学习得到获得平均的合格品图像特征,通过设定阈值将缺陷分割出来。但对于缺陷检测而言,虽然提高了速度,但是仍然不能持续的学习,一旦换了一种新类别的零部件则无法进行大规模的检测。
发明内容
本发明的目的在于提供能够持续学习的基于多类别自适应感知网络的检测方法、系统即存储介质。
为了达到上述目的,本发明采用这样的技术方案:
基于多类别自适应感知网络的检测方法,包括如下依次执行的步骤:
步骤S10:基于轻量高效多头自注意力层,可分离解码层和可分离编码层搭建多类别自适应感知网络;
步骤S20:获取不同类别零部件缺陷样本图像,利用所述不同类别零部件缺陷样本图像对所述多类别自适应感知网络进行训练;
步骤S30:将待检测图像输入训练好的所述多类别自适应感知网络,计算所述待检测图像中缺陷框的位置;
步骤S40:当出现新类别零部件时,获取所述新类别零部件缺陷样本图像,计算所述多类别自适应感知网络中各个类别的零部件历史样本比例,根据所述历史样本比例抽取各个类别的零部件样本图像用于与所述新类别零部件缺陷样本图像共同对所述多类别自适应感知网络进行训练。
优选的,步骤S10中,所述多类别自适应感知网络包括:
一大小为7×7的第一卷积核、一第一轻量高效多头自注意力层、一第二轻量高效多头自注意力层、一第三轻量高效多头自注意力层、一第四轻量高效多头自注意力层、一第五轻量高效多头自注意力层、一第一可分离编码层、一第二可分离编码层、一第三可分离编码层、一第四可分离编码层、一第五可分离编码层和一可分离解码层;
所述第一轻量高效多头自注意力层、所述第二轻量高效多头自注意力层、所述第三轻量高效多头自注意力层、所述第四轻量高效多头自注意力层和所述第五轻量高效多头自注意力层均包括一第一卷积层,一全局均值池化层,一第一归一化层,一多头注意力层,一第二归一化层,一第二卷积层,一PReLU层和一第三卷积层,并依次用A1,1、A1,2、A1,3、A1,4、A1,5、A1,6、A1,7、A1,8表示;
所述第一可分离编码层、所述第二可分离编码层、所述第三可分离编码层、所述第四可分离编码层和所述第五可分离编码层均包括一可分离卷积层,一归一化层,一PReLU层和一卷积层,并依次用B1,1、B1,2、B1,3、B1,4表示;
所述可分离解码层包括一可分离卷积层,一PReLU层和一卷积层,并依次用C1,1、C1,2、C1,3表示;
所述第一卷积核的输出端与第一轻量高效多头自注意力层的输入端连接,所述第一可分离编码层、所述第二轻量高效多头自注意力、所述第二可分离编码层、所述第三轻量高效多头自注意力层、所述第三可分离编码层、所述第四轻量高效多头自注意力层、所述第四可分离编码层、所述第五轻量高效多头自注意力层、所述第五可分离编码层以及所述可分离解码层依次串行排列。
优选的,步骤S20对所述多类别自适应感知网络进行训练包括如下依次执行的步骤:
步骤S21:获取不同零部件缺陷样本图像,将所述不同零部件缺陷样本图像调整成大小为的RGB图像,将所述RGB图像输入所述多类别自适应感知网络;
步骤S22:通过所述多类别自适应感知网络获取所述RGB图像中缺陷框的位置;
步骤S23:采用交叉熵损失函数和L1损失函数建立如下第(1)公式来计算所述不同零部件缺陷样本的缺陷位置的损失值:
(1);
其中表示损失值,用来训练多类别自适应感知网络;/>表示零部件类别的编号,且为正整数;/>表示第/>个类别零部件缺陷的预测值;/>表示第/>个类别零部件缺陷的真值。
优选的,所述步骤S30具体包括:
步骤S31:获取所述待检测图像,将所述待检测图像调整成大小为的RGB图像,将所述待检测图像的RGB图像输入训练好的所述多类别自适应感知网络中;
步骤S32:通过所述多类别自适应感知网络获取RGB图像中缺陷框的位置,并进行标注,待所述多类别自适应感知网络完成训练之后,得到所述多类别自适应感知网络的权重文件。
优选的,步骤S40具体包括:
步骤S41:获取数张新类别零部件图像,构成新类别零部件图像数据集,并人为的标注出各所述新类别零部件图像缺陷框的位置;
步骤S42:将所述权重文件加载到原先的所述多类别自适应感知网络上,并且冻住参数;
步骤S43:使用所述步骤S41收集到的所述新类别零部件图像数据集,对所述多类别自适应感知网络进行重新训练;
步骤S44:从旧类别的零部件历史样本中选择20%的样本,并将其与所述新类别零部件图像数据集一起使用来进行复习训练,同时使用增量化的正则化方法来保护旧类别的零部件的参数,选取的这些旧类别的零部件历史样本需要有明显的特征;
步骤S45:在完成步骤S44后,为加强所述多类别自适应感知网络的性能,将所述步骤S44选择旧类别的零部件历史样本与所述新类别零部件图像数据集以及增量化的正则化方法结合起来进行综合训练,使用步骤S23的L1损失函数更新所述多类别自适应感知网络模型的参数,使其适应新类别的零部件的缺陷检测,训练过程中旧类别的零部件性能权重为40%,新类别的零部件性能权重为60%,以此来评估多类别自适应感知网络模型最终的性能。
一种检测系统,包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令;所述处理器中配置有经由执行所述可执行命令来实现上述任一项所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
通过采用前述设计方案,本发明的有益效果是:
1、通过使用轻量高效多头自注意力层与可分离编码层构建网络,能够捕获高效的全局的特征,接着借助可分离解码层,可以将网络的注意力解码出更精确的特征,提高检测的能力;
2、通过在多类别自适应感知网络中使用可分离编码层操作,使得多类别自适应感知网络能够高效的捕获局部信息,弥补全局信息带来局部信息的丢失,极大的提升了缺陷检测的精度;
3、通过使用持续学习的思想,使得多类别自适应感知网络可以不断的学习,不同类型的零部件的缺陷检测,进一步提升了企业的效率,大大降低企业的运营成本。
附图说明
图1是本发明基于多类别自适应感知网络的检测方法的流程图;
图2是本发明多类别自适应感知网络的结构示意图;
图3是本发明轻量高效多头自注意力层的结构示意图;
图4是本发明可分离编码层的结构示意图;
图5是本发明可分离解码层的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明的部份实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
基于多类别自适应感知网络的检测方法,如图1所示,包括如下依次执行的步骤:
步骤S10:如图2-图5所示,基于轻量高效多头自注意力层(LightweightEfficient Multi-head Self-attention Layer),可分离解码层(Separable EncodeLayer)和可分离编码层(Separable Decode Layer)搭建多类别自适应感知网络;
步骤S10中,多类别自适应感知网络包括:
一大小为7×7的第一卷积核、一第一轻量高效多头自注意力层、一第二轻量高效多头自注意力层、一第三轻量高效多头自注意力层、一第四轻量高效多头自注意力层、一第五轻量高效多头自注意力层、一第一可分离编码层、一第二可分离编码层、一第三可分离编码层、一第四可分离编码层、一第五可分离编码层和一可分离解码层;
第一轻量高效多头自注意力层、第二轻量高效多头自注意力层、第三轻量高效多头自注意力层、第四轻量高效多头自注意力层和第五轻量高效多头自注意力层均包括一第一卷积层,一全局均值池化层,一第一归一化层,一多头注意力层,一第二归一化层,一第二卷积层,一PReLU层和一第三卷积层,并依次用A1,1、A1,2、A1,3、A1,4、A1,5、A1,6、A1,7、A1,8表示;
第一可分离编码层、第二可分离编码层、第三可分离编码层、第四可分离编码层和第五可分离编码层均包括一可分离卷积层,一归一化层,一PReLU层和一卷积层,并依次用B1,1、B1,2、B1,3、B1,4表示;
可分离解码层包括一可分离卷积层,一PReLU层和一卷积层,并依次用C1,1、C1,2、C1,3表示;
第一卷积核的输出端与第一轻量高效多头自注意力层的输入端连接,用于改变图像的通道数并将图像展平;第一可分离编码层、第二轻量高效多头自注意力、第二可分离编码层、第三轻量高效多头自注意力层、第三可分离编码层、第四轻量高效多头自注意力层、第四可分离编码层、第五轻量高效多头自注意力层、第五可分离编码层以及可分离解码层依次串行排列。
步骤S20:获取不同类别零部件缺陷样本图像,利用所述不同类别零部件缺陷样本图像对所述多类别自适应感知网络进行训练;
即事先获取大量的不同类别零部件缺陷样本图像,对各不同类别零部件缺陷样本图像的缺陷位置进行标注后,划分为训练集、验证集和测试集,将训练集输入多类别自适应感知网络进行训练,再利用验证集对训练后的多类别自适应感知网络进行验证,判断损失值是否达到预设的阈值;本实施例的多类别自适应感知网络属于深度神经网络。
步骤S20对多类别自适应感知网络进行训练包括如下依次执行的步骤:
步骤S21:获取不同零部件缺陷样本图像,将不同零部件缺陷样本图像调整成大小为的RGB图像,将RGB图像输入多类别自适应感知网络;
步骤S22:通过多类别自适应感知网络获取RGB图像中缺陷框的位置;
步骤S23:采用交叉熵损失函数和L1损失函数建立如下第(1)公式来计算不同零部件缺陷样本的缺陷位置的损失值:
(1);
其中表示损失值,用来训练多类别自适应感知网络;/>表示零部件类别的编号,且为正整数;/>表示第/>个类别零部件缺陷的预测值;/>表示第/>个类别零部件缺陷的真值。
步骤S30:将待检测图像输入训练好的所述多类别自适应感知网络,计算所述待检测图像中缺陷框的位置;
步骤S30具体包括:
步骤S31:获取所述待检测图像,将所述待检测图像调整成大小为的RGB图像,将所述待检测图像的RGB图像输入训练好的所述多类别自适应感知网络中;
步骤S32:通过所述多类别自适应感知网络获取RGB图像中缺陷框的位置,并进行标注,待所述多类别自适应感知网络完成训练之后,得到所述多类别自适应感知网络的权重文件。
步骤S40:当出现新类别零部件时,获取所述新类别零部件缺陷样本图像,计算所述多类别自适应感知网络中各个类别的零部件历史样本比例,根据所述历史样本比例抽取各个类别的零部件样本图像用于与所述新类别零部件缺陷样本图像共同对所述多类别自适应感知网络进行训练。
步骤S40具体包括:
步骤S41:获取数张新类别零部件图像,构成新类别零部件图像数据集,并人为的标注出各所述新类别零部件图像缺陷框的位置;
步骤S42:将所述权重文件加载到原先的所述多类别自适应感知网络上,并且冻住参数,以确保能够针对新类别的零部件;
步骤S43:使用所述步骤S41收集到的所述新类别零部件图像数据集,对所述多类别自适应感知网络进行重新训练;将图像输入样本和相应的缺陷框的位置提供给模型,使用步骤S23的L1损失函数更新模型的参数,使其适应新类别的零部件的缺陷检测。
步骤S44:经过步骤S43训练后得到的所述多类别自适应感知网络针对旧类别的零部件缺陷检测的性能会有所下降,从旧类别的零部件历史样本中选择20%的样本,并将其与所述新类别零部件图像数据集一起使用来进行复习训练,同时使用增量化的正则化方法来保护旧类别的零部件的参数,选取的这些旧类别的零部件历史样本需要有明显的特征;
步骤S45:在完成步骤S44后,为加强所述多类别自适应感知网络的性能,将所述步骤S44选择旧类别的零部件历史样本与所述新类别零部件图像数据集以及增量化的正则化方法结合起来进行综合训练,使用步骤S23的L1损失函数更新所述多类别自适应感知网络模型的参数,使其适应新类别的零部件的缺陷检测,训练过程中旧类别的零部件性能权重为40%,新类别的零部件性能权重为60%,以此来评估多类别自适应感知网络模型最终的性能。
本实施例还提供了一种用于实现上述方法的检测系统。
一种检测系统,包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令;所述处理器中配置有经由执行所述可执行命令来实现上述任一项所述的方法。
本实施例还提供了一种存储有实现上述方法的计算机程序的存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述的方法。
综上所述,通过使用轻量高效多头自注意力层与可分离编码层构建网络,其中轻量高效多头自注意力层对图像的全局像素进行关联,能让网络通过全局信息来判断,哪些特征需要更加关注,哪些特征需要弱化,而可分离编码层,能够在弥补关注全局信息时导致局部信息的丢失的问题,具体而言,在全局的基础上关注局部特征,能让网络做到有的放矢,强化关注重要的特征,弱化不相关的特征;接着借助可分离解码层,可以将网络的注意力解码出更精确的特征,具体而言,该可分离编码层,由于使用可分离卷积层,不仅仅只是关注局部的特征,同时也考虑到更大范围内的特征,从而提高网络检测的能力;通过使用持续学习的思想,使得多类别自适应感知网络可以不断的学习,不同类型的零部件的缺陷检测,具体而言,该方法在面对新类别的零部件时,不需要重新训练一个新的网络,只需要根据各个类别的零部件历史样本比例,在历史数据中挑选20%的比例的样本数据与新类别零部件样本进行训练,大大提高了训练的效率,进一步提升了企业的效率,大大降低企业的运营成本。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.基于多类别自适应感知网络的检测方法,其特征在于:包括如下依次执行的步骤:
步骤S10:基于轻量高效多头自注意力层、可分离解码层和可分离编码层搭建多类别自适应感知网络;
步骤S10中,所述多类别自适应感知网络包括:
一大小为7×7的第一卷积核、一第一轻量高效多头自注意力层、一第二轻量高效多头自注意力层、一第三轻量高效多头自注意力层、一第四轻量高效多头自注意力层、一第五轻量高效多头自注意力层、一第一可分离编码层、一第二可分离编码层、一第三可分离编码层、一第四可分离编码层、一第五可分离编码层和一可分离解码层;
所述第一轻量高效多头自注意力层、所述第二轻量高效多头自注意力层、所述第三轻量高效多头自注意力层、所述第四轻量高效多头自注意力层和所述第五轻量高效多头自注意力层均包括一第一卷积层,一全局均值池化层,一第一归一化层,一多头注意力层,一第二归一化层,一第二卷积层,一PReLU层和一第三卷积层,并依次用A1,1、A1,2、A1,3、A1,4、A1,5、A1,6、A1,7、A1,8表示;
所述第一可分离编码层、所述第二可分离编码层、所述第三可分离编码层、所述第四可分离编码层和所述第五可分离编码层均包括一可分离卷积层,一归一化层,一PReLU层和一卷积层,并依次用B1,1、B1,2、B1,3、B1,4表示;
所述可分离解码层包括一可分离卷积层,一PReLU层和一卷积层,并依次用C1,1、C1,2、C1,3表示;
所述第一卷积核的输出端与第一轻量高效多头自注意力层的输入端连接,所述第一可分离编码层、所述第二轻量高效多头自注意力、所述第二可分离编码层、所述第三轻量高效多头自注意力层、所述第三可分离编码层、所述第四轻量高效多头自注意力层、所述第四可分离编码层、所述第五轻量高效多头自注意力层、所述第五可分离编码层以及所述可分离解码层依次串行排列;
步骤S20:获取不同类别零部件缺陷样本图像,利用所述不同类别零部件缺陷样本图像对所述多类别自适应感知网络进行训练;
步骤S20对所述多类别自适应感知网络进行训练包括如下依次执行的步骤:
步骤S21:获取不同零部件缺陷样本图像,将所述不同零部件缺陷样本图像调整成大小为224×224的RGB图像,将所述RGB图像输入所述多类别自适应感知网络;
步骤S22:通过所述多类别自适应感知网络获取所述RGB图像中缺陷框的位置;
步骤S23:采用交叉熵损失函数和L1损失函数建立如下第(1)公式来计算所述不同零部件缺陷样本的缺陷位置的损失值:
L=∑i(-yilog(pi)+||yi-pi||1) (1);
其中L表示损失值,用来训练多类别自适应感知网络;i表示零部件类别的编号,且i为正整数;pi表示第i个类别零部件缺陷的预测值;yi表示第i个类别零部件缺陷的真值;
步骤S30:将待检测图像输入训练好的所述多类别自适应感知网络,计算所述待检测图像中缺陷框的位置,获取训练好的所述多类别自适应感知网络的权重文件;
步骤S40:当出现新类别零部件时,获取所述新类别零部件缺陷样本图像,计算所述多类别自适应感知网络中各个类别的零部件历史样本比例,根据所述历史样本比例抽取各个类别的零部件样本图像用于与所述新类别零部件缺陷样本图像共同对所述多类别自适应感知网络进行训练;
步骤S40具体包括:
步骤S41:获取数张新类别零部件图像,构成新类别零部件图像数据集,并人为的标注出各所述新类别零部件图像缺陷框的位置;
步骤S42:将所述权重文件加载到原先的所述多类别自适应感知网络上,并且冻住参数;
步骤S43:使用所述步骤S41收集到的所述新类别零部件图像数据集,对所述多类别自适应感知网络进行重新训练;
步骤S44:从旧类别的零部件历史样本中选择20%的样本,并将其与所述新类别零部件图像数据集一起使用来进行复习训练,同时使用增量化的正则化方法来保护旧类别的零部件的参数,选取的这些旧类别的零部件历史样本需要有明显的特征;
步骤S45:在完成步骤S44后,为加强所述多类别自适应感知网络的性能,将所述步骤S44选择旧类别的零部件历史样本与所述新类别零部件图像数据集以及增量化的正则化方法结合起来进行综合训练,使用步骤S23的L1损失函数更新所述多类别自适应感知网络模型的参数,使其适应新类别的零部件的缺陷检测,训练过程中旧类别的零部件性能权重为40%,新类别的零部件性能权重为60%,以此来评估多类别自适应感知网络模型最终的性能。
2.如权利要求1所述的基于多类别自适应感知网络的检测方法,其特征在于:所述步骤S30具体包括:
步骤S31:获取所述待检测图像,将所述待检测图像调整成大小为224×224的RGB图像,将所述待检测图像的RGB图像输入训练好的所述多类别自适应感知网络中;
步骤S32:通过所述多类别自适应感知网络获取RGB图像中缺陷框的位置,并进行标注,待所述多类别自适应感知网络完成训练之后,得到所述多类别自适应感知网络的权重文件。
3.一种检测系统,其特征在于:包括存储器和处理器,所述存储器中存储有所述处理器的可执行命令;所述处理器中配置有经由执行所述可执行命令来实现权利要求1至2任一项所述的方法。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现如权利要求1至2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078651.6A CN117593307B (zh) | 2024-01-19 | 2024-01-19 | 基于多类别自适应感知网络的检测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410078651.6A CN117593307B (zh) | 2024-01-19 | 2024-01-19 | 基于多类别自适应感知网络的检测方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117593307A CN117593307A (zh) | 2024-02-23 |
CN117593307B true CN117593307B (zh) | 2024-04-23 |
Family
ID=89922801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410078651.6A Active CN117593307B (zh) | 2024-01-19 | 2024-01-19 | 基于多类别自适应感知网络的检测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117593307B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330591A (zh) * | 2020-09-30 | 2021-02-05 | 中国铁道科学研究院集团有限公司 | 少样本学习的钢轨表面缺陷检测方法及装置 |
CN115564749A (zh) * | 2022-10-21 | 2023-01-03 | 华中科技大学 | 基于终身学习的多类别纹理表面缺陷检测模型的构建方法 |
CN115811440A (zh) * | 2023-01-12 | 2023-03-17 | 南京众智维信息科技有限公司 | 一种基于网络态势感知的实时流量检测方法 |
CN115984110A (zh) * | 2023-01-05 | 2023-04-18 | 河南大学 | 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11489622B2 (en) * | 2020-06-12 | 2022-11-01 | Arizona Board Of Regents On Behalf Of The University Of Arizona | Probabilistically coded modulation for fronthaul networks |
-
2024
- 2024-01-19 CN CN202410078651.6A patent/CN117593307B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112330591A (zh) * | 2020-09-30 | 2021-02-05 | 中国铁道科学研究院集团有限公司 | 少样本学习的钢轨表面缺陷检测方法及装置 |
CN115564749A (zh) * | 2022-10-21 | 2023-01-03 | 华中科技大学 | 基于终身学习的多类别纹理表面缺陷检测模型的构建方法 |
CN115984110A (zh) * | 2023-01-05 | 2023-04-18 | 河南大学 | 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法 |
CN115811440A (zh) * | 2023-01-12 | 2023-03-17 | 南京众智维信息科技有限公司 | 一种基于网络态势感知的实时流量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117593307A (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080620B (zh) | 一种基于深度学习的道路病害检测方法 | |
CN108960245B (zh) | 轮胎模具字符的检测与识别方法、装置、设备及存储介质 | |
CN112800876A (zh) | 一种用于重识别的超球面特征嵌入方法及系统 | |
CN111209858A (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN111209907A (zh) | 一种复杂光污染环境下产品特征图像人工智能识别方法 | |
CN109740553B (zh) | 一种基于识别的图像语义分割数据筛选方法及系统 | |
CN114757925A (zh) | 一种非接触式高压断路器缺陷检测方法及系统 | |
CN115147418A (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN114972316A (zh) | 基于改进YOLOv5的电池壳端面缺陷实时检测方法 | |
CN116416476A (zh) | 一种基于深度学习的垃圾分类与识别的方法及系统 | |
CN116452862A (zh) | 基于领域泛化学习的图像分类方法 | |
CN116597136A (zh) | 一种半监督遥感图像语义分割方法与系统 | |
CN116740728A (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN115410059A (zh) | 基于对比损失的遥感图像部分监督变化检测方法及设备 | |
CN111242870A (zh) | 一种基于深度学习知识蒸馏技术的低光图像增强方法 | |
CN117593307B (zh) | 基于多类别自适应感知网络的检测方法、系统及存储介质 | |
CN110136098B (zh) | 一种基于深度学习的线缆顺序检测方法 | |
CN116740460A (zh) | 一种基于卷积神经网络的pcb缺陷检测系统及检测方法 | |
CN111612802A (zh) | 一种基于现有图像语义分割模型的再优化训练方法及应用 | |
CN114821174B (zh) | 一种基于内容感知的输电线路航拍图像数据清洗方法 | |
CN107944393B (zh) | 人脸鼻尖定位方法 | |
CN115619707A (zh) | 一种汽车车门密封件表面缺陷检测方法和系统 | |
CN114648738A (zh) | 一种基于物联网与边缘计算的图像识别系统与方法 | |
Du et al. | UIEDP: Underwater Image Enhancement with Diffusion Prior | |
CN114119382A (zh) | 一种基于注意力生成对抗网络的图像去雨滴方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240523 Address after: 362000 Kangmei Town Development Zone, Nan'an City, Quanzhou City, Fujian Province Patentee after: Minnan University of science and technology Country or region after: China Address before: Room 503, Building 7, Wan'anli, No. 85 Wansheng Street, Luojiang District, Quanzhou City, Fujian Province, 362000 Patentee before: Quanzhou Lianyou Software Technology Co.,Ltd. Country or region before: China |