基于Fisher准则的铁氧体缺陷深度学习识别方法技术

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。

【技术实现步骤摘要】
基于Fisher准则的铁氧体缺陷深度学习识别方法
本专利技术涉及一种矩形铁氧体磁片的表面缺陷识别方法。
技术介绍
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。
技术实现思路
本专利技术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。本专利技术利用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。本专利技术中，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。本专利技术的优点是：提高检测准确度以及强化检测速度。附图说明图1为本专利技术方法的工作流程框图。图2为本专利技术的权重训练的可视化示意图。图3为本专利技术的缺陷定位结果比较示意图。图4是本专利技术方法的流程图。具体实施方式下面结合附图对本专利技术做进一步说明。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FCS本文档来自技高网...

【技术保护点】
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||

【技术特征摘要】
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：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：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：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：

【专利技术属性】
技术研发人员：姚明海，叶耀威，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33