一种工业检测用深度学习的AI智能模型制造技术

本发明专利技术涉及工业检测的技术领域，特别是涉及一种工业检测用深度学习的AI智能模型，其可以大大减少了网络学习参数的数量，得到更精简的网络结构；同时在训练过程中也减少对一般深度学习模型大量数据的需求，更适合训练数据难以获取的生产线的自动缺陷检测；其特征在于，包括：空间多尺度模块、频道特征重新动态标定模块、不同层次金字塔的特征重用模块、全局连接池化操作模块和批量标准化模块。

【技术实现步骤摘要】
一种工业检测用深度学习的AI智能模型
本专利技术涉及工业检测的
，特别是涉及一种工业检测用深度学习的AI智能模型。
技术介绍
深度学习在图像识别已经得到了广泛的应用，尤其是基于数据的分类应用，或者称为监督式的学习应用，在已知数据分类结果的前提下，根据预先数据的分类结果来生成数据模型，通过调整模型的参数及权重值，来得到所预先定义的模型分类结果。之所以被称为深度学习在于模型分为通常有很多层，极端的模型的层数甚至超过1000层。对于每层而言，特定的神经元连接有特定的权重及参数，而全连接层每层之间的神经元全部连接，使得参数及其庞大。如输入图像像素值为1000X1000，连接上下层的权重达到10^12个，为了解决这个问题，卷积神经网络限制了上下层神经元的直接连接，而是以卷积核作为中介，通过权重共享及池化策略进行计算。卷积网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。其优点包括减少了需要训练的参数，降低网络的空间分辨率，消除信号的微小偏移和扭曲，从而对输入数据的平移不变性要求不高。基于卷积神经网络的深度学习算法已经在包括目标识别、图像分割、图像生成等多个方面得到广泛应用，如手写字符识别，人脸识别，取得了良好的经济效益。卷积神经网络通过卷积核实现了权重共享池化运算，提高了模型的泛化效应，这提高了模型对于输入数据偏移的容忍度，如手写字符的不规整，人脸的部分遮挡及变形具有良好的适应性。然而，在工业检测领域，其主要目的是识别成品及半成品的瑕疵，一方面对于很强的背景的适应能力，也就是更高的模型泛化能力，另一方面，又需要对特定的瑕疵具有识别能力，也就是不能容忍特定数据的偏移，这对于主流的卷积神经网络是一个挑战，要求深度学习模型训练对数据的需求更高。
技术实现思路
为解决上述技术问题，本专利技术提供一种可以大大减少了网络学习参数的数量，得到更精简的网络结构；同时在训练过程中也减少对一般深度学习模型大量数据的需求，更适合训练数据难以获取的生产线的自动缺陷检测的工业检测用深度学习的AI智能模型。本专利技术的一种工业检测用深度学习的AI智能模型，包括：空间多尺度模块、频道特征重新动态标定模块、不同层次金字塔的特征重用模块、全局连接池化操作模块和批量标准化模块；空间多尺度模块，基于空间多尺度理论模拟人类的粗粒度和精细粒度相结合的学习和推理方式，并且结构中嵌入了多尺度信息，聚合多种不同感受野上的特征来获得性能增益，并且利用，综合兼顾图像的周围环境上下文大特征和局部精细小特征；频道特征重新动态标定模块，对于不同的频道，其特征信息对于最后的应用任务的重要性不同，对于不同的输入图像，对不同的通道进行动态重标定或加权；不同层次金字塔的特征重用模块，将网路前面层的特征重复利用，减少学习的网路参数，如果最后分类或识别用到前面层的特征，后面网路层不需要用更复杂的网路结构重新学习前面的特征，并且能够减少相应的用于训练的数据量；全局连接池化操作模块，只用一个全连接层，相对于常规三层的全连接层的参数数量大大减少，对于分类任务，在分类层前利用特征图的全局平均池化层，增强特征图类别的学习，比传统的多层全连接层更不容易过拟合；批量标准化模块，灵活选择配置在一个或多个卷积层之间加入批量标准化层。本专利技术的一种工业检测用深度学习的AI智能模型，还包括：其中空间多尺度模块还可以在靠近输入图像层时，采用并行的多尺度信息频道有效提取互补的信息。本专利技术的一种工业检测用深度学习的AI智能模型，还包括：其中频道特征重新动态标定模块还可以利用全局信息，通过学习每层通道之间的相关性，自适应地重新校准各个通道的特征。本专利技术的一种工业检测用深度学习的AI智能模型，还包括：其中不同层次金字塔的特征重用模块还可以根据需要，灵活配置网路层之间的直通连接。与现有技术相比本专利技术的有益效果为：用户根据应用灵活定制；灵活的网络架构:由多种不同的基本模块灵活配置；新颖的网路架构大大减少了网络学习参数的数量，得到更精简的网络结构；训练过程中也同时减少对一般深度学习模型大量数据的需求，更适合训练数据难以获取的生产线的自动缺陷检测；在相同训练数据量的情况下，大大降低过拟合的几率，从而提高学习模型的泛化能力；减少运算量，适合实时系统的快速检测，易于集成在嵌入式系统中；针对特定表征的定向强化，对指定的缺陷具备强识别能力。附图说明图1是本专利技术的逻辑关系图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。一种工业检测用深度学习的AI智能模型，其特征在于，包括：空间多尺度模块、频道特征重新动态标定模块、不同层次金字塔的特征重用模块、全局连接池化操作模块和批量标准化模块；空间多尺度模块，基于空间多尺度理论模拟人类的粗粒度和精细粒度相结合的学习和推理方式，并且结构中嵌入了多尺度信息，聚合多种不同感受野上的特征来获得性能增益，并且利用，综合兼顾图像的周围环境上下文大特征和局部精细小特征；频道特征重新动态标定模块，对于不同的频道，其特征信息对于最后的应用任务的重要性不同，对于不同的输入图像，对不同的通道进行动态重标定或加权；不同层次金字塔的特征重用模块，将网路前面层的特征重复利用，减少学习的网路参数，如果最后分类或识别用到前面层的特征，后面网路层不需要用更复杂的网路结构重新学习前面的特征，并且能够减少相应的用于训练的数据量,大大降低了网路结构的参数数量，有极高的参数利用率，有效解决了梯度与信息消失现象带来的学习困难；全局连接池化操作模块，只用一个全连接层，相对于常规三层的全连接层的参数数量大大减少，对于分类任务，在分类层前利用特征图的全局平均池化层，增强特征图类别的学习，比传统的多层全连接层更不容易过拟合；批量标准化模块，灵活选择配置在一个或多个卷积层之间加入批量标准化层，易于优化超参数，提高学习效率和收敛速度；AI模型可以准确地对复杂背景下的各种缺陷进行分类，甚至可以有效地区分微弱缺陷和粉尘现象，大大减少了工业生产中因环境问题造成的过度杀灭；用户根据应用灵活定制；灵活的网络架构:由多种不同的基本模块灵活配置；新颖的网路架构大大减少了网络学习参数的数量，得到更精简的网络结构；训练过程中也同时减少对一般深度学习模型大量数据的需求，更适合训练数据难以获取的生产线的自动缺陷检测；在相同训练数据量的情况下，大大降低过拟合的几率，从而提高学习模型的泛化能力；减少运算量，适合实时系统的快速检测，易于集成在嵌入式系统中；针对特定表征的定向强化，对指定的缺陷具备强识别能力。作为一种优选的技术方案，一种工业检测用深度学习的AI智能模型，其特征在于，包括：空间多尺度模块、频道特征重新动态标定模块、不同层次金字塔的特征重用模块、全局连接池化操作模块和批量标准化模块；空间多尺度模块，基于空间多尺度理论模拟人类的粗粒度和精细粒度相结合的学习和推本文档来自技高网...

【技术保护点】
1.一种工业检测用深度学习的AI智能模型，其特征在于，包括：空间多尺度模块、频道特征重新动态标定模块、不同层次金字塔的特征重用模块、全局连接池化操作模块和批量标准化模块；/n空间多尺度模块，基于空间多尺度理论模拟人类的粗粒度和精细粒度相结合的学习和推理方式，并且结构中嵌入了多尺度信息，聚合多种不同感受野上的特征来获得性能增益，并且利用，综合兼顾图像的周围环境上下文大特征和局部精细小特征；/n频道特征重新动态标定模块，对于不同的频道，其特征信息对于最后的应用任务的重要性不同，对于不同的输入图像，对不同的通道进行动态重标定或加权；/n不同层次金字塔的特征重用模块，将网路前面层的特征重复利用，减少学习的网路参数，如果最后分类或识别用到前面层的特征，后面网路层不需要用更复杂的网路结构重新学习前面的特征，并且能够减少相应的用于训练的数据量；/n全局连接池化操作模块，只用一个全连接层，相对于常规三层的全连接层的参数数量大大减少，对于分类任务，在分类层前利用特征图的全局平均池化层，增强特征图类别的学习，比传统的多层全连接层更不容易过拟合；/n批量标准化模块，灵活选择配置在一个或多个卷积层之间加入批量标准化层。/n...

【技术特征摘要】
1.一种工业检测用深度学习的AI智能模型，其特征在于，包括：空间多尺度模块、频道特征重新动态标定模块、不同层次金字塔的特征重用模块、全局连接池化操作模块和批量标准化模块；
空间多尺度模块，基于空间多尺度理论模拟人类的粗粒度和精细粒度相结合的学习和推理方式，并且结构中嵌入了多尺度信息，聚合多种不同感受野上的特征来获得性能增益，并且利用，综合兼顾图像的周围环境上下文大特征和局部精细小特征；
频道特征重新动态标定模块，对于不同的频道，其特征信息对于最后的应用任务的重要性不同，对于不同的输入图像，对不同的通道进行动态重标定或加权；
不同层次金字塔的特征重用模块，将网路前面层的特征重复利用，减少学习的网路参数，如果最后分类或识别用到前面层的特征，后面网路层不需要用更复杂的网路结构重新学习前面的特征，并且能够减少相应的用于训练的数据量；
全局连接池化操作模块，只用一个全连接...

【专利技术属性】
技术研发人员：黄西士，吕越峰，张剑，
申请(专利权)人：苏州富鑫林光电科技有限公司，
类型：发明
国别省市：江苏;32