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。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...

【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