基于度量学习的解决难分不平衡样本的表面缺陷检测方法技术

本发明专利技术公开了一种基于度量学习的解决难分不平衡样本的表面缺陷检测方法，所述方法包括以下步骤：对目标图像进行特征提取网络生成高维特征；将特征提取网络提取到的特征添加到自适应特征内存，根据特征偏移值调整特征内存大小并记录内存大小的改变历史，在每个迭代中，将特征内存大小的改变历史均值作为获取旧特征数量的参考值；在上一步获取到充分的对比样本对后，同时计算欧氏距离和余弦距离的双相似性度量来度量不同样本的特征相似性。使用前k难单中心聚类的三元组损失，每次迭代中充分挖掘训练批次中的困难样本，解决多分类任务的不平衡样本。提出的方法在不引入任何计算量的情况下，提高了模型的预测精度，并且优于最新方法。

【技术实现步骤摘要】
基于度量学习的解决难分不平衡样本的表面缺陷检测方法
本专利技术属于工业表面缺陷检测研究
，特别涉及基于度量学习的解决难分不平衡样本的表面缺陷检测方法。技术背景表面缺陷检测是世界制造业生产过程中必不可少的一部分。变形、划伤和其他缺陷不仅会破坏产品的整体美观，还会对产品造成严重损坏。过去，由于缺乏可靠的自动缺陷检测技术，这项工作主要是通过人工检测来完成的。随着计算机科学和人工智能技术的发展，基于机器视觉的工业表面缺陷检测技术在各个领域和生产线上逐渐取代了人工检测，有效地提高了工业生产效率。在复杂的工业环境中，表面缺陷检测仍然面临着许多挑战。例如，一个挑战是样本问题。与ImageNet数据集中1400多万个样本数据相比，表面缺陷检测中最常见的问题是小样本和不平衡数据。有些数据集甚至只有少数或几十幅有缺陷的图像可供训练。表面缺陷检测的另一个挑战是不同类型缺陷的复杂性和相似缺陷之间的巨大差异。一方面，在正常样本中，会出现一些类似“缺陷”的不规则区域，它可能是在产品表面固有的纹理，这并不是工业上定义的缺陷。另一方面，一些缺陷样本可本文档来自技高网...

【技术保护点】
1.基于度量学习的解决难分不平衡样本的表面缺陷检测方法，其特征在于，所述方法包括以下步骤：/nS1对目标图像进行特征提取网络生成高维特征；/nS2将特征提取网络提取到的特征添加到自适应特征内存，根据特征偏移值调整特征内存大小并记录内存大小的改变历史，在每个迭代中，将特征内存大小的改变历史均值作为获取旧特征数量的参考值；/nS3在上一步获取到充分的对比样本对后，同时计算欧氏距离和余弦距离的双相似性度量来度量不同样本的特征相似性。/nS4使用前k难单中心聚类的三元组损失，每次迭代中充分挖掘训练批次中的困难样本，解决多分类任务的不平衡样本。/n

【技术特征摘要】
1.基于度量学习的解决难分不平衡样本的表面缺陷检测方法，其特征在于，所述方法包括以下步骤：
S1对目标图像进行特征提取网络生成高维特征；
S2将特征提取网络提取到的特征添加到自适应特征内存，根据特征偏移值调整特征内存大小并记录内存大小的改变历史，在每个迭代中，将特征内存大小的改变历史均值作为获取旧特征数量的参考值；
S3在上一步获取到充分的对比样本对后，同时计算欧氏距离和余弦距离的双相似性度量来度量不同样本的特征相似性。
S4使用前k难单中心聚类的三元组损失，每次迭代中充分挖掘训练批次中的困难样本，解决多分类任务的不平衡样本。


2.根据权利要求1的基于度量学习的解决难分不平衡样本的表面缺陷检测方法，其特征在于，所述步骤S1中，特征提取网络中，第一个stage将原图先通过一个步幅为2的7x7的卷积以及一个2x2的最大池化层，得到原图1/4大小的特征图；而后的3个stage，都是用3x3步幅为1的卷积核，分别具有2、3、4个卷积层，每个stage最后都经过一个2x2的最大池化层；紧接最后一个stage是一个自适应平均池化层，它将128通道的特征图扁平化为128长度的特征，该特征经过同样128个神经元的全连接层后，得到最后的128维度的向量，即用于度量的高维特征。


3.根据权利要求1或2所述的基于度量学习的解决难分不平衡样本的表面缺陷检测方法，其特征在于，提出的网络在训练的初期，分类的损...

【专利技术属性】
技术研发人员：赖剑煌，王子渊，冯展祥，
申请(专利权)人：中山大学，
类型：发明
国别省市：广东;44