基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型技术

本发明专利技术提供一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型，所述轮胎瑕疵检测方法模型训练阶段将轮胎X光图像裁剪后，输入由ResNet50与VIT模型组成的轮胎瑕疵检测特征提取模块；而后对所得的源域特征和目标域特征通过使用MK

【技术实现步骤摘要】
基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法及模型


[0001]本专利技术涉及人工智能迁移学习领域，尤其是涉及一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法。

技术介绍

[0002]在轮胎的制造过程中，由于生产工艺等外部环境的影响，成品轮胎可能含有的瑕疵种类较多，这对轮胎的质量产生了严重的影响。由于瑕疵样本的数据不平衡以及瑕疵出现的位置和概率的不确定性，目前还没有完善的自动化瑕疵检测技术。大多数工厂还主要由质检人员肉眼观察轮胎X光图像进行瑕疵检测。这种方法耗时且具有主观性，加之轮胎X光图像背景纹理复杂，多种类别的瑕疵混杂在背景纹理中，造成瑕疵难以用肉眼区分等问题，给轮胎瑕疵检测带来了挑战。
[0003]传统的基于计算机视觉的瑕疵检测方法大多采用手工提取特征的方式，但是传统方法只能解决特定的瑕疵检测问题，缺乏通用性。近年来，深度学习方法被广泛应用于瑕疵检测领域，并且取得了不错的精度。但现阶段的研究主要集中在瑕疵的特征提取以及瑕疵检测机制方面，从而忽略了生产条件变化对瑕疵检测模型造成的影响。在实际生产过程中，由于瑕疵样本出现的频率较低，标注成本较高，难以达到深度学习算法所需的数据量。此外，当生产环境或产品规格发生变化时，瑕疵样本的数据分布也会发生相应的改变，这种变化称为领域偏移。这时需要重新收集瑕疵样本进行标注和模型训练，这是耗时且繁琐的。上述现象会降低在原始数据(源域)上训练的深度学习模型在新数据(目标域)上的瑕疵检测性能，导致模型无法复用的情况。加之轮胎X光图像具有低对比度和低亮度等不良特征，轮胎瑕疵尺度变化大，出现的位置不固定，容易受到背景噪声的干扰，这些特征给轮胎瑕疵检测带来了挑战。

技术实现思路

[0004]本专利技术的目的在于，针对现有技术的不足，提供一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法。
[0005]为此，本专利技术采用如下技术方案：
[0006]一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法，其特征在于：对一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法，所述轮胎瑕疵检测方法适用于生产条件等方面发生变化而引起的领域偏移问题，其特征在于所述轮胎瑕疵检测方法采用卷积神经网络和自注意力机制共同对源域和目标域数据提取特征；将源域数据和目标域数据使用相同的映射，映射到再生核希尔伯特空间中，在此空间中同时进行源域与目标域的全局概率分布对齐和条件概率分布对齐，以学习到领域不变特征，将源域中训练得到的模型应用到目标域中进行轮胎瑕疵检测，所述轮胎瑕疵检测方法包括模型训练和瑕疵检测；
[0007]模型训练：
[0008]步骤S1，数据获取：通过轮胎质检X光机得到轮胎X光图像，将初始的X光图像进行裁剪，从中得到规定尺寸的正常样本和瑕疵样本；最终得到第一型号X光机上n
s
张有标注的图片作为源域，第二型号X光机上n
t
张无标注的图片作为目标域(n
t
＜＜n
s
)；
[0009]步骤S2，特征提取：设每次输入的源域图像和目标域图像均为batch_size张，将batch_size张源域图像和batch_size张目标域图像分别输入轮胎瑕疵检测特征提取模块，特征提取模块主要由卷积神经网络和基于自注意力机制的VIT组成，所述VIT为视觉Transformer；
[0010]步骤S3，领域自适应：基于步骤S2中提取得到的源域特征和目标域特征，同时对齐源域特征和目标域特征之间的全局边缘概率分布和条件概率分布；
[0011]步骤S4，瑕疵分类：基于步骤S3中对齐后的源域特征和目标域特征分别输入源域瑕疵分类器和目标域瑕疵分类器中进行瑕疵分类，得到瑕疵检测结果；
[0012]步骤S5，重复步骤S2到步骤S4，使用随机梯度下降法进行反向传播更新模型参数，直至达到最大迭代次数Iteration；
[0013]步骤S6，保存模型：保存步骤S2中所得轮胎瑕疵检测特征提取模块以及步骤S4中瑕疵分类器的模型参数。
[0014]瑕疵检测：
[0015]步骤Z1，数据预处理：将需要进行质量检查的轮胎经过目标域轮胎X光机，而后将得到的X光图像裁剪成规定尺寸大小的图片；
[0016]步骤Z2，特征提取：将Z1中裁剪后的图像输入步骤S6中保存的轮胎瑕疵检测特征提取模块中，得到领域不变特征；
[0017]步骤Z3，瑕疵分类：将步骤Z2提取的特征输入步骤S6中保存的瑕疵分类器进行瑕疵分类，最后输出模型的瑕疵检测结果。
[0018]在采用上述技术方案的同时，本专利技术还可以采用或者组合采用以下进一步的技术方案：
[0019]作为本专利技术的优选技术方案：所述规定尺寸为224
×
224；所述步骤S1中，所述源域样本优选在每个类别不少于100张，且需要标注，所述目标域样本优选在每个类别不少于20张，且无需标注，所述数据增强方法优选于随机水平翻转。
[0020]作为本专利技术的优选技术方案：所述步骤S2中，所述batch_size优选于32，所述轮胎瑕疵检测特征提取模块优选于ResNet50和VIT两部分，图像先经过ResNet50提取特征，而后再经过VIT进行进一步的特征提取，ResNet50和VIT模块均使用在ImageNet上的预训练权重作为参数的初始化。
[0021]作为本专利技术的优选技术方案：所述步骤S3中，所述边缘概率分布对齐使用基于MK
‑
MMD的距离度量，所述条件概率分布对齐使用基于LMMD的距离度量。
[0022]作为本专利技术的优选技术方案：所述步骤S4中，所述瑕疵分类器是单层的全连接层，其神经元个数优选于256，所述源域瑕疵分类器和目标域瑕疵分类器共享参数，最终以独热向量的形式输出瑕疵检测结果。
[0023]作为本专利技术的优选技术方案：所述步骤S5中，所述最大迭代次数优选于15000。
[0024]作为本专利技术的优选技术方案：所述步骤S6中需要保存所述轮胎瑕疵检测特征提取
模块的参数用于步骤Z2中，并保存所述瑕疵分类器的参数用于步骤Z3以便得出瑕疵检测结果。
[0025]根据本专利技术目的的第二个方面，本专利技术提供一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测模型，其特征在于它采用上述的模型训练方法训练。
[0026]根据本专利技术目的的第二个方面，本专利技术提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述模型训练步骤和瑕疵检测步骤。
[0027]根据本专利技术目的的第三个方面，本专利技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述的模型训练步骤和瑕疵检测步骤。
[0028]本专利技术所提供的基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法具有以下优点：
[0029](1)采用无监督领域自适应的方法解决轮胎瑕疵检测中由于生产条件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法，其特征在于：对一种基于自注意力机制与双重领域自适应的轮胎瑕疵检测方法，所述轮胎瑕疵检测方法适用于生产条件等方面发生变化而引起的领域偏移问题，其特征在于所述轮胎瑕疵检测方法采用卷积神经网络和自注意力机制共同对源域和目标域数据提取特征；将源域数据和目标域数据使用相同的映射，映射到再生核希尔伯特空间中，在此空间中同时进行源域与目标域的全局概率分布对齐和条件概率分布对齐，以学习到领域不变特征，将源域中训练得到的模型应用到目标域中进行轮胎瑕疵检测，所述轮胎瑕疵检测方法包括模型训练和瑕疵检测；模型训练：步骤S1，数据获取：通过轮胎质检X光机得到轮胎X光图像，将初始的X光图像进行裁剪，从中得到规定尺寸的正常样本和瑕疵样本；最终得到第一型号X光机上n
s
张有标注的图片作为源域，第二型号X光机上n
t
张无标注的图片作为目标域(n
t
＜＜n
s
)；步骤S2，特征提取：设每次输入的源域图像和目标域图像均为batch_size张，将batch_size张源域图像和batch_size张目标域图像分别输入轮胎瑕疵检测特征提取模块，所述特征提取模块主要由卷积神经网络和基于自注意力机制的VIT组成；步骤S3，领域自适应：基于步骤S2中提取得到的源域特征和目标域特征，同时对齐源域特征和目标域特征之间的边缘概率分布以及条件概率分布；步骤S4，瑕疵分类：基于步骤S3中对齐后的源域特征和目标域特征分别输入源域瑕疵分类器和目标域瑕疵分类器中进行瑕疵分类，得到瑕疵检测结果；步骤S5，更新参数：重复步骤S2到步骤S4，使用随机梯度下降法进行反向传播更新模型参数，直至达到最大迭代次数Iteration；步骤S6，保存模型：保存步骤S2中所得轮胎瑕疵检测特征提取模块以及步骤S4中瑕疵分类器的模型参数。瑕疵检测：步骤Z1，数据预处理：将需要进行质量检查的轮胎经过目标域...

【专利技术属性】
技术研发人员：卢建刚，张宇隆，陈金水，
申请(专利权)人：浙江大学，
类型：发明
国别省市：