基于超小样本训练高效质检模型的方法及系统技术方案

本发明专利技术公开了一种基于超小样本训练高效质检模型的方法及系统，涉及质量检测技术领域，包括：确定采集种类，包括要检测的瑕疵品种类和正常品种类，按照瑕疵大小占总样品大小的百分比分为N个等级，采集小样品；对各种类、各等级的小样品进行模拟扩充；随机抽样组成训练集、验证集合、测试集，并对每个集合打乱排序；Squeezenet Pro训练质检模型；测试模型结果；根据精度和测试次数控制下一步跳转；发布完成模型。本发明专利技术保证在样本数非常少的情况下，达到几十万样本数训练的深度学习模型的效果，从而更好的应用于工业质量检测中。而更好的应用于工业质量检测中。而更好的应用于工业质量检测中。

【技术实现步骤摘要】
基于超小样本训练高效质检模型的方法及系统
[0001]本专利技术是专利技术名称为“基于超小样本训练高效质检模型的方法及系统”的分案申请，其中，母案的申请号为201810929603.8，申请日为2018.08.15。


[0002]本专利技术涉及质量检测领域，特别是涉及一种基于超小样本训练高效质检模型的方法及系统。

技术介绍

[0003]传统的视觉算法在检测微小瑕疵(微小瑕疵是指大小约占物品总面积的百分之一的瑕疵)的情况下，对光源相机的要求很苛刻，且针对表面凹凸不平、颜色多变的产品需要给出大量的识别算法策略以满足检测需求，这大大降低了质量检测项目的开发效率。
[0004]由于互联网渗透到社会各个领域的节奏加快，传统行业的改革和创新势在必行，不断地运用新技术，充分利用互联网技术，如大数据分析、人工智能算法从而达到快捷、准确、便利的产品质量检测，同时提供庞大的数据检测分析资料，以准确找到多类型产品质量的多类型缺陷，进而不断升级产品质量的检测水平、提质增效，是目前发展的趋势。
[0005]但在工业生产中，由于瑕疵品的样本数较少，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超小样本训练高效质检模型的方法，其特征在于，包括：步骤一、确定采集种类，所述采集种类包括待检测的瑕疵品种类和正常品种类，按照瑕疵大小占总样品大小的百分比分为N个等级，采集小样品；步骤二、对各种类、各等级的小样品进行模拟扩充；步骤三、随机抽样组成训练集、验证集和测试集；步骤四、根据所述训练集、所述验证集和所述测试集，采用Squeezenet Pro训练质检模型；所述步骤四，具体包括：初始化时将从Conv1层至Conv10层的所有权重W
I
由SqueezenetV1.1模型权重W
I
(0)所替换；如果已经存在Squeezenet Pro的训练模型，则将所有权重W
I
由最新的Squeezenet Pro的权重替换；其中，I＝1，2，...，10；将最顶层的softmax层的隐藏神经元σ替换为K个，即将最顶层的softmax层的隐藏神经元σ替换为K个，即开放Squeezenet Pro的W
i
提供训练，初始化训练次数t
n
＝0，j初始值为10，输入数据，采用AdamGradient优化算法训练W
10
，并观察学习曲线，当D
valid
上的测试结果达到Plateau，标注l
e
为训练精度，其中e为训练周期epoch，标注ε为训练结果最小差异，标注E为训练周期的最小上限，当训练精度差异|l
e1
‑
l
e2
|＜ε，时，停止训练，并判断l
e1
是否大于0.99，如果是，则跳转至训练次数判断；如果不是则设置i＝i
‑
1，开放Squeezenet Pro的W
i
权重提供训练，重新进行Squeezenet Pro训练；判断当前训练次数train
n
＜Q是否成立，其中Q为在第n级瑕疵下的总训练次数；如果train
n
＜Q，则train
n
＝train
n
+1，跳转至步骤三进行数据的重新筛选训练；如果train
n
＞Q，则跳转至步骤五；步骤五、测试模型结果；根据精度和测试次数控制下一步跳转；步骤六、发布完成模型，根据所述步骤五得到的每一瑕疵级别的测试结果给出每一级瑕疵的识别精度，并且保存冻结每一级Squeezenet Pro的权重，发布对应的Squeezenet Pro模型。2.根据权利要求1所述的方法，其特征在于，所述步骤一具体包括：确定要检测的瑕疵品种类为K
‑
1次，K＞＝2，总类别为瑕疵品种类数+正常品种类数＝K类，每类样品搜集M
k
个小样品，总共搜集个样品，其中M
k
∈[5，10]，k＝1，2，...，K；将每类瑕疵品按照瑕疵大小占总样品大小的百分比分为N个等级，其中将每类样品分为两组：和其中为中随机抽取的80％的样品作为训练集合；为中随机抽取的20％的样品作为测试集合。3.根据权利要求1所述的方法，其特征在于，所述步骤二具体包括：
将第n个等级的第k类瑕疵品和最后一类正常品通过人工制造的方式扩充至原样品数的α1＝5倍，即此时瑕疵品总数A＝α1M＝5M，k＝1，2，...，K；将手动模拟后的第n个等级的第k类瑕疵品和最后一类正常品通过统一样本在同一光源Light0、和相机Camera0条件下，以不同角度Angle
p
、方向Direction
p
、位置Position
p
连续拍照的方式扩充样本数至原来的α2＝500倍；其中Angle
p
∈ANGLE，p＝1，2，...，P，ANGLE是实际生产线上产品可能出现的角度集合；Direction
p
∈DIRECTION，p＝1，2，...，P，DIRECTION是实际生产线上产品可能出现的方向集合；Position
p
∈POSITION，p＝1，2，...，P，POSITION是实际生产线上产品可能出现的位置集合；通过该项模拟，确定样本数将每类样品分为训练集合和测试集合对每一个b0∈B0样本，通过相机Camera0进行拍照，使得每个b0样本扩充通过每次拍摄时相机感光的细微差异产生的噪声进行数据扩充，通过连续拍照模拟后得到的样本数为进而得到训练集合和测试集合图像增强算法模拟β0倍的好样品，将图像进行旋转、平移、裁剪、填充、亮度、对比度、色差操作，在不影响产品外观结构和产生瑕疵的情况下将所述好样品进行样本数扩充，即采用瑕疵品模拟算法对瑕疵品进行β0倍的扩充，对每一类瑕疵品倍的扩充，对每一类瑕疵品生成该类瑕疵品的图像库生成该类瑕疵品的图像库主要由瑕疵品图像中的瑕疵图像部分的截取、互联网上搜索类似瑕疵部分的图像和基于二维高斯分布的瑕疵图像模拟；对给定瑕疵类型k和给定瑕疵等级n，随机选择从中随机选择产品图像及随机选择坐标(w0，h0)，将图像放置于的(w0，h0)处模拟生成新的瑕疵品，重复此过程β0次，得到将所有输入生成对抗网络DCGAN模型中，重新生成扩充产生新样本获取到产品的三维模型，并在三维模型上基于随机选择坐标(w1，h1)贴图至产品三维模型中，并在三维模型中加入光源Light0、和相机Camera0以不同角度Angle
p
、方向Direction
p
、位置Position
p
进行模拟拍照，重复此过程次，得到汇总所有生成的新数据，得到其中α3＝β0+β1+β2，β
j
∈N
+
，j＝0,1,2；得到训练集合和测试集合4.根据权利要求3所述的方法，其特征在于，所述基于二维高斯分布的瑕疵图像模拟，
具体包括：根据公式进行瑕疵图像模拟；其中，w,h∈[
‑
2γ
n
,2γ
n
],μ1,μ2∈[
‑
γ
n
,γ
n
],ρ∈(
‑
1,1),σ1,σ2∈(0,2γ
n
]，γ
n
随着n的增大而减小，表示模拟的瑕疵变小，识别的难度逐步上升。5.根据权利要求1所述的方法，其特征在于，所述步骤五具体包括：将所述步骤三中的测试集使用最新训练好的Squeezenet Pro模型进行测试，如果精度大于等于0.99，则n＝n+1增加瑕疵识别难度，并跳转至步骤二进行小样本的模拟和训练；如果精度小于0.99，则判断当前测试次数test
n
＜O是否成立，其中O为在第n级瑕疵下的总测试次数；如果test
n
＜O，则test
n
＝test
n
+1，跳转至步骤二进行小样本的模拟和训练，如果test
n
＞O，则跳转至步骤六。6.一种基于超小样本训练高效质检模型的系统，其特征在于，包括：采集模...

【专利技术属性】
技术研发人员：罗晓忠，毛子靖，
申请(专利权)人：心鉴智控深圳科技有限公司，
类型：发明
国别省市：