基于域自适应深度迁移网络的钢表面缺陷检测方法及系统技术方案

本发明专利技术提供一种基于域自适应深度迁移网络的钢表面缺陷检测方法及系统，方法包括：获取带钢表面典型缺陷图像样本，并对样本进行预处理；构建对抗域分离与自适应网络模型；将新样本特征嵌入到源域图像样本的共享特征中，并计算任务分类损失和嵌入分类损失；通过将多个损失添加权重，动态地优化动态分类损失与动态适应损失，并更新模型参数；当迭代次数达最优时，保存所述模型参数，并输入所述目标领域测试集，得到所述目标领域中钢表面缺陷检测的精度。本发明专利技术在对抗域分离与自适应深度迁移网络的基础上引入自适应挖掘样本隐藏信息和添加动态权重优化损失算法，提高了网络模型的泛化能力，最终实现更加精确的钢表面缺陷检测。最终实现更加精确的钢表面缺陷检测。最终实现更加精确的钢表面缺陷检测。

【技术实现步骤摘要】
基于域自适应深度迁移网络的钢表面缺陷检测方法及系统


[0001]本专利技术属于图像检测
，尤其涉及一种基于域自适应深度迁移网络的钢表面缺陷检测方法及系统。

技术介绍

[0002]钢材广泛应用于汽车制造、航空航天、日常生活用品等域，是国民经济发展中不可缺少的重要原材料。随着社会的快速发展，其质量要求越来越严格。在生产加工过程中，由于受到环境、设备性能、加工工艺等因素的影响，钢材表面会产生各种缺陷，如孔洞、划痕等。这些可观察到的缺陷会导致钢材性能发生变化，极大地降低了产品质量，从而对制造企业造成很大的负面影响和经济损失。因此钢表面缺陷检测作为钢材质量监测的重要环节受到了广泛的关注。
[0003]钢材表面检测的首要目标是准确预测缺陷类型，由于早期主要采用人工检测，存在成本高、效率低、主观判断等不足。为此机器学习技术提供了一种高效、客观的图像检测方法，在一定程度上提高了缺陷识别的精度与效率。然而这种传统的机器学习需要专业人士具有丰富的经验及域知识才能提取出更加合适的特征，检测性能很大程度上依赖于特征的选择。与传统的机器学习不同，深度学习无需人工提取特征，可避免大量特征与分类器结合的试错实验，深层次、多角度地实现对图像特征的刻画。但深度学习在实际应用中仍存在许多待解决的问题，如计算量庞大、标注样本获取难、训练样本耗时费力等。
[0004]随着人工智能技术的发展，迁移学习成为当前基于机器视觉的表面缺陷检测方法较为重要的研究内容之一，迁移学习的目标是将源任务获得的知识迁移到目标任务中辅助目标任务进行学习，解决深度学习中存在的样本量不足、训练效率低等问题。然而由于域差异(特征分布差异)的存在，直接迁移将降低模型性能。域自适应可以通过特征变换对齐源域与目标域的特征信息，解决域差异带来的问题。深度域自适应学习通过迁移特征信息打破了传统深度学习中样本同分布的局限性，加快了模型的收敛速度，但在实际应用中深度域自适应网络仍然存在图像特征提取能力弱、模型稳定性差且不易收敛等问题。因此，有必要优化深度域自适应网络，以进一步提高模型的训练性能。

技术实现思路

[0005]本专利技术实施例提供一种基于域自适应深度迁移网络的钢表面缺陷检测方法及系统，用于解决现有技术中检测模型的泛化能力差，甚至存在较低识别率的技术缺陷的问题。
[0006]本专利技术实施例提供一种基于域自适应深度迁移网络的钢表面缺陷检测方法，该方法包括：
[0007]S1：获取带钢表面典型缺陷图像样本，并对样本进行预处理；
[0008]S2：根据预处理后样本构建对抗域分离与自适应网络模型；
[0009]S3：将新样本特征嵌入到预处理后得到的源域图像样本的共享特征中，并输入至所述对抗域分离与自适应网络模型，计算任务分类损失和嵌入分类损失；
[0010]S4：通过对多个损失添加权重，动态地优化动态分类损失与动态适应损失，其中所述动态分类损失包括任务分类损失和嵌入分类损失，所述动态适应损失包括域适应损失与域分离损失，并更新所述对抗域分离与自适应网络模型的参数；
[0011]S5：判断更新中迭代次数是否达到最优迭代次数，若达到，则执行步骤S6，否则，返回执行步骤S3；
[0012]S6：保存所述参数，得到优化好的对抗域分离与自适应网络模型，并检测目标领域样本测试集，得到钢表面缺陷检测精度。
[0013]优选地，所述步骤S1中对样本进行预处理的方法为：
[0014]首先，对所有图像样本进行分割并统一尺寸，选取N个源域图像样本与N个目标域图像样本，其中，所述源域图像样本与所述目标域图像样本均包括合格图像样本与缺陷图像样本，N为正整数；
[0015]然后，将所述源域图像样本与所述目标域图像样本按照相同的比例各分为训练集与测试集；
[0016]最后，将所述源域图像样本输入深度提取网络模型中，训练所述深度提取网络模型，得到训练好的模型参数。
[0017]优选地，所述步骤S2中根据预处理后样本构建对抗域分离与自适应网络模型的方法为：
[0018]首先，将源域图像样本与目标域图像样本训练集输入基于深度卷积神经网络的多个编码器网络模型，基于所述多个编码器网络模型分离源域与目标域各自的私有部分以及源域和目标域之间的共享部分，实现域信息分离，所述多个编码器网络模型包括共享编码器、源域私有编码器和目标域私有编码器网络模型；
[0019]然后，利用所述源域图像样本训练好的模型参数初始化所述多个编码器网络模型；
[0020]最后，将初始化后多个编码器网络模型的输出通过多层全连接网络输入到任务分类器、域适应鉴别器和域分离鉴别器中。
[0021]优选地，所述步骤S3中将新样本特征嵌入到预处理后得到的源域图像样本的共享特征中的方法为：
[0022]根据对抗域分离与自适应网络模型的训练状态来自适应调整新样本特征的类间距离，并采用空间线性插值方法实现新样本的嵌入，所述对抗域分离与自适应模型的训练状态是通过训练过程中任务分类器的分类损失衡量；
[0023]其中，所述新样本特征表示如下：
[0024][0025]其中，为嵌入的新样本特征，其标签对应相应的异类样本标签，X为同类样本特征，X
‑
为异类样本特征，L
task
为任务分类损失，λ为调整嵌入新样本特征类间距离的参数；
[0026]对所述新特征进行优化，其表达式如下：
[0027][0028]D
E
(X，X
+
)＝‖X，X
+
‖2[0029][0030]D
E
(X，X
+
)<D
E
(X，X
‑
)
[0031]其中，为嵌入的新样本特征，其标签对应相应的异类样本标签，X为同类样本特征，X
‑
为异类样本特征，X
+
为原始样本特征，L
task
为任务分类损失，λ为调整嵌入新样本特征类间距离的参数，D
E
(X，X
+
)为同类样本之间的距离，D
E
(X，X
‑
)为同类样本与异类样本之间的距离。
[0032]优选地，所述步骤S4中通过将多个损失添加权重，动态地优化动态分类损失与动态适应损失，具体包括：
[0033]所述动态分类损失是通过动态地调整任务分类损失和嵌入分类损失的权重的结果，表示如下：
[0034][0035]其中，L
dynamic
‑
class
为动态分类损失，L
task
为任务分类损失，L
embedded
为嵌入分类损失；
[0036]所述动态适应损失是通过动态地调整所述域适应损失与所述域分离损失的权重的结果，表示如下：
[0037][0038]其中，L
dynamic
‑
ad...

【技术保护点】

【技术特征摘要】
1.一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，包括：S1：获取带钢表面典型缺陷图像样本，并对样本进行预处理；S2：根据预处理后样本构建对抗域分离与自适应网络模型；S3：将新样本特征嵌入到预处理后得到的源域图像样本的共享特征中，并输入至所述对抗域分离与自适应网络模型，计算任务分类损失和嵌入分类损失；S4：通过对多个损失添加权重，动态地优化动态分类损失与动态适应损失，其中所述动态分类损失包括任务分类损失和嵌入分类损失，所述动态适应损失包括域适应损失与域分离损失，并更新所述对抗域分离与自适应网络模型的参数；S5：判断更新中迭代次数是否达到最优迭代次数，若达到，则执行步骤S6，否则，返回执行步骤S3；S6：保存所述参数，得到优化好的对抗域分离与自适应网络模型，并检测目标领域样本测试集，得到钢表面缺陷检测精度。2.根据权利要求1所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S1中对样本进行预处理的方法为：首先，对所有图像样本进行分割并统一尺寸，选取N个源域图像样本与N个目标域图像样本，其中，所述源域图像样本与所述目标域图像样本均包括合格图像样本与缺陷图像样本，N为正整数；然后，将所述源域图像样本与所述目标域图像样本按照相同的比例各分为训练集与测试集；最后，将所述源域图像样本输入深度提取网络模型中，训练所述深度提取网络模型，得到训练好的模型参数。3.根据权利要求2所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S2中根据预处理后样本构建对抗域分离与自适应网络模型的方法为：首先，将源域图像样本与目标域图像样本训练集输入基于深度卷积神经网络的多个编码器网络模型，基于所述多个编码器网络模型分离源域与目标域各自的私有部分以及源域和目标域之间的共享部分，实现域信息分离，所述多个编码器网络模型包括共享编码器、源域私有编码器和目标域私有编码器网络模型；然后，利用所述源域图像样本训练好的模型参数初始化所述多个编码器网络模型；最后，将初始化后多个编码器网络模型的输出通过多层全连接网络输入到任务分类器、域适应鉴别器和域分离鉴别器中。4.根据权利要求1所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S3中将新样本特征嵌入到预处理后得到的源域图像样本的共享特征中的方法为：根据对抗域分离与自适应网络模型的训练状态来自适应调整新样本特征的类间距离，并采用空间线性插值方法实现新样本的嵌入，所述对抗域分离与自适应模型的训练状态是通过训练过程中任务分类器的分类损失衡量；其中，所述新样本特征表示如下：
其中，为嵌入的新样本特征，其标签对应相应的异类样本标签，X为同类样本特征，X
‑
为异类样本特征，L
task
为任务分类损失，λ为调整嵌入新样本特征类间距离的参数；对所述新特征进行优化，其表达式如下：D
E
(X，X
+
)＝||X，X
+
||2D
E
(X，X
+
)＜D
E
(X，X
‑
)其中，为嵌入的新样本特征，其标签对应相应的异类样本标签，X为同类样本特征，X
‑
为异类样本特征，X
+
为原始样本特征，L
task
为任务分类损失，λ为调整嵌入新样本特征类间距离的参数，D
E
(X，X
+
)为同类样本之间的距离，D
E
(X，X
‑
)为同类样本与异类样本之间的距离。5.根据权利要求1所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S4中通过对多个损失添加权重，动态地优化动态分类损失与动态适应损失，具体包括：所述动态分类损失是通过动态地调整任务分类损失和嵌入分类损失的权重的结果，表示如下：其中，L
dynamic
‑
class
为动态分类损失，L
task
为任务分类损失，L
embedded
为嵌入分类损失；所述动态适应损失是通过动态地调整所述域适应损失与所述域分离损失的权重的结果，表示如下：其中，L
dynamic
‑
ad
为动态适应损失，L
adapt
为域适应损失，L<...

【专利技术属性】
技术研发人员：宿磊，王立建，李可，顾杰斐，
申请(专利权)人：江南大学，
类型：发明
国别省市：