一种域自适应的物体表面缺陷检测方法、系统、存储介质技术方案

本发明专利技术公开了一种域自适应的物体表面缺陷检测方法、系统和存储介质，其中方法，包括获取源域的数据，并对源域的数据进行处理，使得源域与目标域之间的距离小于预定距离；将源域和目标与的数据都作为训练集，采用训练集对AlexNet模型进行训练，训练过程中采用一个源自目标域的带标签的数据作为验证集，验证每次迭代后模型的性能，从而获得最终的训练结果模型；加载训练结果模型，通过训练结果模型检测图片并获得不同置信度；将所有置信度与预定阈值进行一一比较；若置信度超过预定阈值，则对该置信度下的目标进行标记，若置信度小于预定阈值，则将该置信度下的目标进行删除；检测结束。束。束。

【技术实现步骤摘要】
一种域自适应的物体表面缺陷检测方法、系统、存储介质


[0001]本专利技术涉及深度学习计算机视觉领域，具体涉及一种域自适应的物体表面缺陷检测方法、系统、存储介质。

技术介绍

[0002]在人工智能的落地应用方面，有监督学习是目前技术最成熟，最常用的方法，现有的监督学习的目标检测技术存在的主要问题是需要大量的不同的目标数据样本来学习，生成的模型时间往往需要数月，然而产品的生产已经数月，本技术可以根据其他产品的数据来泛化到目标产品，从而间接减少目标产品所需求的数据量，在少量目标产品的情况下达到和大量目标产品作为训练数据训练所获得的相同精度。

技术实现思路

[0003]本专利技术的专利技术目的是提供一种域自适应的物体表面缺陷检测方法，包括如下步骤，
[0004]S1，获取源域的数据，并对源域的数据进行处理，使得源域与目标域之间的距离小于预定距离；
[0005]S2，将源域和目标与的数据都作为训练集，采用训练集对AlexNet模型进行训练，训练过程中采用一个源自目标域的带标签的数据作为验证集，验证每次迭代后模型的性能，从而获得最终的训练结果模型；
[0006]S3，加载训练结果模型，通过训练结果模型检测图片并获得不同置信度的检测框，此时有很多框相互重叠，拥有不同的置信度；
[0007]S4，将所有框按照置信度降序排列；
[0008]S5，设置一个不变的参数阈值，若最大置信度的框与列表内的每一个框的重合度超过这个阈值，则将此框从列表中删除，直致遍历全部列表中的框；
>[0009]S6，将剩下的框在检测图片中用不同的颜色标出并注明种类，以此来达到检测目的。
[0010]优选地，步骤S1中通过最大均值差异法进行计算源域和目标域的样本距离。
[0011]进一步的，源域和目标域的样本距离表达函数为：
[0012][0013]为对求和，x
src
和x
tar
分别为源域和目标域的数据信息，是一种从原有空间到希尔伯特空间的一个映射函数，不同的数据都会有不同的变化，是不固定的，因此需要另一种方式来计算MMD，将公式展开得到
[0014][0015]其中出现的形式用支持向量机中的kernel方法来计算出结果。
[0016]5.优选地，步骤S2中还包括采用交叉熵函数，这个损失函数主要负责分类，如下所示：
[0017][0018]其中y
i
和y
′
i
分别为标签的值和预测的值，通过设置一个超参数控制两部分损失所占的权重，两部分损失包括交叉熵损失和MMD损失，训练过程中，两部分损失构成总损失参与反向传播，并进行梯度下降直到收敛，其中总损失函数计算公式如下：
[0019]total_loss＝CE+μdist(X
′
src，
X
′
tar
)
[0020]其中CE为上述的交叉熵损失函数，负责分类；dist(X,Y)为域适应损失函数，负责衡量域之间的距离；μ作为超参数，取值范围为0
‑
1，用于衡量CE和dist(X,Y)在总损失函数中所占据的权重，调整两者的重要性，两者之和为该公式为最后的总损失函数。
[0021]优选地，步骤S2中采用AlexNet作为训练，经过5层卷积层进行特征提取，后面3层全连接层训练时分开两个域并通过最大均值差异法计算距离。
[0022]本专利技术还请求保护一种域自适应的物体表面缺陷检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，执行上述的域自适应的物体表面缺陷检测方法的指令。
[0023]本专利技术还请求保护一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，执行上述域自适应的物体表面缺陷检测方法的指令。
[0024]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：
[0025](1)本申请可以联合非目标产品的图像数据，运用域适应算法来增强模型的泛化能力，使得算法可以从非目标产品的图像数据上学习到目标产品上缺陷或者异常的相关信息，从而减少训练目标产品的模型的数据消耗，减少迭代时间，从而减少项目周期，使模型快速部署。
[0026](2)提升基础性能，当没有任何强泛化能力的预训练模型作为训练基础时候，预适应方法可以是基础性能得到提升，在数据样本较小的时候就达到较高的精度与召回率。
[0027](3)减少项目迭代时间，节省模型所需的资源，深度学习往往需要大量的人力物力来获取样本数据，标注样本数据，这一步骤是整个项目中耗费资源最大，用时最久的部分，本方法可以根据其他已标注的数据来学习模型，有效的减少了项目所需的数据量和标注量。
[0028](4)模型的最终性能得到提升，在较少的数据样本中可以达到和一般监督学习算法相近的性能，从而随着数据样本的增加，最终的模型性能也会得到提升。
[0029](5)理想情况下，训练数据的特征分布往往可以覆盖到需要测试的数据，但现实是我们所获得的训练数据往往不能覆盖全我们所需要的测试数据，域适应的方法可以从非目标数据中提取测试数据所需要的信息从而在测试目标的过程中检测出训练数据中没有出
现过的特征，从而提升检出率。
附图说明
[0030]图1为本专利技术的域自适应的物体表面缺陷检测方法流程图。
具体实施方式
[0031]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0032]实施例1
[0033]如图1所示，本专利技术公开了一种域自适应的物体表面缺陷检测方法，包括如下步骤，
[0034]S1，获取源域的数据，并对源域的数据进行处理，使得源域与目标域之间的距离小于预定距离；
[0035]S2，将源域和目标与的数据都作为训练集，采用训练集对AlexNet模型进行训练，训练过程中采用一个源自目标域的带标签的数据作为验证集，验证每次迭代后模型的性能，从而获得最终的训练结果模型；
[0036]S3，加载训练结果模型，通过训练结果模型检测图片并获得不同置信度；
[0037]S4，将所有置信度与预定阈值进行一一比较；
[0038]S5，若置信度超过预定阈值，则对该置信度下的目标进行标记，
[0039]若置信度小于预定阈值，则将该置信度下的目标进行删除；
[0040]S6，检测结束。
[0041]具体的，步骤S1中通过最大均值差异法进行计算源域和目标域的样本距离，其中，源域和目标域的样本距离表达函数为：
[0042][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种域自适应的物体表面缺陷检测方法，其特征在于，包括如下步骤，S1，获取源域的数据，并对源域的数据进行处理，使得源域与目标域之间的距离小于预定距离；S2，将源域和目标与的数据都作为训练集，采用训练集对AlexNet模型进行训练，训练过程中采用一个源自目标域的带标签的数据作为验证集，验证每次迭代后模型的性能，从而获得最终的训练结果模型；S3，加载训练结果模型，通过训练结果模型检测图片并获得不同置信度的检测框，此时有很多框相互重叠，拥有不同的置信度；S4，将所有框按照置信度降序排列；S5，设置一个不变的参数阈值，若最大置信度的框与列表内的每一个框的重合度超过这个阈值，则将此框从列表中删除，直致遍历全部列表中的框；S6，将剩下的框在检测图片中用不同的颜色标出并注明种类，以此来达到检测目的。2.如权利要求1所述的一种域自适应的物体表面缺陷检测方法，其特征在于，步骤S1中通过最大均值差异法进行计算源域和目标域的样本距离。3.如权利要求2所述的一种域自适应的物体表面缺陷检测方法，其特征在于，源域和目标域的样本距离表达函数为：标域的样本距离表达函数为：为对求和，x
src
和x
tar
分别为源域和目标域的数据信息，是一种从原有空间到希尔伯特空间的一个映射函数，不同的数据都会有不同的变化，是不固定的，因此需要另一种方式来计算MMD，将公式展开得到其中出现的形式用支持向量机中的kernel方法来计算出结果。4.如权利要求3所述的一种域自适应的物体表面缺陷检测方法，其特征在于，步骤S2中还包括采用交叉熵函...

【专利技术属性】
技术研发人员：王宗辉，王远扬，方正，李浩程，胡秋桂，
申请(专利权)人：苏州鼎纳自动化技术有限公司，
类型：发明
国别省市：