一种小样本产品表面缺陷识别方法及系统技术方案

本发明专利技术属于神经网络缺陷识别相关技术领域，其公开了一种小样本产品表面缺陷识别方法及系统，包括以下步骤：(1)基于图像金字塔构建小样本缺陷图像的空间多尺度特征提取器；(2)针对每个层级单独构建基于自注意力机制深度学习的缺陷识别模型；(3)将提取到的缺陷空间多尺度特征图分别输入到对应的缺陷识别模型，根据对应的缺陷类别标记进行训练；(4)将待测产品的缺陷图像输入到空间多尺度特征提取器，进而将提取到的缺陷空间多尺度特征图输入到对应的缺陷识别模型中，并将每个缺陷识别模型输出的结果进行加权融合，以得到缺陷图像对应的缺陷类别。本发明专利技术缓解了小样本导致的深度学习模型缺陷识别过拟合问题。习模型缺陷识别过拟合问题。习模型缺陷识别过拟合问题。

【技术实现步骤摘要】
一种小样本产品表面缺陷识别方法及系统


[0001]本专利技术属于神经网络缺陷识别相关
，更具体地，涉及一种小样本产品表面缺陷识别方法及系统。

技术介绍

[0002]表面缺陷是生产过程质量管控中面临的重要问题，其存在一方面影响着产品的出厂质量造成不必要的经济损失，另一方面也会影响产品服役过程的性能，严重的还会造成重大事故，危害国家和人民财产安全。因此，发展智能化、自动化的表面缺陷识别技术具有十分重要的研究价值和应用前景。
[0003]传统的表面缺陷大多采用人工检测为主，检测速度缓慢、稳定性较差，且成本昂贵，难以大面积推广普及。近年来，随着人工智能、工业大数据等技术的飞速发展，以及自动化技术的普通，基于机器视觉的表面缺陷识别逐渐成为当前学术界和工业界关注的技术热点。尤其是以卷积神经网络为代表的深度学习方法，因其良好的缺陷识别效果以及较低的先验知识门槛，成为表面缺陷识别领域的重点发展趋势之一。
[0004]相较于传统的机器视觉方法，如支持向量机、随机森林等，卷积神经网络采用端到端的特征提取方式，可以实现表面缺陷图像特征的自动化提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小样本产品表面缺陷识别方法，其特征在于，该方法包括以下步骤：(1)基于图像金字塔构建小样本缺陷图像的空间多尺度特征提取器，以用于提取缺陷图形在多层级下的特征图；(2)针对每个层级单独构建基于自注意力机制深度学习的缺陷识别模型，并采用基于ImageNet预训练的权重作为模型初始化参数；(3)将提取到的缺陷空间多尺度特征图分别输入到其对应的缺陷识别模型，并利用Focalloss作为损失函数，根据对应的缺陷类别标记进行训练；(4)将待测产品的缺陷图像输入到空间多尺度特征提取器，进而将提取到的缺陷空间多尺度特征图输入到对应的缺陷识别模型中，并将每个缺陷识别模型输出的结果进行加权融合，以得到缺陷图像对应的缺陷类别。2.如权利要求1所述的小样本产品表面缺陷识别方法，其特征在于：构建空间多尺度特征提取器时，采用图像金字塔的形式将一张原始的缺陷图像映射为多幅不同空间尺度下的特征图像，从而反映缺陷图像在空间尺度下不同层级的特征信息。3.如权利要求1所述的小样本产品表面缺陷识别方法，其特征在于：缺陷识别模型用于识别对应层级特征图所对应缺陷类别，每个缺陷识别模型具有独立且相同的模型结构。4.如权利要求3所述的小样本产品表面缺陷识别方法，其特征在于：所述缺陷识别模型包括嵌入层、编码器和分类器，其中嵌入层采用one
‑
hot形式进行位置信息编码。5.如权利要求4所述的小样本产品表面缺陷识别方法，其特征在于：编码器采用多头注意力机制模块叠加而成，其初始参数...

【专利技术属性】
技术研发人员：高艺平，李新宇，高亮，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：