【技术实现步骤摘要】
基于迁移学习和小样本学习缺陷检测方法、装置及介质
[0001]本专利技术涉及图像识别领域，尤其涉及基于迁移学习和小样本学习缺陷检测方法、装置及介质。
技术介绍
[0002]随着精密制造业的快速发展，每年因高精密仪器表面缺陷所造成的损失也高达千亿元级别，工业产品高精度缺陷检测需求日益强烈。特别是工业生产环境存在噪声、遮挡、振动、暗光等高度复杂的条件，使得缺陷检测必须具备智能化、高精度、长时间、高效率的要求。
[0003]虽然现阶段深度学习算法应用使得缺陷准确率得到一定提升，但是现有光谱共焦成像、等离子体成像、偏振成像、散射成像等大多数光学成像方式对于不同种类、分布随机、方向各异的工业产品基于迁移学习和小样本学习缺陷检测，均会遇到因缺陷边缘产生的高背景噪声、多类缺陷反射的光信号互扰而出现目标特征弱、背景噪声强的问题，这些问题将导致缺陷识别的准确率降低。
技术实现思路
[0004]为解决上述技术问题，本专利技术提供基于迁移学习和小样本学习缺陷检测方法、装置及介质，抑制噪声对图像特征提取的干扰，提高图像数据特...
【技术保护点】
【技术特征摘要】
1.一种基于迁移学习和小样本学习缺陷检测方法，其特征在于，所述方法包括：在元学习框架的支撑网络中，获取类别图像的支撑图像特征，并引入预先获取的场景因子信息，聚合形成局部特征的元知识特征图；在元学习框架的查询分支中，采用跨层特征增强方式将残差深层语义信息反馈到浅层特征图中；根据目标域与源域之间的特征相关性进行迁移，构建领域判别器判断目标样本跟源域样本的区别，并调用多任务分类器中相关性最高的分类器进行迁移，通过损失函数最小化，采用源域形成的分类器进行缺陷识别。2.如权利要求1所述的基于迁移学习和小样本学习缺陷检测方法，其特征在于，所述在元学习框架的支撑网络中，获取类别图像的支撑图像特征，并引入预先获取的场景因子信息，聚合形成局部特征的元知识特征图，具体包括：在支撑网络中对各类别图像结合场景因子信息进行特征提取，并通过多级池化级联聚合各类图像的局部特征，得到不同类别图像的支撑向量；将每一类别图像的支撑向量作为卷积核，与对应类别的特征向量进行聚合，得到所述元知识特征图。3.如权利要求1所述的基于迁移学习和小样本学习缺陷检测方法，其特征在于，所述在元学习框架的查询分支中，采用跨层特征增强方式将残差深层语义信息反馈到浅层特征图中，具体包括：在查询分支中，对查询图像进行批量归一化、卷积、REL U函数整流以及残差处理得到浅层特征图；对得到的浅层特征图再次进行批量归一化、卷积、REL U函数整流以及残差处理得到深层语义信息；将得到的深层语义信息进行全局最大池化，将语义特征传递给浅层特征图。4.如权利要求1所述的基于迁移学习和小样本学习缺陷检测方法，其特征在于，所述根据目标域与源域之间的特征相关性进行迁移，构建领域判别器判断目标样本跟源域样本的区别，并调用多任务分类器中相关性最高的分类器进行迁移，通过联合损失函数最小化，采用源域形成的分类器进行缺陷识别，具体包括：基于所述元知识特征图构建特征表征模型，基于元学习框架的目标域与源域构建领域判别器；通过特征表征模型将随机噪声中采样的信号映射到目标数据空间；通过领域判别器判断输入数据来源是真实样本空间或是领域判别器的输出，并通过训练优化领域判别器的参数，以使领域判别器的损失函数达到最优，生成分类器进行缺陷识别。5.如权利要求4所述的基于迁移学习和小样本学习缺陷检测方法，其特征在于，所述特征表征模型的目标函数为；所述领域判别器的目标函数为；所述分类器的目标函数为：
；其中，G为特征表征, V（G，D）是定义的目标函数，V（D）为特征表征生成时的目标函数，V（G）为领域判别阶段的目标函数，N为原所属标签数量，x代表真实样本；D为领域判别器,表示缺陷样本x经自编码网络后输出数据data(x)中为原所属标签的概率P，表示携带缺陷知识样本x经自编码网络后输出数据z(x)中为原所属标签的概率P， z为随机分布中采样的噪声，G（z）为所应用的分类类别数据中，在所属类别模型G（z）条件下，去较验输出信息y的概率。6.如权利要求1所述的基于迁移学习和小样本学习缺陷检测方法，其特征在于，所述场景因子信息获取过程具体包括：对由历史经验数据、常见规则数据和缺陷标...
【专利技术属性】
技术研发人员：方少亮，林珠，赵晓萌，李莎，薛露，罗俊博，陈树敏，周俊杰，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。