一种基于细粒度识别与注意力机制的缺陷分类方法技术

本发明专利技术公开了一种基于细粒度识别与注意力机制的缺陷分类方法，分类模型包括：基于产品缺陷图像构建训练集和验证集；结合注意力机制与细粒度识别模型构建初始分类网络模型，Non

【技术实现步骤摘要】
一种基于细粒度识别与注意力机制的缺陷分类方法


[0001]本专利技术涉及工业缺陷检测
，尤其涉及一种基于细粒度识别与注意力机制的缺陷分类方法。

技术介绍

[0002]随着智能制造的发展，自动化设备在工业领域也越来越普及，不同的生产技术环节都配备了一定的自动化设备。在自动化设备的发展过程中，自动化制造的产品质量参差不齐，需要将有缺陷的产品检出。若采用人工目检的方式，需要大量有经验的人把控产品质量，影响生产效率，并且长期如此，还需耗费大量的时间和财力对相关人员进行培训。若采用自动化检测的方式，将解决以上问题，但这对自动化检测的方法的要求较高。因此，高效的产品自动化检测方法非常重要。
[0003]目前产品缺陷检测的基本流程为：首先通过设备内的相机获取产品的图像，然后利用算法对图像进行检测或识别，将识别的结果反馈给执行机构，机构根据信号将产品标记为OK往下流，或排入NG槽。在这一流程中，算法起到了至关重要的作用，随着深度学习技术的发展，深度学习技术也被广泛应用与产品缺陷的检测识别中。
[0004]但目前应用于产品缺陷分类的深度学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于细粒度识别与注意力机制的缺陷分类方法，其特征在于包括以下步骤：S1、基于产品缺陷图像构建训练集和验证集；S2、结合注意力机制与细粒度识别模型构建初始分类网络模型，所述细粒度识别模型为基于ResNet50网络的DCL模型，所述注意力机制为Non
‑
local模块，所述Non
‑
local模块添加在ResNet50网络的全局平均池化层前形成所述初始分类网络模型；S3、对训练集的图像进行切块与打乱操作，采用处理后的图像输入初始分类网络模型进行迭代训练，得到缺陷分类训练模型；S4、采用验证集的图像输入所述缺陷分类训练模型进行验证，若经过验证分类结果满足预设要求，得到最终可用于缺陷分类的推理模型。2.如权利要求1所述的一种基于细粒度识别与注意力机制的缺陷分类方法，其特征在于，所述基于产品缺陷图像构建训练集和验证集，包括：S11、获取产品缺陷图像；S12、给产品缺陷图像标注缺陷标签；S13、清洗数据：剔除信息不完整的图像和损坏的图像，将标签标记错误的图像重新标记或者剔除；S14、采用降采样的方式将清洗后的图像数据划分训练集和测试集。3.如权利要求1所述的一种基于细粒度识别与注意力机制的缺陷分类方法，其特征在于，所述ResNet50网络包括依次连接的卷积层、最大池化层、第一残差层、第二残差层、第三残差层、第四残差层、全局平均池化层、分类层，所述Non
‑
local模块添加在所述第四残差层与所述全局平均池化层之间形成所述初始分类网络模型。4.如权利要求3所述的一种基于细粒度识别与注意力机制的缺陷分类方法，其特征在于，所述对训练集的图像进行切块与打乱操作，包括：将输入图像切分成多个小块，然后将其打乱，记录每个小块打乱前的位置，接着将打乱后的图块与没打乱的原图放入一个Batch中，并分别赋予标签打乱、原图。5.如权利要求3所述的一种基于细粒度识别与注意力机制的缺陷分类方法，其特征在于，所述采用处理后的图像输入初始分类网络模型进行迭代训练，包括：将处理后的图像输入初始分类网络模型，依次经过卷积层、最大池化层、第一残差层、第二残差层、第三残差层、第四残差层、Non
‑
local模块处理，得到Non
‑
local模块的输出特征，该Non
‑
local模块的输出特征进行以下两种方式处理：1）所述Non
‑
local模块的输出特征经过全局平均池化层处理后得到待分类特征，待分类特征一方面输入到分类层进行缺陷分类，分类层的分类结果经过softmax函数将特征值转换为概率，然后基于概率与对应缺陷的真实标签计算交叉熵损失l
cls
；待分类特征另一方面输入对抗学习网络进行打乱图像与原图的二分类，并利用打乱和原图标签计算对抗损失l
adv
；2）所述Non
‑
local模块的输出特征输入区域对齐网络进行卷积处理得到多个小块图像，计算小块图像原位置与预测位置之间的距离损失l
loc
；综合交叉熵损失l
cls
、对抗损失l
adv
和距离损失l
loc
...

【专利技术属性】
技术研发人员：陈宇，林梦翔，
申请(专利权)人：厦门微图软件科技有限公司，
类型：发明
国别省市：