【技术实现步骤摘要】
本专利技术涉及缺陷检测，特别指基于多类别自适应感知网络的检测方法、系统及存储介质。
技术介绍
1、通用缺陷检测方法是计算机视觉更近一步的理解工业的关键步骤，通过一张rgb图像能够有效的检测出不同零部件的缺陷。而准确检测出零部件的缺陷，对于企业提升产品优良率，以及生产效率，减低成本等具有重要的意义。
2、尽管缺陷检测领域发展迅速，但是不论何种缺陷检测方法，只能针对一类特定的零部件，不能针对不同类别的零部件进行检测，使的企业在针对不同类别零部件进行检测时，需要重新训练一个模型，极大增加了成本。同时，现有的缺陷检测方法无法做到持续的更新与学习，一旦模型训练好后，当在面对一个新类别的零部件时，需要从头开始训练缺陷检测模型，进一步加剧了企业的运营成本。
3、在网络结构设计方面weib等人（textile research journal, 2019, 89(17):3539−3555）在论文“anewmethodusingthe convolutional neural network withcompressive sensing for fabric defect classification based on small samplesizes.”提出一种基于卷积神经网络的方法，全程使用卷积操作，来提取图像的特征，但是忽略了图像的全局特征。但全局特征对于理解零部件的缺陷位置提供了有效信息，由于忽略了全局特征导致网络精度无法满足企业的需要。此外该方法还无法进行持续学习，当出现一个新类别的零部件时需要重新训练，极
4、专利公开号为cn104458755b的中国专利公开了一种基于机器视觉的多类型材质表面缺陷检测方法，利用子图像灰度差、彩色直方图、像素均匀度作为特征，通过特征学习得到获得平均的合格品图像特征，通过设定阈值将缺陷分割出来。但对于缺陷检测而言，虽然提高了速度，但是仍然不能持续的学习，一旦换了一种新类别的零部件则无法进行大规模的检测。
技术实现思路
1、本专利技术的目的在于提供能够持续学习的基于多类别自适应感知网络的检测方法、系统即存储介质。
2、为了达到上述目的，本专利技术采用这样的技术方案：
3、基于多类别自适应感知网络的检测方法，包括如下依次执行的步骤：
4、步骤s10：基于轻量高效多头自注意力层，可分离解码层和可分离编码层搭建多类别自适应感知网络；
5、步骤s20：获取不同类别零部件缺陷样本图像，利用所述不同类别零部件缺陷样本图像对所述多类别自适应感知网络进行训练；
6、步骤s30：将待检测图像输入训练好的所述多类别自适应感知网络，计算所述待检测图像中缺陷框的位置；
7、步骤s40：当出现新类别零部件时，获取所述新类别零部件缺陷样本图像，计算所述多类别自适应感知网络中各个类别的零部件历史样本比例，根据所述历史样本比例抽取各个类别的零部件样本图像用于与所述新类别零部件缺陷样本图像共同对所述多类别自适应感知网络进行训练。
8、优选的，步骤s10中，所述多类别自适应感知网络包括：
9、一大小为7×7的第一卷积核、一第一轻量高效多头自注意力层、一第二轻量高效多头自注意力层、一第三轻量高效多头自注意力层、一第四轻量高效多头自注意力层、一第五轻量高效多头自注意力层、一第一可分离编码层、一第二可分离编码层、一第三可分离编码层、一第四可分离编码层、一第五可分离编码层和一可分离解码层；
10、所述第一轻量高效多头自注意力层、所述第二轻量高效多头自注意力层、所述第三轻量高效多头自注意力层、所述第四轻量高效多头自注意力层和所述第五轻量高效多头自注意力层均包括一第一卷积层，一全局均值池化层，一第一归一化层，一多头注意力层，一第二归一化层，一第二卷积层，一prelu层和一第三卷积层，并依次用a1,1、a1,2、a1,3、a1,4、a1,5、a1,6、a1,7、a1,8表示；
11、所述第一可分离编码层、所述第二可分离编码层、所述第三可分离编码层、所述第四可分离编码层和所述第五可分离编码层均包括一可分离卷积层，一归一化层，一prelu层和一卷积层，并依次用b1,1、b1,2、b1,3、b1,4表示；
12、所述可分离解码层包括一可分离卷积层，一prelu层和一卷积层，并依次用c1,1、c1,2、c1,3表示；
13、所述第一卷积核的输出端与第一轻量高效多头自注意力层的输入端连接，所述第一可分离编码层、所述第二轻量高效多头自注意力、所述第二可分离编码层、所述第三轻量高效多头自注意力层、所述第三可分离编码层、所述第四轻量高效多头自注意力层、所述第四可分离编码层、所述第五轻量高效多头自注意力层、所述第五可分离编码层以及所述可分离解码层依次串行排列。
14、优选的，步骤s20对所述多类别自适应感知网络进行训练包括如下依次执行的步骤：
15、步骤s21：获取不同零部件缺陷样本图像，将所述不同零部件缺陷样本图像调整成大小为的rgb图像，将所述rgb图像输入所述多类别自适应感知网络；
16、步骤s22：通过所述多类别自适应感知网络获取所述rgb图像中缺陷框的位置；
17、步骤s23：采用交叉熵损失函数和l1损失函数建立如下第（1）公式来计算所述不同零部件缺陷样本的缺陷位置的损失值：
18、（1）；
19、其中表示损失值，用来训练多类别自适应感知网络；表示零部件类别的编号，且为正整数；表示第个类别零部件缺陷的预测值；表示第个类别零部件缺陷的真值。
20、优选的，所述步骤s30具体包括：
21、步骤s31：获取所述待检测图像，将所述待检测图像调整成大小为的rgb图像，将所述待检测图像的rgb图像输入训练好的所述多类别自适应感知网络中；
22、步骤s32：通过所述多类别自适应感知网络获取rgb图像中缺陷框的位置，并进行标注，待所述多类别自适应感知网络完成训练之后，得到所述多类别自适应感知网络的权重文件。
23、优选的，步骤s40具体包括：
24、步骤s41：获取数张新类别零部件图像，构成新类别零部件图像数据集，并人为的标注出各所述新类别零部件图像缺陷框的位置；
25、步骤s42：将所述权重文件加载到原先的所述多类别自适应感知网络上，并且冻住参数；
26、步骤s43：使用所述步骤s41收集到的所述新类别零部件图像数据集，对所述多类别自适应感知网络进行重新训练；
27、步骤s44：从旧类别的零部件历史样本中选择20%的样本，并将其与所述新类别零部件图像数据集一起使用来进行复习训练，同时使用增量化的正则化方法来保护旧类别的零部件的参数，选取的这些旧类别的零部件历史样本需要有明显的特征；
28、步骤s45：在完成步骤s44后，为加强所述多类别自适应感知网络的性能，将所述步骤s44选择旧类别的零部件本文档来自技高网...
【技术保护点】
1.基于多类别自适应感知网络的检测方法，其特征在于：包括如下依次执行的步骤：
2.如权利要求1所述的基于多类别自适应感知网络的检测方法，其特征在于：步骤S10中，所述多类别自适应感知网络包括：
3.如权利要求1所述的基于多类别自适应感知网络的检测方法，其特征在于：步骤S20对所述多类别自适应感知网络进行训练包括如下依次执行的步骤：
4.如权利要求3所述的基于多类别自适应感知网络的检测方法，其特征在于：所述步骤S30具体包括：
5.如权利要求4所述的基于多类别自适应感知网络的检测方法，其特征在于：步骤S40具体包括：
6.一种检测系统，其特征在于：包括存储器和处理器，所述存储器中存储有所述处理器的可执行命令；所述处理器中配置有经由执行所述可执行命令来实现权利要求1至5任一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1至5任一项所述的方法。
【技术特征摘要】
1.基于多类别自适应感知网络的检测方法，其特征在于：包括如下依次执行的步骤：
2.如权利要求1所述的基于多类别自适应感知网络的检测方法，其特征在于：步骤s10中，所述多类别自适应感知网络包括：
3.如权利要求1所述的基于多类别自适应感知网络的检测方法，其特征在于：步骤s20对所述多类别自适应感知网络进行训练包括如下依次执行的步骤：
4.如权利要求3所述的基于多类别自适应感知网络的检测方法，其特征在于：所述...
【专利技术属性】
技术研发人员：吴昌钱，欧志龙，张雨琳，
申请(专利权)人：泉州市联友软件科技有限公司，
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。