System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及表面缺陷检测,尤其涉及一种工业表面缺陷检测任务中模型迁移学习的评估方法。
技术介绍
1、迁移学习是一种利用不同学习任务之间的相关性以获得一定学习效果的学习范式。近十年,迁移学习在深度学习领域得到了广泛的应用,尤其是在机器视觉领域。在机器视觉领域中,深度学习模型比如vgg,resnet,googlenet和densnet等模型都是在imagenet上进行预训练获得预训练图像分类模型。使用预训练模型在目标任务上进行微调的技术,在图像分割,目标定位和图像检索等领域都得到了应用,在这些任务中,源领域和目标领域的图像数据都是通用目标,例如交通工具、动物和植物等,因此源领域学习的特征可以应用在目标领域上。
2、表面缺陷检测是机器视觉检测技术的一个重要应用,能够为自动化的产品质量检测提供有效的解决方案。近年来,随着卷积神经网络的发展,有一些研究者尝试将卷积神经网络应用在表面缺陷检测任务上,大量研究均采用了迁移学习的策略,将imagenet的预训练模型作为表面缺陷检测模型的初始化方式,然后在目标数据集上微调,这种方式比随机初始化从头开始训练更好。造成这个现象的原因是,虽然imagenet源领域和表面缺陷数据目标领域存在差异,imagenet预训练模型中已学得的特征对缺陷特征检测任务是有帮助的,比采用随机的初始化特征更有优势。迁移学习方法有个重要的优点是,可以减少对目标领域数据数量的要求,而在工业表面缺陷检测领域样本的数量往往受到限制。
3、在表面缺陷检测领域的现有数据集中,不存一个像imagenet数据集那
4、目前有少量的工作研究预训练模型的选择任务,但其研究的对象都是通用目标,对应提出的方法在工业产品表面缺陷数据集迁移性能的评估和在更多样的数据集上的泛化能力都较差。
技术实现思路
1、本专利技术提供一种工业表面缺陷检测任务中模型迁移学习的评估方法ddf(deepdefect feature),以解决上述技术问题。
2、为解决上述技术问题,本专利技术提供一种工业表面缺陷检测任务中模型迁移学习的评估方法,包括如下步骤:
3、步骤1:选择数据库,所述数据库包括通用数据集和多种工业表面缺陷数据集;
4、步骤2:在所述工业表面缺陷数据库的各个数据集上训练获得对应的预训练模型;
5、步骤3:利用卷积神经网络模型中的参数,提取同一目标数据集上的多个预训练模型中的表征信息;
6、步骤4:基于所述表征信息得到对应预训练模型的评估结果。
7、较佳地,步骤1还包括,采用数据增强的方法对工业表面缺陷数据库中的数据集进行处理。
8、较佳地,所述数据增强的方法至少包括裁剪、翻转、旋转和镜像。
9、较佳地,所述数据集采用融合数据集。
10、较佳地,步骤3中,基于信息相关性分析,获取所述预训练模型及其特征之间的对应关系,从所述特征中提取所述表征信息。
11、较佳地,采用条件互信息进行信息相关性分析。
12、较佳地,步骤3中,选取所述卷积神经网络模型中的部分卷积块从所述预训练模型的特征中提取所述表征信息。
13、较佳地,所述卷积神经网络模型选用resnet18模型,则选取resnet18模型中的10~13层获取所述表征信息。
14、较佳地,步骤3还包括,采用降维方法处理所述表征信息。
15、较佳地,步骤3还包括,采用协方差验证源任务的所述表征信息与目标任务的相关性。
16、与现有技术相比,本专利技术提供的工业表面缺陷检测任务中模型迁移学习的评估方法具有如下优点:
17、1、本专利技术以卷积神经网络模型参数为研究对象,并引入信息论、降维和相关性分析等理论提出预训练模型的评估方法,通过将同一目标数据集上的多个预训练模型中的表征信息提取出来,基于表征信息判断各模型在目标数据集上的迁移性能,从而避免训练各个模型后再去判断最佳的预训练模型,节省巨大的时间开销;
18、2、本专利技术建立了一个用于评估工业表面缺陷检测模型迁移性能的基准,其中包含多种表面缺陷数据集,每一个数据集都给出了预训练模型,采用本专利技术可以很快找到适用于新出现任务的最佳预训练模型,有利于提升检测精度,在包含9种表面缺陷数据集的基准上预测精度达到了目前最佳,且所需评估时间更短。
本文档来自技高网...【技术保护点】
1.一种工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,包括如下步骤:
2.如权利要求1所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤1还包括,采用数据增强的方法对工业表面缺陷数据库中的数据集进行处理。
3.如权利要求2所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,所述数据增强的方法至少包括裁剪、翻转、旋转和镜像。
4.如权利要求1所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,所述数据集采用融合数据集。
5.如权利要求1所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤3中,基于信息相关性分析,获取所述预训练模型及其特征之间的对应关系,从所述特征中提取所述表征信息。
6.如权利要求5所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,采用条件互信息进行信息相关性分析。
7.如权利要求5所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤3中,选取所述卷积神经网络模型中的部分卷积块从所述预训练模型的
8.如权利要求7所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,所述卷积神经网络模型选用ResNet18模型,则选取ResNet18模型中的10~13层获取所述表征信息。
9.如权利要求7所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤3还包括,采用降维方法处理所述表征信息。
10.如权利要求7所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤3还包括,采用协方差验证源任务的所述表征信息与目标任务的相关性。
...【技术特征摘要】
1.一种工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,包括如下步骤:
2.如权利要求1所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤1还包括,采用数据增强的方法对工业表面缺陷数据库中的数据集进行处理。
3.如权利要求2所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,所述数据增强的方法至少包括裁剪、翻转、旋转和镜像。
4.如权利要求1所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,所述数据集采用融合数据集。
5.如权利要求1所述的工业表面缺陷检测任务中模型迁移学习的评估方法,其特征在于,步骤3中,基于信息相关性分析,获取所述预训练模型及其特征之间的对应关系,从所述特征中提取所述表征信息。
6.如权利要求5所述的工业表面缺陷检测任...
【专利技术属性】
技术研发人员:付贵忠,张增光,李景彬,朱其新,牛福洲,陈浩,张德义,沈晔湖,乔平,孙方圆,
申请(专利权)人:苏州科技大学,
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。