【技术实现步骤摘要】
本专利技术涉及计算机视觉，具体涉及基于神经网络重复性改善训练的工业产品图像分类方法。
技术介绍
1、图像分类是指将图像分配到给定分类集合中的一个类别标签。传统的图像分类流程通常包括特征提取、特征编码、空间约束和特征分类等步骤。近年来，深度学习技术在图像分类任务中得到广泛应用。通过深度卷积神经网络，可以自动从大量的训练样本中提取图像的特征信息，并实现端到端的图像分类。在imagenet数据集上，深度卷积神经网络甚至取得了超过人类辨识率的性能。在使用训练好的深度卷积神经网络进行推理时，输入图像经过网络处理后，网络会输出分类类别编号和分类概率，其中类别编号对应类别标签，而分类概率表示输出类别相对于其他类别的预测概率。
2、在工业表面产品检测场景中，结合机器视觉和深度学习技术的质检设备正逐渐取代传统的人工目检和机器视觉设备。该设备利用工业相机在特定照明条件下拍摄产品表面的图像，并使用各种产品检测算法来检测图像中的表面缺陷，如划痕、凹坑和污渍等。然而，由于产品检测算法可能存在误检，并且需要对检出的产品进行等级分级，因此对于检出的产品图像仍需要进行分类，即区分产品的类别或等级，这时常使用深度分类神经网络来完成分类任务。
3、完成工业表面产品检测是产品质量检验的一个重要任务，而检测结果需要经过量具的重复性和再现性评估，即ar&r(attribute reproducibility and repeatability)评估。该评估过程涉及不同操作人员多次检测同一产品，并以一致性分数来衡量评估结果。如果一致性分数未
技术实现思路
1、鉴于此，本专利技术公开提供了基于神经网络重复性改善训练的工业产品图像分类方法，以获得准确率更高的分类方法。
2、本专利技术的技术方案为：基于神经网络重复性改善训练的工业产品图像分类方法，包括：
3、s1:采用图像处理算法计算工业产品图像数据集的变异数据值范围，所述变异数据值范围包括位置变异值范围、角度变异值范围、亮度变异值范围及模糊变异值范围；
4、s2:构建孪生网络训练数据集加载器，在每个批次输出中，同时输出原始样本、变异样本和样本类别标记，其中变异样本为原始样本变异生成，变异幅度在变异数据值范围内通过随机采样得到；
5、s3:构建深度分类神经网络，结合监督学习、对比学习训练深度分类神经网络；
6、s4:将缺陷产品图像输入到训练完成得到的深度分类神经网络，得到图像的分类概率和分类类别。
7、优选地，s1中所述使用图像处理算法计算工业产品图像数据集的变异数据值范围：
8、通过图像分割算法提取图像中产品的像素区域，并对这些区域进行最小外接矩形拟合；计算图像中产品区域的像素位置、灰度和角度数据；剔除95％分布外的数据，再计算均值、最大值和最小值；通过将最大值和最小值与均值做差，得到图像中产品的像素位置变异值范围、产品角度变异值范围和产品亮度变异值范围；采用高斯模糊核大小值估算算法进行计算，得到模糊变异值范围。
9、优选地，所述模糊变异值范围的具体计算方法为：
10、使用高斯模糊对样本模糊情况进行建模，计算数据集模糊情况的最大核值：对第i个样本图像，参照公式(1)和(2)计算其灰度方差值si及去除95％分布外的异常值，再统计所有灰度方差值的最小值smin与最大值smax，并记录对应的样本编号，对灰度方差值最小的样本取高斯模糊核大小依次为3，5，7，9，11进行多次高斯模糊，并计算模糊后的灰度方差值，并与smax进行比较，取与smax最接近的核大小值作为数据集模糊度变异值，该核大小值记为kmax，产品模糊度变异值范围为(0,kmax)；
11、
12、
13、式(1)和式(2)中，f(x,y)为图像(x,y)坐标处的灰度值，nx为图像宽度，ny为图像高度。
14、优选地，s2中构建孪生网络训练数据集加载器，在每个批次中加载通过随机生成的在线位置变异、角度变异、亮度变异或模糊变异之一产生的变异图像样本：
15、构建第一个网络数据加载器和第二个网络数据集加载器，数据加载器每个批次读取n个原始样本，其中n≥1个，n为每个批次中原始数据样本的数量；第一个网络数据加载器加载张量转换和归一化的数据，第二个网络数据加载器亦对应n个原始样本的变异样本，使用数据增强算法分别对每个原始样本进行随机取值在(x-,x+),(y-,y+)之间的位置变异、角度范围随机取值在(θ-,θ+)之间的角度变异、亮度范围随机取值在(μ-,μ+)之间的亮度变异和高斯模糊核大小值随机取值在(0,kmax)之间的模糊变异。
16、优选地，s3中使用孪生网络训练深度分类神经网络：
17、将原始样本通过第一个孪生子网络进行前向计算得到正常样本特征嵌入和分类结果，分类结果和所述样本类别标记构成类别训练损失；
18、将变异样本通过第二个孪生子网络进行前向计算得到变异样本特征嵌入，所述变异样本特征嵌入与正常样本特征嵌入构成特征嵌入距离损失，所述类别训练损失和特征嵌入距离损失加权求和得到第一个孪生子网络完整训练损失，第二个孪生子网络无需训练，其权重复制自第一个孪生自网络并使用指数滑动平均更新权重。
19、优选地，使用ema指数滑动平均的方法继承网络训练权重，ema滑动平均的公式为：
20、vt＝b*vt-1+(1-β)*θt (3)
21、变量v在t时刻记为vt，θt为变量v在t时刻的取值，β∈[0,1)，β＝0相当于没有使用滑动平均，即在不使用滑动平均模型时vt＝θt。
22、优选地，采用监督学习计算所述类别训练损失，所述监督学习使用的损失函数为：
23、
24、式(4)中，n为数据集加载器每批次读取的原始样本数量，m为类别数量；yic为符号函数0或1，如果样本i的真实类别等于c取1，否则取0；pic为观测样本i属于类别c的预测概率。
25、优选地，通过对比学习计算特征嵌入的距离损失；
26、所述对比学习具体学习过程如下：
27、kl散度loss如下：
28、
29、式(5)中，p和q分别表示两个概率分布，i表示样本空间中的一个元素，log本文档来自技高网...
【技术保护点】
1.基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，S1中所述使用图像处理算法计算工业产品图像数据集的变异数据值范围：
3.根据权利要求2所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，所述模糊变异值范围的具体计算方法为：
4.根据权利要求1所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，S2中构建孪生网络训练数据集加载器，在每个批次中加载通过随机生成的在线位置变异、角度变异、亮度变异或模糊变异之一产生的变异图像样本：
5.根据权利要求1所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，S3中使用孪生网络训练深度分类神经网络：
6.根据权利要求5所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，使用EMA指数滑动平均的方法继承网络训练权重，EMA滑动平均的公式为：
7.根据权利要求5所述的基于神经网络重复性改善训练的工业产品图像
8.根据权利要求5所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，通过对比学习计算特征嵌入的距离损失；
...【技术特征摘要】
1.基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，s1中所述使用图像处理算法计算工业产品图像数据集的变异数据值范围：
3.根据权利要求2所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，所述模糊变异值范围的具体计算方法为：
4.根据权利要求1所述的基于神经网络重复性改善训练的工业产品图像分类方法，其特征在于，s2中构建孪生网络训练数据集加载器，在每个批次中加载通过随机生成的在线位置变异、角度变异、亮度变异或模糊变异之一产生的变异图像样本：...
【专利技术属性】
技术研发人员：喻勇涛，李昂，朱琳琳，孙奥，
申请(专利权)人：沈阳航空航天大学，
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。