【技术实现步骤摘要】
本专利技术涉及钢材表面缺陷识别分类，尤其涉及一种人在回路的带钢表面缺陷分类连续学习方法。
技术介绍
1、表面缺陷是带钢生产中常见的质量问题，往往意味着产线上的某个环节出现了问题，而识别出缺陷的种类能够在一定程度上反映出问题出现在产线的哪个环节，从而便于工作人员及时修复问题，减少企业的损失；然而，传统的缺陷分类方法往往需要大量的手动调整和优化，或者通过构造深度学习模型，但是这些深度学习模型在训练完成后通常是静态的，模型权重被固定，无法再进行调整，并且模型能够分类的缺陷种类在一开始就已经固定，除了重新训练模型之外无法学习产线上新出现的缺陷种类，带钢表面缺陷分类这样的实际工程场景中，产线上不断记录的带钢表面图像就构成了一条反映产线情况的数据流，物料、加工工艺等因素的改变可能导致缺陷特征的变化，但静态模型无法对新产生的缺陷种类进行识别分类，很难应对带钢表面缺陷的多样性和不断变化的工业环境，为此，学界提出了连续学习的方法。
2、目前关于连续学习方法的研究主要可被细分为回放式、正则化和参数隔离；回放式连续学习使用两个模块：学习模块和记忆...
【技术保护点】
1.一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，所述余弦相似度Ψ(xj)表达式为：
3.根据权利要求1所述的一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，所述蓄水池采样法通过构造一个大小为k的蓄水池，若所述带钢表面缺陷流式数据xj在数据流中的位置j≤k，则j个所述带钢表面缺陷流式数据直接进入蓄水池；若所述带钢表面缺陷流式数据xj在数据流中的位置j>k，则生成一个随机数i∈[1,j]，当满足i≤k时，则所述带钢表面缺陷流式数...
【技术特征摘要】
1.一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，所述余弦相似度ψ(xj)表达式为：
3.根据权利要求1所述的一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，所述蓄水池采样法通过构造一个大小为k的蓄水池，若所述带钢表面缺陷流式数据xj在数据流中的位置j≤k，则j个所述带钢表面缺陷流式数据直接进入蓄水池；若所述带钢表面缺陷流式数据xj在数据流中的位置j>k，则生成一个随机数i∈[1,j]，当满足i≤k时，则所述带钢表面缺陷流式数据xj直接进入蓄水池并替换原有的第i个数据，当不满足i≤k时，舍弃数据xj。
4.根据权利要求1所述的一种人在回路的带钢表面缺陷分类连续学习方法，其特征在于，所述记忆缓冲区动态分配法包括：若新获取的数据xj属于已出现过的类别，则使用蓄水池采样法判断是否存入对应类别的记忆缓冲区；若新获取的数据xj属于未出现过的类别，则重新计算每个...
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。