【技术实现步骤摘要】
本专利技术属于计算机图像处理与机器学习，具体涉及一种应用于工业产品表面质量控制的、基于混合查询策略主动学习的高效率图像分类方法。适用领域包括但不限于金属加工、半导体制造、纺织、印刷、玻璃及塑料制品等行业。
技术介绍
1、在现代工业自动化生产中，实现对产品表面缺陷的自动化识别与分类是保证产品合格率的核心环节。产品表面缺陷，例如划痕、凹坑、污渍、色差、裂纹、异物等，不仅影响产品外观，更严重影响其使用性能和安全性。
2、当前，以深度学习算法，特别是卷积神经网络（cnn）为核心的自动化质量控制技术，正迅速取代传统人工目检，成为工业缺陷识别的主流方案。该技术的核心在于，通过在海量精确标注的缺陷图像上进行监督式学习，来构建高精度的分类模型。尽管在识别准确率上取得了巨大成功，但其成功所依赖的“大规模数据标注”模式，本身也构成了其在工业界灵活部署与快速迭代时的最大瓶颈，具体体现为以下共性难题：
3、（1）高昂的标注成本与专家依赖：训练一个高性能的深度学习模型，需要海量的、由专业质检工程师精确标注的训练图像。在工业化的场景下，不同...
【技术保护点】
1.一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于：所述Step 1中的具体过程如下：通过工业级高分辨率相机，并配合精心配备的光照系统，在实际生产线上对产品表面进行大规模、标准化的图像采集。再此过程中我们确保采集条件的一致性，以减少因光照变化、拍摄角度不一等因素带来的噪声，同时覆盖所有已知的缺陷类型以及各种形态的合格品。
3.根据权利要求1所述的一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于：所述St...
【技术特征摘要】
1.一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于：所述step 1中的具体过程如下：通过工业级高分辨率相机，并配合精心配备的光照系统，在实际生产线上对产品表面进行大规模、标准化的图像采集。再此过程中我们确保采集条件的一致性，以减少因光照变化、拍摄角度不一等因素带来的噪声，同时覆盖所有已知的缺陷类型以及各种形态的合格品。
3.根据权利要求1所述的一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于：所述step 2中的具体过程如下：通过图像预处理技术对玻璃图像进行降噪和增强处理，首先采用灰度化转换将彩色图像转为灰度图像，在降低数据复杂度的同时有效保留关键结构特征。这种预处理方法能够显著提升深度学习模型对玻璃表面缺陷的识别精度和分类性能。
4.根据权利要求1所述的一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于：所述step 3中的具体过程如下：此过程要构建一个具备初步判断能力的“基准模型”，为后续的智能样本选择提供决策依据。这一步会使用在数据处理阶段预留出的一小部分、经过人工精确标注且类别均衡的样本集。通过带有预训练权重的resnet18网络结构，并使用交叉熵损失函数和adam等优化器进行训练，使模型对各类缺陷有一个基本的认知。
5.根据权利要求1所述的一种基于混合查询策略主动学习的工业表面缺陷图像分类方法，其特征在于：所述step 4中的具...
【专利技术属性】
技术研发人员：宋诗楠，孙延亭，刘冰，张丽杰，党源源，
申请(专利权)人：长春工业大学，
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。