基于域自适应深度迁移网络的钢表面缺陷检测方法及系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115049627A(43)申请公布日2022.09.13(21)申请号202210739856.5(22)申请日2022.06.21(71)申请人江南大学地址214000江苏省无锡市通沙路898号南楼七层(72)发明人宿磊王立建李可顾杰斐(74)专利代理机构苏州市中南伟业知识产权代理事务所(普通合伙)32257专利代理师李柏柏(51)Int.Cl.G06T7/00(2017.01)G06V10/764(2022.01)G06V10/82(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书4页说明书11页附图3页(54)发明名称基于域自适应深度迁移网络的钢表面缺陷检测方法及系统(57)摘要本发明提供一种基于域自适应深度迁移网络的钢表面缺陷检测方法及系统，方法包括：获取带钢表面典型缺陷图像样本，并对样本进行预处理；构建对抗域分离与自适应网络模型；将新样本特征嵌入到源域图像样本的共享特征中，并计算任务分类损失和嵌入分类损失；通过将多个损失添加权重，动态地优化动态分类损失与动态适应损失，并更新模型参数；当迭代次数达最优时，保存所述模型参数，并输入所述目标领域测试集，得到所述目标领域中钢表面缺陷检测的精度。本发明在对抗域分离与自适应深度迁移网络的基础上引入自适应挖掘样本隐藏信息和添加动态权重优化损失算法，提高了网络模型的泛化能力，最终实现更加精确的钢表面缺陷检测。CN115049627ACN115049627A权利要求书1/4页1.一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，包括：S1：获取带钢表面典型缺陷图像样本，并对样本进行预处理；S2：根据预处理后样本构建对抗域分离与自适应网络模型；S3：将新样本特征嵌入到预处理后得到的源域图像样本的共享特征中，并输入至所述对抗域分离与自适应网络模型，计算任务分类损失和嵌入分类损失；S4：通过对多个损失添加权重，动态地优化动态分类损失与动态适应损失，其中所述动态分类损失包括任务分类损失和嵌入分类损失，所述动态适应损失包括域适应损失与域分离损失，并更新所述对抗域分离与自适应网络模型的参数；S5：判断更新中迭代次数是否达到最优迭代次数，若达到，则执行步骤S6，否则，返回执行步骤S3；S6：保存所述参数，得到优化好的对抗域分离与自适应网络模型，并检测目标领域样本测试集，得到钢表面缺陷检测精度。2.根据权利要求1所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S1中对样本进行预处理的方法为：首先，对所有图像样本进行分割并统一尺寸，选取N个源域图像样本与N个目标域图像样本，其中，所述源域图像样本与所述目标域图像样本均包括合格图像样本与缺陷图像样本，N为正整数；然后，将所述源域图像样本与所述目标域图像样本按照相同的比例各分为训练集与测试集；最后，将所述源域图像样本输入深度提取网络模型中，训练所述深度提取网络模型，得到训练好的模型参数。3.根据权利要求2所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S2中根据预处理后样本构建对抗域分离与自适应网络模型的方法为：首先，将源域图像样本与目标域图像样本训练集输入基于深度卷积神经网络的多个编码器网络模型，基于所述多个编码器网络模型分离源域与目标域各自的私有部分以及源域和目标域之间的共享部分，实现域信息分离，所述多个编码器网络模型包括共享编码器、源域私有编码器和目标域私有编码器网络模型；然后，利用所述源域图像样本训练好的模型参数初始化所述多个编码器网络模型；最后，将初始化后多个编码器网络模型的输出通过多层全连接网络输入到任务分类器、域适应鉴别器和域分离鉴别器中。4.根据权利要求1所述的一种基于域自适应深度迁移网络的钢表面缺陷检测方法，其特征在于，所述步骤S3中将新样本特征嵌入到预处理后得到的源域图像样本的共享特征中的方法为：根据对抗域分离与自适应网络模型的训练状态来自适应调整新样本特征的类间距离，并采用空间线性插值方法实现新样本的嵌入，所述对抗域分离与自适应模型的训练状态是通过训练过程中任务分类器的分类损失衡量；其中，所述新样本特征表示如下：2CN115049627A权利要求书2/4页其中，为嵌入的新样本特征，其标签对应相应的异类样本标签，X为同类样本特征，X‑为异类样本特征，Ltask为任务分类损失，λ为调整嵌入新样本特征类间距离的参数；对所述新特征进行优化，其表达式如下：DE(X，X+)＝||X，X+||2DE(X，X+)＜DE(X，X‑)其中，为嵌入的新样本特征，其标签对应相应的异类样本标签，X为同类样本特征，X‑+为异类样本特征，X为原始样本特征，Ltask为任务分类损失，λ为调整