欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022107398565
申请人: 江南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2023-10-10
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

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;

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。

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:

‑

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;

对所述新样本特征进行优化,其表达式如下:

E + + 2

D(X,X)=‖X,X‖

E + E ‑

D(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为调整嵌入新样本特征类间距E + E ‑离的参数,D(X,X)为同类样本之间的距离,D(X,X)为同类样本与异类样本之间的距离。

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S4中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,具体包括:所述动态分类损失是通过动态地调整任务分类损失和嵌入分类损失的权重的结果,表示如下:其中,Ldynamic‑class为动态分类损失,Ltask为任务分类损失,Lembedded为嵌入分类损失;

所述动态适应损失是通过动态地调整所述域适应损失与所述域分离损失的权重的结果,表示如下:其中,Ldynamic‑ad为动态适应损失,Ladapt为域适应损失,Lsep为域分离损失。

5.根据权利要求4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,所述任务分类损失Ltask根据交叉熵计算得到,表示如下:其中,Ctask为任务分类器,Enj为共享编码器, 为任务分类器的权值参数, 为共享编码器的权值参数,xs为源域图像样本。

6.根据权利要求4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,所述域适应损失Ladapt根据域适应鉴别器混淆域特征产生,表示如下:其中,Enj为共享编码器,Dadapt为域适应鉴别器, 为共享编码器的权值参数,为域适应鉴别器的权值参数,xs为源域图像样本,xt为目标域图像样本,Ex图像样本数学期望。

7.根据权利要求4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,所述域分离损失Lsep根据域分离鉴别器分离域特征产生,表示如下:其中,Enj为共享编码器, 为源域私有编码器, 为目标域私有编码器,Dsep为域分离鉴别器, 为共享编码器的权值参数, 为源域私有编码器的权值参数, 为目标域私有编码器的权值参数, 为域分离鉴别器的权值参数,xs为源域图像样本,xt为目标域图像样本,Ex图像样本数学期望。

8.根据权利要求1或4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S4中更新所述对抗域分离与自适应网络模型的参数的方法为:通过动态分类损失、域适应损失和域分离损失进行反向传播迭代更新多个编码器、域适应鉴别器和域分离鉴别器的模型参数,具体包括:初始化参数θ:

其中, 为域适应鉴别器的权值参数, 为域分离鉴别器的权值参数,为任务分类器的权值参数, 为共享编码器的权值参数, 为源域私有编码器的权值参数, 为目标域私有编码器的权值参数;

动态分类损失更新各网络参数如下:

其中,Enj为共享编码器,Ctask为任务分类器, 为共享编码器的权值参数, 为任务分类器的权值参数,Ldynamic‑class为动态分类损失,η为学习率,为微分运算符;

域适应损失更新各网络模型参数如下:

其中,Dadapt为域适应鉴别器,Enj为共享编码器, 为域适应鉴别器的权值参数,为共享编码器的权值参数,Ladapt为域适应损失,η为学习率,为微分运算符;

域分离损失更新各网络模型参数如下:

其中,Enj为共享编码器, 为源域私有编码器, 为目标域私有编码器,Dsep为域分离鉴别器, 为共享编码器的权值参数, 为源域私有编码器的权值参数, 为目标域私有编码器的权值参数, 为域分离鉴别器的权值参数,Ladapt为域适应损失,Lsep为域分离损失,η为学习率,为微分运算符。

9.一种基于域自适应深度迁移网络的钢表面缺陷检测系统,其特征在于,包括:样本预处理模块,用于获取带钢表面典型缺陷图像样本,并对样本进行预处理;

构建网络模型模块,用于根据预处理后样本构建对抗域分离与自适应网络模型;

优化网络模型模块,用于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;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;判断更新中迭代次数是否达到最优迭代次数,若达到,则将优化结果输入样本检测模块,否则,继续进行迭代计算;

样本检测模块,用于保存所述参数,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;

所述构建网络模型模块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。