1.一种面向钢材表面缺陷检测的迁移学习方法,其特征在于,包括以下步骤:步骤一、通过工业相机获取钢材表面图像样本并对图像样本进行预处理,将预处理后的钢材图像样本分为源域和目标域,并对源域钢材缺陷样本进行标记;
步骤二、采用ResNet50网络提取源域和目标域的钢材缺陷特征,并将源域和目标域数据映射到联合子空间内;
步骤三:通过线性判别分析方法对高维特征进行降维处理实现源域和目标域子空间对齐;
步骤四、从源域和目标域两个方面选择目标域样本子集进行伪标记,通过迭代学习完成对所有目标域钢材表面缺陷样本的伪标记。
2.根据权利要求1所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,预处理包括:通过线性变换对比度增强和Mosaic数据增强。
3.根据权利要求1所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,源域钢材缺陷包括:轧制氧化皮、斑块、开裂、点蚀表面、杂质和划痕。
4.根据权利要求1所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,ResNet50网络包括四组大block,每组分别是3,4,6,3个小block,每个小block里面有三个卷积。
5.根据权利要求1所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,步骤三具体包括:步骤31、计算降维后的第i类钢材表面缺陷Ωi中心点为T
为各缺陷类别的样本中心点,W为降维目标需求投影矩阵的转置;降维后所有样本的中心点为
步骤32、定义降维后新的样本空间中各类别之间离散度Sb;
其中, 为所有钢材表面缺样本的中心点;
步骤33、定义降维后新的样本空间中各类别内紧致度SW;
其中,Z为经降维后的样本矩阵;
步骤34、根据新的样本空间中各类别之间离散度Sb,定义各类别之间散度矩阵Pb;
步骤35、根据新的样本空间中各类别内紧致度SW,定义各类别内部散度矩阵PW;
步骤36、根据散度矩阵将Sb简化为 SW简化为步骤37、根据线性判别准则建立目标函数:步骤38、使 取最大值结合拉格朗日乘子法得到对应的拉格朗日函数为:式中,wk为投影矩阵W的第k列,λ为分配权重参数;
T m′×n
步骤39、通过投影矩阵降维后的新的样本矩阵为:X′=WX,X′∈R ,m′为降维后的样本维度。
6.根据权利要求1所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,步骤四具体包括:根据标签信息得到源域样本的分布结构,对源域所有样本中属于同一缺陷类别的投影求均值:其中, 表示属于同一缺陷类别的映射均值, 表示投影后第i个属于y类的缺陷样本,y=0,1,…|Y|表示数据样本中钢材表面缺陷类别的数量;
t
利用目标域样本在子空间中的投影Z 到源域映射均值 之间的距离 表示目标域样本和源域样本之间的差异:t
通过计算目标域样本在子空间中的投影Z 与类原型样本之间的差异,得到目标样本xt属于y类的条件概率:
7.根据权利要求6所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,步骤四还包括:在目标域的一个集群和源域的一个类之间建立一对一的匹配,使所有匹配的集群中心和类原型的距离之和最小化,公式为:式中,Aij表示第i个集群与类别j的相关性, 表示目标域映射中属于第i集群的聚类中心, 表示源域中的类原型,对于任意的Aij存在关系:通过目标域投影的样本特征和目标域原型样本特征之间的差异表示:t
其中,z为目标域投影的样本, 为目标域原型样本;
通过计算目标域样本类内之间的结构差异得到目标样本xt属于y类的条件概率为:
8.根据权利要求7所述的面向钢材表面缺陷检测的迁移学习方法,其特征在于,步骤四还包括:t t
计算p1(y|x)、p2(y|x)之间的互补性,得到:t t t
p(y|x)=max{p1(y|x),p2(y|x)}通过源域的标签信息和目标域样本类内结构信息获得目标域伪标签为:将所有目标域的钢材表面缺陷样本的伪标签以及伪标签的概率表示为:式中,nt为目标域钢材表面缺陷样本的数量, 表示目标域第i个未标记图像。