[发明专利]基于网络协同剪枝的产品表面缺陷高效检测模型构建方法

权利要求书

1.一种基于网络协同剪枝的产品表面缺陷高效检测模型构建方法，其特征在于，包括以下步骤：

步骤1：利用产品表面缺陷数据构建基于卷积神经网络的初始产品表面缺陷检测模型；

步骤2：对步骤1得到的产品表面缺陷检测模型中的卷积核进行重要性评价，判断产品表面缺陷检测模型中每个卷积核对于最终检测结果的重要性，找到重要性较低的卷积核，形成用于剪枝操作的候选卷积核子集；

步骤3：将评价单一卷积核对于最终检测结果的重要性转变为评价卷积环路对于最终检测结果的重要性，将卷积环路的选择近似看成对最优结构的搜索问题，利用遗传算法对步骤2得到的候选卷积核子集中的卷积核进行编码，利用遗传算法不断进行网络结构上的寻优的过程实现对网络冗余环路的寻找，通过对多个卷积核之间协同作用对最终检测结果的影响进行判断，删除步骤1得到的产品表面缺陷检测模型中网络冗余环路，实现对产品表面缺陷检测模型的轻量化；

步骤4：利用少量的产品样本数据经过步骤3剪枝后的产品表面缺陷检测模型进行微训练，提高模型精度与泛化性，保证新的产品表面缺陷检测模型对产品表面缺陷的高精度检测。

2.如权利要求1所述的一种基于网络协同剪枝的产品表面缺陷高效检测模型构建方法，其特征在于，步骤3中，删除网络冗余环路时，为了避免因一次删除多个网络冗余环路对所述产品表面缺陷检测模型的整体精度有较大影响，所以采用迭代式剪枝的方式，对所述产品表面缺陷检测模型中的卷积环路逐个进行删除操作，保证所述产品表面缺陷检测模型的检测精度。

3.如权利要求1所述的一种基于网络协同剪枝的产品表面缺陷高效检测模型构建方法，其特征在于，步骤2中，采用基于泰勒展开式的评价方式对步骤1得到的产品表面缺陷检测模型中的卷积核进行重要性评价。

4.如权利要求3所述的一种基于网络协同剪枝的产品表面缺陷高效检测模型构建方法，其特征在于，所述步骤2包括以下步骤：

步骤201：设卷积核评价准则表达式如式(1)所示：

min_W′|C(D|W′)-C(D|W)| (1)

式(1)中，D表示输入的图片数据样本，W表示原产品表面缺陷检测模型的卷积核权值，W′表示删除卷积核后的产品表面缺陷检测模型的卷积核权值，C(D|W)为原产品表面缺陷检测模型的输出结果，C(D|W′)为删除卷积核后的产品表面缺陷检测模型的输出结果；

步骤202：设hj代表第i个卷积核是否删除，将未修剪的产品表面缺陷检测模型的输出结果表示为C(D，h_i)，则卷积核评价前后输出结果的差异ΔC(h_i)表示为下式(2)：

|ΔC(h_i)|＝|C(D，h_i＝0)-C(D，h_i)| (2)

式(2)中，C(D，h_i＝0)表示删除第i个卷积核h_i后的产品表面缺陷检测模型的输出结果；

步骤203：将产品表面缺陷检测模型的运算过程类似为函数表达式，将产品表面缺陷检测模型中的卷积核作为函数的输入，采用泰勒展开的方式对产品表面缺陷检测模型的函数表达式进行近似表达，则有：

为了计算ΔC(h_i)，采用基于一阶泰勒展开式的方法，对于卷积神经网络函数表达式f(x)在卷积核x＝a处的泰勒展开式表示为下式(3)所示：

式(3)中，p表示函数表达式的展开阶次，P表示展开式的总阶次，f^(p)(a)表示函数f(x)在卷积核x＝a处的p阶导数，R_p(x)表示泰勒展开的p阶余项；

步骤204：为了对产品表面缺陷检测模型中的卷积核进行评价，卷积核对应结果的输出利用一阶泰勒展开式计算C(D，h_i＝0)表示为如下式(4)所示：

式(4)中，C为产品表面缺陷检测模型的输出结果，R₁(h_i＝0)为余项，利用拉格朗日表达式表示为下式(5)：

式(5)中，ξ为介于0和h_i之间的一个数；

步骤205：对余项对结果产生的影响忽略不计，最终得到第i个卷积核h_i的评价准则Θ_TE(h_i)如式(6)所示：

通过式(6)得到对产品表面缺陷检测模型中第i个卷积核h_i对结果的影响程度的评价准则；

步骤206：利用式(6)的评价准则计算每个卷积核对应的特征图参数h_i与损失函数对此参数的梯度之间的乘积判断其对结果的影响，从而实现对每个卷积核的评价，通过对产品表面缺陷检测模型中的每个卷积的重要性进行排序，找到重要性较低的卷积核，形成所述用于剪枝操作的候选卷积核子集。