[发明专利]基于深度主动学习的工业产品表面缺陷检测方法及系统

权利要求书

1.一种基于深度主动学习的工业产品表面缺陷检测方法，其特征在于，至少包括以下步骤：

S1.利用图像采集器采集工业产品表面图像样本，组成训练样本集；

S2.通过迁移学习获取卷积神经网络模型作为工业产品表面缺陷检测的训练模型，保留卷积神经网络模型的各层参数作为训练模型的初始参数；

S3.将训练样本集中n个未标记的样本放入未标注训练样本集U中，从未标注数据集U中随机选取j个样本进行人工标注后，放入已标注训练样本集L中；

S4.将已标注训练样本集L中的样本输入到训练模型，对训练模型进行初步训练，得到神经网络参数W后，将已标注训练样本集L中的样本清空；

S5.通过主动学习选择未标注数据集U中的样本进行标注，对训练模型进行训练调节；

S6.利用训练调节完毕的训练模型，对工业产品表面进行缺陷检测。

2.根据权利要求1所述的基于深度主动学习的工业产品表面缺陷检测方法，其特征在于，步骤S2所述通过迁移学习获取的卷积神经网络模型为VGGNet16卷积神经网络模型，VGGNet16卷积神经网络模型作为工业产品表面缺陷检测的训练模型。

3.根据权利要求2所述的基于深度主动学习的工业产品表面缺陷检测方法，其特征在于，在步骤S2之后，步骤S3之前还包括：对训练模型的输入层和输出层分别进行修改，将输入层大小修改为输入工业产品表面图像样本的大小，将输出层大小修改为缺陷分类的类数。

4.根据权利要求3所述的基于深度主动学习的工业产品表面缺陷检测方法，其特征在于，步骤S5所述的通过主动学习选择未标注数据集U中的样本进行标注，对训练模型进行训练调节的过程包括：

S51.从未标注数据集U中随机选取m个样本加入到候选样本集C中；

S52.将候选样本集C中的样本输入到训练模型中，在训练模型的softmax层得到样本的输出p(y_j|x_i；W)，其中，x_i表示第i个输入样本数据；y_j表示训练模型的第j个输出样本数据，即第j类缺陷，p表示第i个输入样本数据被训练模型判断为第j类缺陷的概率；

S53.根据训练模型的softmax层的样本输出p(y_j|x_i；W)，利用主动学习法求得m个样本的信息不确定性BvSB；

S54.对m个样本的BvSB值进行排序，选取BvSB值最小的K个样本作为信息最丰富样本，将BvSB值最小的K个样本数据进行数据增广处理，K≤m；

S55.将未标注数据集U中所有原数据及数据增广处理后的K个样本数据进行人工标注，放入已标注数据集L中，从候选样本集C里未被选中的样本中随机选取2K个样本数据进行标注并放入标注数据集L中；

S56.利用已标注数据集L对训练模型进行训练调节，将候选样本集C和已标注数据集L中的样本清空；

S57.令K_t+1＝K_t-r*t，其中，K_t+1表示第t+1次模型训练调节时K的值，t表示第t次模型调节，K_t表示第t次模型训练调节时K的值，r表示模型调节控制比例；

S58.判断未标注数据集U中所有数据是否均已被挑选训练，若是，执行步骤S6，否则，返回执行步骤S51。