[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

说明书

本发明提出了一种基于深度主动学习的工业产品表面缺陷检测方法，解决现有运用卷积神经网络检测缺陷时，浪费人力时间大量标注数据的问题，方法包括：利用图像采集器采集工业产品表面图像样本；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；初始化训练模型，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；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；对工业产品表面进行缺陷检测。本发明提出了一种基于深度主动学习的工业产品表面缺陷检测系统，提高工业产品表面缺陷检测效率。

技术领域

本发明涉及工业产品表面缺陷检测的技术领域，更具体地，涉及一种基于深度主动学习的工业产品表面缺陷检测方法及系统。

背景技术

在工业生产中，工业产品的质量问题主要表现在生产材料缺陷、安装配置缺陷、各种表面缺陷等问题上，其中表面缺陷是最主要的表现形式。现有的表面缺陷检测方法是人工目视检测，这样的方式具有效率低，成本高等缺点，另外在对人体有害的生产环境中，人工目视检测失效。

得益于深度学习的兴起和卷积神经网络在特征提取、表达方面表现出的优良适应能力，一批运用卷积神经网络检测缺陷的方法应运而生，通过构建一个深度卷积神经网络模型，然后用大量的标注数据去训练模型，使深度卷积神经网络学习到这些数据中的特征，拥有识别图像特征的能力，通常来说要让深度神经网络具有较好的特征识别能力，需要大量的标注数据去训练，王立中等在2018年5月25日公开了“基于深度学习的带钢表面缺陷检测”的文章，带钢表面缺陷检测的准确率达到92.2％，并且具有较快的检测速度，完全满足了工业生产中对带钢自动化检测的要求，但训练深度学习模型时需要大量的已标注数据，而获取已标注数据需要投入大量的人力和时间。其次，在工业生产中，存在缺陷的产品数量远少于正常产品的数量，且工业产品检测场景单一，样本可供训练的有效信息不多，因此，在训练模型时，大部分是无用的重复信息，不利于模型精度的提高。

综上所述，以上存在的不足使深度学习卷积神经网络模型的训练花费较多时间和成本，工业产品表面缺陷的检测方法需要进一步改进。

发明内容

为克服现有运用卷积神经网络检测缺陷的方法在训练深度学习模型时须大量标注数据，具有花费大量人力和时间的弊端，而且训练深度学习模型时的数据大部分是无用的重复信息，不利于模型精度的提高，本发明提出一种基于深度主动学习的工业产品表面缺陷检测方法及系统，减少训练数据的标注量，提高训练效率及工业产品表面缺陷检测效率。

为实现以上发明目的，本发明的技术方案如下：

一种基于深度主动学习的工业产品表面缺陷检测方法，至少包括以下步骤：

S1.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。