[发明专利]基于区域特征度量学习的小样本模型生成及焊缝检测方法

说明书

本发明公开了基于区域特征度量学习的小样本模型生成及焊缝检测方法，包括离线阶段和在线阶段，离线阶段，即小样本模型生成方法包括：S1：将焊缝样本图像数据集构造为小样本任务集合；S2：使用小样本任务集合训练目标检测模型；所述在线阶段包括：S3：加载训练后的目标检测模型；S4：将待测焊缝画面输入目标检测模型；S5：使用目标检测模型预测画面中的焊缝；本发明利用距离度量和元学习方法，通过改变目标检测模型及训练阶段参数优化策略，使模型可基于少量焊缝样本更快地完成训练，提高了目标检测方法在小样本焊缝上的检测准确率。

技术领域

本发明涉及计算机视觉领域，尤其是涉及基于区域特征度量学习的小样本模型生成及焊缝检测方法。

背景技术

焊缝广泛存在于储罐、船舶等工业设备的钢结构中，为了保持这类设备的结构稳定可靠，需要定期进行焊缝探伤作业，及时发现焊缝缺陷并进行维护。现有的焊缝探伤作业通常由人工完成，人工作业精度较为依赖相关人员的操作经验，且易因重复探测或漏测降低作业效率。

因此，使用机器人替代人工进行无人焊缝探伤作业，可以提高作业精度与效率，并可将作业拓展至高空、高温、狭小空间等极端环境。为了实现无人焊缝探伤作业，需使机器人具备对焊缝目标的视觉检测功能。

目前，类似的目标检测任务通常使用基于深度学习的目标检测算法，通过卷积神经网络提取图像特征并对其中的目标进行分类，如Faster R-CNN、SSD等。这类目标检测算法通常需要大规模的训练数据，常见训练深度神经网络的数据集，如PASCAL VOC、COCO等，各类待测目标均有超过1000张训练样本。随着训练数据数量减少，算法的性能也会显著下降。在焊缝检测任务中，存在部分焊缝较为少见、样本不足的现象，且随着设备的日常使用，焊缝表面形态也会发生变化，因此需要使目标检测算法具备基于少量焊缝样本训练并检测待测焊缝的功能。

发明内容

为解决现有技术的不足，实现提升焊缝检测准确率的目的，本发明采用如下的技术方案：

基于区域特征度量学习的小样本模型生成方法，包括如下步骤：

S1：将焊缝样本图像数据集构造为小样本任务集合，包括如下步骤：

S11：从焊缝样本图像数据集中获取基类；

S12：将一组基类图像及其标签输入目标检测模型，作为模板图像；

S13：将剩余的基类图像及其标签输入目标检测模型，作为支持集；

S14：从支持集的各类中，抽取1张图像作为问题集，计算目标检测模型在问题集上的损失函数值；

S2：使用小样本任务集合训练目标检测模型，包括如下步骤：

S21：输入：任务分布，训练步长超参数α、β，随机初始化模型参数θ；

S22：开始外循环，根据任务分布，采集任务，初始化问题集，在任务中，输入模板图像和支持集；

S23：开始任务内循环，根据模板图像、支持集和训练步长超参数α，优化模型参数θ，并在任务中，采样用于元学习的数据点，加入问题集，结束任务内循环，元学习的好处是模型更关注在新任务中的学习速度，而不是针对某一任务的精度；

S24：基于问题集与训练步长超参数β，更新模型参数θ，结束外循环。