[发明专利]一种管材瑕疵检测方法、装置、介质

权利要求书

1.一种管材瑕疵检测方法，其特征在于，包括：

获取管材的待检测图像；

利用深度神经网络对所述待检测图像进行分类处理，以获取分类结果，其中，所述深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，所述损失函数利用无标注的历史图像进行训练，所述神经网络结构搜索网络的各模块间的操作链接为利用前向渐进剪枝操作对初始存在7种不同的操作链接进行剪枝获得的链接，其中，所述操作链接包括：1x1单位卷积，3x3可分卷积，5x5可分卷积，3x3扩张可分卷积，5x5扩张可分卷积，3x3最大池化，相应的，所述通过反向梯度传播训练的方式对采用所述损失函数的神经网络结构搜索网络进行训练的过程包括：在每个迭代周期仅将各模块间一个所述操作链接采样并放入显存之中；利用重参数技巧重构所述损失函数；其中，所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：获取所述神经网络结构搜索网络的结构参数，并根据所述结构参数初始化所述神经网络结构搜索网络；对所述历史图像进行数据增广处理，并将处理后的任意两张所述历史图像作为正样本，其他作为负样本；利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练，以获取所述深度神经网络；

根据所述分类结果判断所述管材是否为瑕疵管材。

2.根据权利要求1所述的管材瑕疵检测方法，其特征在于，对所述历史图像进行数据增广处理以获取正样本和负样本包括：

对各所述历史图像进行两次数据增广处理以获取增广图像；

相应的，所述利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练包括：

通过多层感知器获取所述正样本、所述负样本的特征向量，其中，对于各所述历史图像，其对应的所述增广图像为所述正样本，其他所述增广图像作为所述负样本；

将所述特征向量对所述神经网络结构搜索网络进行训练。

3.根据权利要求1所述的管材瑕疵检测方法，其特征在于，所述获取管材的待检测图像的步骤后，还包括：

对所述待检测图像进行数据清洗操作和图像增强操作。

4.根据权利要求2所述的管材瑕疵检测方法，其特征在于，所述获取所述深度神经网络的步骤后，还包括：

获取分类任务信息，并根据所述分类任务信息确定线性分类层；

将所述多层感知器替换为所述线性分类层，以执行分类任务。

5.一种管材瑕疵检测装置，其特征在于，包括：

获取模块，用于获取管材的待检测图像；

分类模块，用于利用深度神经网络对所述待检测图像进行分类处理，以获取分类结果，其中，所述深度神经网络为通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练得到，所述损失函数利用无标注的历史图像进行训练，所述神经网络结构搜索网络的各模块层间的操作链接为利用前向渐进剪枝操作对初始存在7种不同的操作链接进行剪枝获得的链接，其中，所述操作链接包括：1x1单位卷积，3x3可分卷积，5x5可分卷积，3x3扩张可分卷积，5x5扩张可分卷积，3x3最大池化，相应的，所述通过反向梯度传播训练的方式对采用所述损失函数的神经网络结构搜索网络进行训练的过程包括：各模块间在每个迭代周期仅将一个所述操作链接采样并放入显存之中；利用重参数技巧重构所述损失函数；所述通过反向梯度传播训练的方式对采用损失函数的神经网络结构搜索网络进行训练包括：获取所述神经网络结构搜索网络的结构参数，并根据所述结构参数初始化所述神经网络结构搜索网络；对所述历史图像进行数据增广处理，并将处理后的任意两张所述历史图像作为正样本，其他作为负样本；利用所述正样本和所述负样本对所述神经网络结构搜索网络进行反向梯度传播训练，以获取所述深度神经网络；

判断模块，用于根据所述分类结果判断所述管材是否为瑕疵管材。

6.一种管材瑕疵检测装置，其特征在于，包括存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述的管材瑕疵检测方法的步骤。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的管材瑕疵检测方法的步骤。