[发明专利]一种管材瑕疵检测方法、装置、介质

说明书

本申请涉及神经网络领域，提供了一种管材瑕疵检测方法、装置、介质，包括：获取管材的待检测图像，以便于检测管材是否有瑕疵；利用深度神经网络对待检测图像进行分类处理，以获取分类结果，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，损失函数利用无标注的历史图像进行训练，并根据分类结果判断是否为瑕疵管材。本申请通过深度神经网络对待检测图像进行分类处理以确定管材是否存在瑕疵，从而实现对管材瑕疵的快速检测，提高管材质量检测的效率和准确性，且深度神经网络为利用无标注历史图像对神经网络结构搜索网络进行训练获取的网络，无需人工设计网络和人工标注数据，减少人力物力的浪费。

技术领域

本申请涉及神经网络领域，特别是涉及一种管材瑕疵检测方法、装置、介质。

背景技术

在管材生产过程中，由于原料和工艺问题，可能会导致生产出的管材出现瑕疵(例如：管材表面存在波纹、黑圈等)。为了保证产品合格率，需要对管材质量进行监测，并在发现存在瑕疵管材时及时分析瑕疵出现原因以对设备进行调整。

目前主要通过质检人员抽查的方式检测管材是否有瑕疵，但这一方法会浪费大量人力，且由于检测速度慢，不能及时发现瑕疵管材，导致无法及时对生产设备进行维护，造成经济损失。

由此可见，如何提供一种能够高效的检测管材是否存在瑕疵的方法，是本领域技术人员亟需解决的问题。

发明内容

本申请的目的是提供一种管材瑕疵检测方法、装置、介质，以减少管材瑕疵检测的人力物力浪费，提高检测效率。

为解决上述技术问题，本申请提供了一种管材瑕疵检测方法，该方法包括：

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；

根据所述分类结果判断所述管材是否为瑕疵管材。

优选的，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以获取正样本和负样本；

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。

优选的，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。

优选的，所述神经网络结构搜索网络的各卷积层间存在7种不同的操作链接；

相应的，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：

在每次训练过程中，获取各所述操作链接的权重，并将权重最高的所述操作链接放入显存中；

利用重参数技巧重构所述损失函数。

优选的，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：