[发明专利]面向卷积神经分类网络的缺陷自动诊断与修复方法及装置

权利要求书

1.面向卷积神经分类网络的缺陷自动诊断与修复方法，其特征在于，具体包括如下步骤：

S1、对于深度卷积神经分类网络模型，计算第l层中单个卷积滤波器的隐层贡献特征图集和输出激活图；计算第l层归一化的预测重要性；

S11、通过第l层的输入特征和卷积滤波器的卷积核，计算单个卷积滤波器的隐层贡献特征图集，所述隐层贡献特征图集由若干个隐层贡献特征图组成；

S12、通过隐层贡献特征图集计算第l层的输出激活图；

S13、计算隐层贡献特征图中所有值的加和值；通过隐层贡献特征图中所有值的加和值计算第l层归一化的预测重要性；

S2、判断第l层归一化的预测重要性与阈值之间的大小关系；根据大小关系获取重要性得分；

S3、将同一类别的训练集通过深度卷积神经分类网络模型，获得分类错误与低置信度的样本和分类正确样本；计算分类错误与低置信度的样本的累积重要性得分与分类正确样本的累积重要性得分之间的差异性，筛选出第l层不应该有重要性贡献的输出激活图的集合；

S31、统计各个分类错误与低置信度的样本在第l层第n个输出激活图对该类别的重要性得分，累积加和得到分类错误与低置信度的样本的累积重要性得分；

S32、统计各个分类正确样本在第l层第n个输出激活图对该类别的重要性得分，累积加和得到分类正确样本的累积重要性得分；

S33、计算分类错误与低置信度的样本的累积重要性得分与分类正确样本的累积重要性得分之间的差异性，筛选出第l层不应该有重要性贡献的输出激活图的集合；

S4、获取深度卷积神经分类网络模型中后三层的不应该有重要性贡献的输出激活图的集合，结合损失函数对深度卷积神经分类网络模型进行再训练。

2.如权利要求1所述的面向卷积神经分类网络的缺陷自动诊断与修复方法，其特征在于，步骤S2具体包括如下子步骤：

S21、若第l层归一化的预测重要性大于等于阈值，则重要性得分为1；反之重要性得分为0。

3.如权利要求1所述的面向卷积神经分类网络的缺陷自动诊断与修复方法，其特征在于，所述阈值的取值为大于0小于等于1。

4.面向卷积神经分类网络的缺陷自动诊断与修复装置，其特征在于：包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-3任一项所述的面向卷积神经分类网络的缺陷自动诊断与修复方法。

5.一种计算机可读存储介质，其特征在于：其上存储有程序，该程序被处理器执行时，实现权利要求1-3任一项所述的面向卷积神经分类网络的缺陷自动诊断与修复方法。