基于迁移学习的缺陷检测算法研究

发布时间：2020-09-21 15:30

　　为解决工业表面缺陷检测样本数据不足的问题,本文提出一种改进的对抗迁移网络用于磁瓦数据的检测,并取得了优于已有的主流网络的成绩。本文的主要研究内容如下:首先,在工业自动化领域,缺陷检测作为一项及其重要的研究方向,始终是各大工业视觉公司研发的战略核心。最近几年,深度学习技术在计算机视觉领域发展迅猛,以其精度高和稳定性好等优点成为机器视觉领域表面缺陷检测技术的主流研究方向。但深度学习技术的缺点也十分明显,需要大量的训练数据和高质量的人工标注。而现实中这种高质量的数据和标签的获取的代价是很高的,这也成为了深度学习技术在工业表面缺陷检测领域发展的瓶颈。其次,本文为解决上述深度学习的瓶颈问题,研究了已有的深度迁移网络。主要包括基于finetune方法的深度迁移网络、基于自适应层的深度迁移网络以及基于对抗学习的深度迁移网络。本文对这些网络进行详细分析和对比,并在缺陷检测的任务数据进行测试和对比,指出已有的网络存在的问题。接着,本文针对这些缺点,对深度对抗迁移网络进行了改进,设计了一种端到端的改进深度对抗迁移网络,用来进行缺陷检测。相比于深度迁移对抗网络,改进的方法使用了基于类别的领域适应、对样本进行加权学习和A-softmax损失函数等改进方法进行任务的迁移。为了获得更优秀的模型,本文也对特征提取器的结构进行了一定的探索。最后,为了对上述模型进行评估,本文以人工生产的纹理缺陷数据(DAMG2007数据集)作为源域数据,以生产车间中采集的磁瓦数据作为目标域进行训练,并对已有的主流深度迁移网络进行评估。本文的改进深度对抗迁移网络在磁瓦测试集中取得了分类准确率0.9150和分割平均交并比0.4905的成果。实验表明在同样的超参数下,本文的模型在磁瓦测试集上的分类准确率取得了高于其它模型10个百分点的成绩。为了定量观察每个改进模块对模型性能提升的效果,本文还分别对缺少各个改进模块的网络进行训练和评估,实验表明每个改进模块都对模型性能的提升有促进作用,同时这些改进技巧也具有一定的推广价值。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;TP18
【部分图文】：

效果图,缺陷,效果图,划痕

钢材表面缺陷效果图

架构图,架构,数据集,迁移网络

的一种监督学习模型。本文以人工生产的纹理图像数据集 DAGM2007 作域，工业生产中采集到的磁瓦数据集作为目标域，对改进的深度对抗迁移进行了训练和评估，并对比已有的主流深度迁移网络。实验表明，改进的可以实现本文的任务迁移，并取得了比以往深度对抗网络更出色的表现

网络结构图,网络结构,辅助操作,损失函数

输出层以及其它辅助操作，如图 2-1 所示的 lenet 网络，当然完整的 CNN 还包括非线性激活函数、归一化层、损失函数以及一些正则化手段等，接下来我们将详细介绍这些结构。

【相似文献】