一种基于神经网络的深度学习缺陷检测方法与流程

本发明涉及机器学习，尤其涉及一种基于神经网络的深度学习缺陷检测方法。

背景技术：

1、基于神经网络的深度学习缺陷检测方法是一种应用深度学习技术来检测制造过程中的产品缺陷的方法。这种方法通常使用卷积神经网络(convolutional neuralnetworks，cnns)或其他深度学习模型来自动学习从原始图像数据中提取特征，并进行缺陷检测和分类。

2、随着时代的发展，神经网络和深度学习模型都在不断地优化，且神经网络与深度学习技术在图像处理和模式识别领域取得了巨大的成功，其优势在于可以从原始数据中自动学习到高层次的特征表示，并且可以适应各种复杂的数据结构和缺陷类型。

3、目前已经有许多基于深度学习的缺陷检测方法被提出，包括基于cnn的方法、基于循环神经网络(recurrent neural networks，rnns)的方法、基于生成对抗网络(generative adversarial networks，gans)的方法等。虽然这些方法在不同的数据集和应用场景中取得了不错的效果，但仍然存在一些问题。例如，对于预处理后的缺陷图像集或者缺陷数据，通常都采用集中式处理，导致神经网络对于图像中缺陷的动态感知能力弱，如果遇到大批量数据，会降低后续模型训练的准确度。若使用最先进的yolov8模型，不仅会对细微缺陷识别弱，而且还会造成缺陷数据集的不平衡，导致模型的泛化有限，鲁棒性降低。

4、因此需要一种能够分布式处理，缺陷感知能力、泛化能力强以及鲁棒性高的模型。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了一种基于神经网络的深度学习缺陷检测方法，用来解决背景技术中提到的问题。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于神经网络的深度学习缺陷检测方法，包括：

4、获取需要检测的缺陷数据集，对所述数据集进行预处理；

5、设计双通道神经网络，把预处理后的数据集送入所述双通道神经网络，将所述双通道神经网络中的卷积层分为静态卷积和动态卷积，在动态卷积中使用适应性注意力机制，将所述静态卷积送入全连接层；

6、在所述适应性注意力机制中引入短时间序列，得到缺陷图像区域位置信息，调整所述缺陷区域位置信息，计算不同区域位置上的注意力值，将所述注意力值作为注意力学习权重与并行卷积核进行融合送入池化层；

7、构建深度学习缺陷检测模型，将融合特征作为模型训练值，采用温度淬火算法，对所述训练值进行迭代更新。

8、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：获取需要检测的缺陷数据集，对所述数据集进行预处理，包括：

9、将获取的缺陷数据集转换为图像集，创建所述图像集对应的图像坐标，记录所述图像坐标为原始图像坐标；

10、通过随机坐标反转，对图像坐标进行扩展，将扩展后的图像坐标与所述原始图像坐标进行比较处理。

11、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：设计双通道神经网络，包括：

12、在所述双通道神经网络中，设有两个输入通道，神经网络中包含若干卷积层，且每个卷积层中包括2个亚像素卷积层，每个亚像素卷积层被设置为5×5；

13、在第一通道中，不包含亚像素卷积层；

14、在第二通道中，将亚像素卷积层连接激活函数leaky-relu，所述激活函数连接一个全连接层，通过所述全连接层进行输出。

15、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：适应性注意力机制，包括：

16、将适应性注意力机制融入当前神经网络的卷积层中，采用多卷积核，且在所述多卷积核的基础上使用单核方式，并通过聚合参数使多个卷积核同时处理，形成并行卷积核。

17、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：在所述适应性注意力机制中引入短时间序列，得到缺陷图像区域位置信息，包括：

18、提取短时间序列中的序列特征；

19、通过适应性注意力机制对所述序列特征进行学习，得到缺陷图像区域位置信息。

20、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：调整所述缺陷区域位置信息，计算不同区域位置上的注意力值，将所述注意力值作为注意力学习权重与并行卷积核进行融合送入池化层，包括：

21、得到注意力学习权重与并行卷积核融合函数：

22、

23、其中，n表示为神经网络中神经元的个数；表示图像集在n个神经元的损失过程；和分别代表扩展后的图像坐标xi，yi的像素点i；g表示为注意力值；θn表示为神经网络中神经元的阈值；ωj表示为不同区域j的注意力学习权重ω；表示为短时间序列p中的序列特征，表示为短时间序列p的交替滑动窗口；

24、将所述融合函数作为融合特征送入池化层中，在所述池化层中额外添加一个自定义层，通过所述自定义层接收池化层的输出作为输入，连接全连接层。

25、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：构建深度学习缺陷检测模型，将融合特征作为模型训练值，采用温度淬火算法，对所述训练值进行迭代更新，包括：

26、从所述模型训练值中选择随机特征，作为原始解，将选择的原始解从模型训练值中剔除，再随机选择一个特征，作为最优解；

27、在所述原始解中生成一个相邻解，并计算所述相邻解的目标函数；

28、若所述相邻解的目标函数比原始解大但比最优解小，则将其作为原始解；若所述相邻解的目标函数比优解大，则将其作为最优解；若所述相邻解的目标函数比原始解小，则将其剔除。

29、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：还包括：

30、更新当前原始解和最优解，当最优解超过模型训练值的最大范围，则停止迭代，输出当前解的前一次解为最优解；否则重新生成相邻解，并计算所述相邻解的目标函数。

31、作为本发明所述的基于神经网络的深度学习缺陷检测方法的一种优选方案，其中：还包括：

32、所述温度淬火算法还包含正则化的特征选择策略。

33、与现有技术相比，发明有益效果为：本发明通过获取需要检测的缺陷数据集，对数据集进行预处理；设计双通道神经网络，把预处理后的数据集送入所述双通道神经网络，将双通道神经网络中的卷积层分为静态卷积和动态卷积，在动态卷积中使用适应性注意力机制，将静态卷积送入全连接层；在适应性注意力机制中引入短时间序列，得到缺陷图像区域位置信息，调整缺陷区域位置信息，计算不同区域位置上的注意力值，将注意力值作为注意力学习权重与并行卷积核进行融合送入池化层；构建深度学习缺陷检测模型，将融合特征作为模型训练值，采用温度淬火算法，对训练值进行迭代更新；本发明通过设计双通道神经网络，对缺陷数据集中的图像进行静态和动态卷积的分布式处理，增加了数据集的输入量，提高了神经网络对于大数据量或复杂数据处理的性能和泛化能力；此外，本发明将注意力值作为注意力学习权重与并行卷积核进行融合送入池化层，利用了缺陷图像区域位置信息来动态调整不同区域的注意力权重，从而提高了模型对不同缺陷图像区域的关注程度，增强了神经网络的感知能力和区分能力；最后，采用温度淬火算法控制了神经网络的隐含层与输出层中间自定义层带来的额外参数和计算成本，为相关领域的研究和应用带来了新的可能性。