[发明专利]基于轻量级深度神经网络的工业产品缺陷图像分类方法

权利要求书

1.基于轻量级深度神经网络的工业产品缺陷图像分类方法，其特征在于包括以下步骤：

第一步，工业产品图像数据集的准备；

第二步，搭建轻量级深度神经网络，轻量级深度神经网络包括1个第一卷积层、5个并行深度可分离卷积模块、1个并行非对称卷积模块、4个最大池化层、1个全局均值池化层和一个Softmax层，轻量级深度神经网络搭建的具体步骤如下：

S1、将工业产品缺陷图像尺寸统一调整为227像素×227像素，然后将其输入到第一卷积层中，第一卷积层后接批量归一化操作和ReLU激活函数；

S2、上一层的输出结果输入到并行深度可分离卷积模块1中；

S3、上一层的输出结果输入到并行深度可分离卷积模块2中，后接最大池化层；

S4、上一层的输出结果输入到并行深度可分离卷积模块3中，后接最大池化层；

S5、上一层的输出结果输入到并行深度可分离卷积模块4中，后接最大池化层；

S6、上一层的输出结果输入到并行非对称卷积模块中，后接最大池化层；

S7、上一层的输出结果输入到并行深度可分离卷积模块5中，后接全局均值池化层和Softmax层，最后得到图像分类结果；

搭建的轻量级深度神经网络中的并行深度可分离卷积模块组建的步骤为：

首先，该模块使用1×1的卷积滤波器来减少输入到下一层的通道数，即特征图个数；然后，其输出输入到由1×1卷积滤波器和深度可分离卷积并联而成的卷积层中，其中的深度可分离卷积是由3×3的深度卷积和1×1的点卷积串联而成；最后，将1×1卷积滤波器和深度可分离卷积的输出连接到一起，作为整个并行深度可分离模块的输出；其中，并行深度可分离卷积模块中所有的卷积操作后都执行ReLU操作；

第三步，将第一步准备的工业产品缺陷图像数据集输入第二步搭建好的轻量级深度神经网络中，经过轻量级深度神经网络的训练，提取输入图像的多尺度特征，将提取到的特征输入Softmax层进行分类，得到分类模型；

第四步，将测试图像输入第三步获得的分类模型中，将图像属于某一类别的概率和图像对应的标签输入Accuracy层，输出图像的正确分类结果。

2.根据权利要求1所述的基于轻量级深度神经网络的工业产品缺陷图像分类方法，其特征在于：所述并行深度可分离卷积模块设置有四个可调参数：n₁、n₂、n₃、n₄和两个固定参数F和n₀，F表示输入到并行模块的特征图的宽度或者高度，n₀表示特征图的个数；n₁表示并行模块中第一个1×1卷积滤波器输出的特征图个数，n₂表示与深度可分离卷积并联的1×1卷积滤波器输出的特征图的个数，n₃和n₄分别表示深度可分离卷积中深度卷积和点卷积中卷积滤波器的输出特征图个数；轻量级深度神经网络在使用并行模块时，n₁ n₀且 n₁ (n₂+ n₄)，n₂ = n₄=4n₁。

3.根据权利要求1所述的基于轻量级深度神经网络的工业产品缺陷图像分类方法，其特征在于：所述并行深度可分离卷积中的深度卷积用非对称卷积代替，即将3×3深度卷积用1×3+3×1卷积替代，构成并行非对称深度可分离卷积模块。