[发明专利]一种基于三支决策的缺陷检测数据集预处理方法

说明书

本发明公开了一种基于三支决策的缺陷检测数据集预处理方法，该方法通过构造一个卷积神经网络来进行图片特征的提取，利用随机梯度下降法基于分类网络中的交叉熵损失来进行卷积神经网络权值的更新，同时利用卷积神经网络输出的特征来进行样本所属域的划分，对划分后的负域和边界域样本进行数据增强，再利用数据增强后的数据集继续进行训练，直到分类网络达到一个较好的分类准确率。通过实验证明了本发明方法比直接对数据集中的图片进行无差别的增强后进行训练，模型的收敛速度更快，最终的分类准确率更高。

技术领域

本发明涉及缺陷检测的技术领域，尤其是指一种基于三支决策的缺陷检测数据集预处理方法。

背景技术

在生产和日常的应用过程中,由于加工、设计、机床生产设备故障和工况恶劣等因素,制造产品极易发生产品内部孔洞、凹陷和擦伤等缺陷,而在产品正常的使用过程中，由于外界的各种不可抗因素极易使产品受到腐蚀和破坏，这使得企业生产成本增加，造成巨大的资源浪费和经济损失,甚至给人们的生命安全造成巨大的伤害。相比较于人工检测的效率低，检测过程中受到主观因素影响大，某些产品的检测极易对人体健康造成损伤，采用自动缺陷检测技术优势明显，其不仅可以长时间、高精度、高效率的工作，同时还可以提高生产效率和产品质量，降低生产成本。

在缺陷检测领域中，缺陷样本数据的采集往往是一个难题，由此导致检测系统中缺陷样本数据量和正常样本数据量在分布上表现出不平衡现象。缺陷检测问题实质上可以分成两个阶段，第一阶段是对样本有无缺陷进行分类，这一阶段本质上是一个模式识别问题，已有许多方法在该问题上的应用，如基于机器学习的支持向量机、误差逆传播神经网络、相关向量机等，第二阶段是在第一阶段分类的基础上对瑕疵样本位置和大小的检测问题，该阶段使用较多的是基于深度学习的方法。

针对缺陷检测第一阶段分类问题中数据不平衡，缺陷样本数据量少的现象，目前采用较多的数据增强方法包括图像切割、翻转、灰度变换、平移、噪声添加等。这类方法并没有考虑到瑕疵样本数据和正常样本数据在特征分布上的差异，只是采用数据增强方法扩大了数据样本量，但忽略了不同样本在特征空间中的分布差异。将样本属性特征纳入考量，对不同瑕疵样本和正常样本采用不同的数据增强方法进行增强是一个值得研究的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于三支决策的缺陷检测数据集预处理方法，该方法对比直接对数据集中的图片进行无差别的增强后进行训练，模型的收敛速度更快，最终的分类准确率更高，实验证明，通过该方法进行增强的数据集可以提高缺陷检测中的检测准确率。

为实现上述目的，本发明所提供的技术方案为：一种基于三支决策的缺陷检测数据集预处理方法，包括以下步骤：

1)对输入的图片进行尺寸调整，统一输入图片的尺寸为2048×905，尺寸调整的方法为双线性插值法，同时对图片像素进行归一化处理，将像素值归一化到[0,1]区间；

2)采用卷积核为3×3和1×1的卷积层、激活函数为ReLU的激活层以及池化核为2×2的池化层构建出深度为16的卷积神经网络VGG16，将步骤1)中归一化后的图片输入到卷积神经网络中，提取得到特征图；

3)将步骤2)中提取出的特征图拉伸为一维的特征向量，输入到由softmax函数构建的分类网络和用于样本所属域划分的三支决策网络中，进行样本的分类及所属域的划分；

4)根据步骤3)中分类网络的损失函数得到的损失采用随机梯度下降法对卷积神经网络中的权值进行更新调整，同时根据样本所属域划分，对数据集中的负域和边界域样本进行数据增强，得到增强后的数据集；

5)基于步骤4)中进行数据增强之后的数据集和调整后的卷积神经网络继续进行迭代训练，设定迭代次数T，不断对数据集和卷积神经网络进行更新，使得网络的损失收敛，分类准确率增加，直至迭代次数达到预设值。

在步骤1)中，进行特征归一化的方法，具体过程如下：