[发明专利]一种基于半监督迁移学习的热轧钢带表面缺陷检测方法

权利要求书

1.一种基于半监督迁移学习的热轧钢带表面缺陷检测方法，其特征在于，包括如下步骤：

步骤1、数据集预处理

使用LabelImg标记软件对已有的热轧钢带数据集NEU-DET中的标记信息进行调整、校对和清洗，将数据集NEU-DET中六类缺陷图像划分为训练集、验证集和测试集；

步骤2、对训练集进行数据增强从而实现数据扩充；

步骤3、目标检测模型的构建与训练

先在Faster R-CNN算法主干网络ResNet-50中分别引入可变形卷积、ECA注意力机制模块和FPG特征金字塔网格从而形成改进的Faster R-CNN算法，其能够生成可变形的特征图像，增强缺陷的权重并加强表面缺陷的定位，并利用FPG思想补充底层空间位置特征与高层语义特征，以检测各个层次上不同大小的目标；然后利用改进的Faster R-CNN算法对数据增强后的数据集NEU-DET进行训练；

步骤4、半监督学习

将改进后的Faster R-CNN算法作为检测模型，在半监督学习框架STAC的强数据增强的基础上，引入Mosaic数据增强、KeepAugment方法和EMA方法，得到改进的半监督学习框架STAC，对未标记的热轧钢带表面缺陷数据采用强、弱两种数据增强，并把弱数据增强输入到教师模型，强数据增强输入到学生模型。

2.根据权利要求1所述的基于半监督迁移学习的热轧钢带表面缺陷检测方法，其特征在于，所述步骤1将缺陷图像按照比例8：1：1划分为训练集、验证集和测试集。

3.根据权利要求1所述的基于半监督迁移学习的热轧钢带表面缺陷检测方法，其特征在于，所述步骤2采用翻转、模糊处理、亮度、噪声和旋转进行数据增强。

4.根据权利要求1所述的基于半监督迁移学习的热轧钢带表面缺陷检测方法，其特征在于，所述步骤步骤3引入的FPG特征金字塔网格去除了Across-Up流程。

5.根据权利要求1所述的基于半监督迁移学习的热轧钢带表面缺陷检测方法，其特征在于，所述步骤3引入可变形卷积的过程为：

3.2.1)、对Feature Map进行卷积运算，获得一组kernel偏移的预测值，偏移FeatureMap的通道数是2N，2表示每一偏差为x和y两个值，N为kernel的像素数量，CNv1是每一像素点上的一次偏移，在同一Feature Map中，不同的通道数采用同样的预测偏移，对于传统卷积，每个位置p₀的特征图y的输出表示为：

式中：x表示输入Feature Map，ω是kernel的权重，p_n为迭代网格R中的位置，P₀代表输出特征图上的每个位置；

3.2.2)、为了寻找含有有效信息的区域，DCNv1在卷积核上引入一种偏移参数Δp_x，从而在原始卷积之前添加另一层卷积进行学习，由公式(1)推导出：

式中：Δp_x代表迭代网格R的偏移量；

3.2.3)、在DCNv1的基础上使用了有效信息的加权系数从而构成DCNv2，在公式(2)的基础上对各采样点增加加权系数Δm，表示为：

式中：Δm是一个介于[0，1]之间的一个小数，Δm(p_n)表示每个采样点的权重；

又因偏移量Δp_n可能是一个浮点数，故使用双线性插值法，表示为：

式中：p是浮点p₀+p_x+Δp_n；q表示与输入特征映射相对应的特征映射位置；G(q，p)表示双线性插值核，包括x维和y维，可以通过如下公式计算得出：

G(q，p)＝g(q_x，p_x)·g(q_y，θ_y) (5)

g(a,b)＝max(0，1-|a-b|) (6)

式中：a指代q_x时，b指代p_x，当a代表q_y时，b指代p_y。