本申請(qǐng)涉及工業(yè)缺陷分割，特別是涉及一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法。

背景技術(shù)：

1、工業(yè)產(chǎn)品表面缺陷分割是各種工業(yè)應(yīng)用中的一項(xiàng)關(guān)鍵任務(wù)，其主要挑戰(zhàn)在于表面缺陷的變化性，其形狀和大小可能有很大差異?，F(xiàn)代化的檢測(cè)技術(shù)，如機(jī)器視覺(jué)、深度學(xué)習(xí)和自動(dòng)化檢測(cè)系統(tǒng)，可以顯著提高檢測(cè)的速度和精度。然而，常用的基于深度學(xué)習(xí)的方法如卷積神經(jīng)網(wǎng)絡(luò)(cnn)通常由于其有限的感受野而難以建模長(zhǎng)距離的依賴(lài)關(guān)系，這會(huì)導(dǎo)致缺陷分割的不連續(xù)性。而transformer則缺乏在局部區(qū)域內(nèi)信息交換的局部機(jī)制，這使得缺陷的局部細(xì)節(jié)(如邊緣和形狀)可能會(huì)丟失。此外，多層感知器(mlp)的高靈活性和大容量使其在訓(xùn)練過(guò)程中容易出現(xiàn)過(guò)擬合，尤其是在缺陷數(shù)據(jù)集中的樣本數(shù)量較少的情況下。

2、鑒于上述架構(gòu)各自的優(yōu)缺點(diǎn)，沒(méi)有一種單一的架構(gòu)可以適用于所有缺陷分割任務(wù)。一個(gè)直接的解決方案是設(shè)計(jì)一種混合網(wǎng)絡(luò)架構(gòu)，近年來(lái)，神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索(nas)方法被用于自動(dòng)設(shè)計(jì)最有效的架構(gòu)。然而，由于不同操作符的特性，多數(shù)基于網(wǎng)絡(luò)架構(gòu)搜索的方法未能高效結(jié)合這些操作符，且隨著操作符數(shù)量增加，搜索效率顯著下降，實(shí)際應(yīng)用中不切實(shí)際。另一個(gè)難點(diǎn)是如何融合多層次特征，研究表明，多層次特征對(duì)于表面缺陷分割至關(guān)重要，高級(jí)特征捕捉判別信息，低級(jí)特征則包含豐富的紋理信息。因此，需要開(kāi)發(fā)一種有效的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的方法應(yīng)用于工業(yè)產(chǎn)品表面的缺陷檢測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、基于此，有必要提供一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，該方法包括：

2、s1：對(duì)像素級(jí)標(biāo)注的工業(yè)產(chǎn)品表面缺陷數(shù)據(jù)集進(jìn)行預(yù)處理；

3、s2：通過(guò)跨尺寸權(quán)重共享策略使權(quán)重初始化的卷積神經(jīng)網(wǎng)絡(luò)、transformer、多層感知機(jī)在不同尺寸下互相共享權(quán)重；構(gòu)建搜索空間，將權(quán)重共享處理后的卷積神經(jīng)網(wǎng)絡(luò)、transformer、多層感知機(jī)放入搜索空間；所述搜索空間用于同時(shí)搜索三種網(wǎng)絡(luò)；

4、s3：基于搜索空間中三種網(wǎng)絡(luò)的所有組合構(gòu)建超網(wǎng)絡(luò)，并訓(xùn)練超網(wǎng)絡(luò)；

5、s4：對(duì)訓(xùn)練好的所述超網(wǎng)絡(luò)進(jìn)行進(jìn)化搜索，得到最優(yōu)子網(wǎng)絡(luò)；

6、s5：基于預(yù)處理的工業(yè)產(chǎn)品表面缺陷數(shù)據(jù)集訓(xùn)練所述最優(yōu)子網(wǎng)絡(luò)，基于訓(xùn)練好的最優(yōu)子網(wǎng)絡(luò)構(gòu)建缺陷分割模型；將待檢測(cè)圖像輸入至所述缺陷分割模型輸出像素級(jí)分割結(jié)果。

7、有益效果：該方法通過(guò)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，減少了訓(xùn)練時(shí)間和資源消耗，同時(shí)顯著提升了工業(yè)產(chǎn)品表面缺陷檢測(cè)的精度，能夠準(zhǔn)確檢測(cè)和分割出各種類(lèi)型的缺陷；該方法解決了傳統(tǒng)檢測(cè)方法在精度、效率和適應(yīng)性方面的不足，為工業(yè)產(chǎn)品表面缺陷提供了一種更為有效和可靠的解決方案。

技術(shù)特征：

1.一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，s1包括：

3.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，在所述搜索空間中，卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算過(guò)程表示為：

4.根據(jù)權(quán)利要求1所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，在所述搜索空間中包括四個(gè)階段，每個(gè)階段分別對(duì)三種網(wǎng)絡(luò)進(jìn)行采樣，且各階段中三種網(wǎng)絡(luò)的深度、通道數(shù)、前饋神經(jīng)網(wǎng)絡(luò)比率、模型大小均不相同。

5.根據(jù)權(quán)利要求4所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，所述跨尺寸權(quán)重共享策略包括：

6.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，s3中，將搜索空間中三種網(wǎng)絡(luò)的每一種組合分別作為所述超網(wǎng)絡(luò)中的一個(gè)子網(wǎng)；所述訓(xùn)練超網(wǎng)絡(luò)包括：

7.根據(jù)權(quán)利要求2所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，s4中，所述對(duì)訓(xùn)練好的所述超網(wǎng)絡(luò)進(jìn)行進(jìn)化搜索包括：

8.根據(jù)權(quán)利要求7所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，所述基于預(yù)處理的工業(yè)產(chǎn)品表面缺陷數(shù)據(jù)集訓(xùn)練所述最優(yōu)子網(wǎng)絡(luò)包括：

9.根據(jù)權(quán)利要求8所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，s5中，所述基于訓(xùn)練好的最優(yōu)子網(wǎng)絡(luò)構(gòu)建缺陷分割模型包括：

10.根據(jù)權(quán)利要求9所述的基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，其特征在于，所述缺陷分割模型包括四個(gè)階段，所述缺陷分割模型中的參數(shù)包括：各階段的深度、各階段中每層的前饋神經(jīng)網(wǎng)絡(luò)膨脹比率、各階段中每層的特征提取的頭的數(shù)量、各階段中每層所采用的網(wǎng)絡(luò)類(lèi)型、各階段的輸入通道數(shù)、各階段的多級(jí)特征聚合模塊中候選操作的類(lèi)型、金字塔池化模塊中池化層的尺度。

技術(shù)總結(jié)
本申請(qǐng)涉及一種基于神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的工業(yè)缺陷分割方法，包括：通過(guò)跨尺寸權(quán)重共享策略使權(quán)重初始化的卷積神經(jīng)網(wǎng)絡(luò)、Transformer、多層感知機(jī)在不同尺寸下互相共享權(quán)重；構(gòu)建搜索空間，將權(quán)重共享處理后的卷積神經(jīng)網(wǎng)絡(luò)、Transformer、多層感知機(jī)放入搜索空間；搜索空間用于同時(shí)搜索三種網(wǎng)絡(luò)；基于搜索空間中三種網(wǎng)絡(luò)的所有組合構(gòu)建超網(wǎng)絡(luò)，并訓(xùn)練超網(wǎng)絡(luò)；對(duì)訓(xùn)練好的超網(wǎng)絡(luò)進(jìn)行進(jìn)化搜索，得到最優(yōu)子網(wǎng)絡(luò)；基于預(yù)處理的工業(yè)產(chǎn)品表面缺陷數(shù)據(jù)集訓(xùn)練最優(yōu)子網(wǎng)絡(luò)，基于訓(xùn)練好的最優(yōu)子網(wǎng)絡(luò)構(gòu)建缺陷分割模型；將待檢測(cè)圖像輸入至缺陷分割模型輸出像素級(jí)分割結(jié)果。該方法解決了傳統(tǒng)檢測(cè)方法在精度、效率和適應(yīng)性方面的不足。

技術(shù)研發(fā)人員：劉敏,林遙,劉禹希,姚釗,馬云峰,王耀南
受保護(hù)的技術(shù)使用者：湖南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30