一种钢缆缺陷特征识别分类方法及系统与流程
本申请属于钢缆缺陷识别领域,尤其涉及一种钢缆缺陷特征识别分类方法及系统。
背景技术:
1、钢缆作为核心承载部件,广泛应用于众多工程领域,运行的安全性关系到整体设施的稳定。在长时间高负荷的服役过程中,受疲劳应力、机械磨损及环境腐蚀等因素的交替作用,钢缆表面常出现各类缺陷。当前,基于计算机视觉与深度学习的表面缺陷检测技术已成为该领域的主流评估方法。在实际工业检测场景中,由于特定目标场景下的钢缆缺陷样本收集难度大、高质量标注成本高,通常采用迁移学习策略,即先在具有大规模样本的源域数据集上训练出预训练模型,再将该模型迁移至目标域的钢缆缺陷数据中进行微调,来构建视觉识别分类网络。此种预训练加微调的方式能够利用源域模型提取的通用图像特征,帮助模型在目标场景下更快收敛并完成基础的分类任务。
2、由于源域图像与目标域钢缆图像在纹理规律、光照条件以及结构特征分布上往往存在较大差异,常规的微调方式容易使模型在目标域小样本上出现过拟合,或造成源域中有用基础特征的灾难性遗忘;若对源域与目标域模型进行简单的网络层权重平均或插值,又难以兼顾不同卷积层对特定结构化频域特征的接纳程度差异。在常规的卷积神经网络分类框架末端,通常通过全局池化操作将特征图压缩为一维向量并输出结果,该过程识别和利用缺陷在图像空间上的激活分布状态不足。仅依赖通道级别的全局响应特征进行分类判别,在面临背景干扰或缺陷特征微弱的工况时容易出现误判。因此,需要一种能够评估网络结构特征偏好实现模型参数层级融合,并能利用局部空间分布信息的钢缆缺陷视觉识别分类方法。
技术实现思路
1、根据本发明的一方面,提出一种钢缆缺陷特征识别分类方法,用于解决现有方法仅依赖通道级别的全局响应特征进行分类判别,在面临背景干扰或缺陷特征微弱的工况时容易出现误判的问题,包括如下步骤:
2、获取已在源域数据集训练的预训练模型,对所述模型内的各层卷积核进行尺寸填充并执行二维傅里叶变换,获取表示结构检测偏好的核函数频谱;将目标域的样本图像输入所述预训练模型提取各层级特征图,对所述特征图执行二维傅里叶变换,获取目标频域特征;
3、基于所述核函数频谱与所述目标频域特征的相似度计算,构建嫁接注意力矩阵;根据所述嫁接注意力矩阵在各网络层内的权重统计分布,计算各层的层级接纳度;利用所述层级接纳度调整预设的层间基础融合系数,通过截断函数生成映射至0至1区间的各层融合系数;基于所述融合系数,将所述预训练模型的权重参数与利用目标域数据微调所得的模型参数进行逐层加权求和融合,构建最终的缺陷识别分类模型;
4、将待识别钢缆图像输入所述缺陷识别分类模型,基于末端卷积层的通道特征图经过全局平均池化得到全局通道响应向量,根据所述末端卷积层特征图的空间激活分布生成缺陷定位图谱并提取空间统计量,将所述全局通道响应向量与所述空间统计量拼接融合为缺陷描述子,输入全连接分类器输出最终的缺陷类别。
5、根据本发明的另一方面,提出一种钢缆缺陷特征识别分类系统,包括如下模块:
6、获取模块,用于获取已在源域数据集训练的预训练模型,对所述模型内的各层卷积核进行尺寸填充并执行二维傅里叶变换,获取表示结构检测偏好的核函数频谱;将目标域的样本图像输入所述预训练模型提取各层级特征图,对所述特征图执行二维傅里叶变换,获取目标频域特征;
7、构建模块,用于基于所述核函数频谱与所述目标频域特征的相似度计算,构建嫁接注意力矩阵;根据所述嫁接注意力矩阵在各网络层内的权重统计分布,计算各层的层级接纳度;利用所述层级接纳度调整预设的层间基础融合系数,通过截断函数生成映射至0至1区间的各层融合系数;基于所述融合系数,将所述预训练模型的权重参数与利用目标域数据微调所得的模型参数进行逐层加权求和融合,构建最终的缺陷识别分类模型;
8、输出模块,用于将待识别钢缆图像输入所述缺陷识别分类模型,基于末端卷积层的通道特征图经过全局平均池化得到全局通道响应向量,根据所述末端卷积层特征图的空间激活分布生成缺陷定位图谱并提取空间统计量,将所述全局通道响应向量与所述空间统计量拼接融合为缺陷描述子,输入全连接分类器输出最终的缺陷类别。
9、本发明通过对预训练模型的卷积核及目标域特征图执行二维傅里叶变换,在频域维度评估源域模型结构检测偏好与目标域样本特征的适配关系。利用频域特征相似度构建嫁接注意力矩阵并计算层级接纳度,生成截断至零一区间的融合系数,实现了预训练模型权重与目标域微调参数的精细化逐层融合。保留了源域模型的通用表示能力,缓解了模型微调过程中的知识遗忘问题,提升了模型在目标域的泛化性能。在分类识别阶段,将基于末端特征图获取的全局通道响应向量与由空间激活分布提取的局部空间统计量进行拼接,构建了多维度的缺陷描述子,丰富了特征信息的表达,增强了模型对钢缆微小缺陷的感知能力,提高了缺陷分类的准确性与稳定性。
1.一种钢缆缺陷特征识别分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述获取已在源域数据集训练的预训练模型,对所述模型内的各层卷积核进行尺寸填充并执行二维傅里叶变换,获取表示结构检测偏好的核函数频谱,包括:
3.根据权利要求1所述的方法,其特征在于,所述将目标域的样本图像输入所述预训练模型提取各层级特征图,对所述特征图执行二维傅里叶变换,获取目标频域特征,包括:
4.根据权利要求1所述的方法,其特征在于,所述基于所述核函数频谱与所述目标频域特征的相似度计算,构建嫁接注意力矩阵,包括:
5.根据权利要求1所述的方法,其特征在于,所述根据所述嫁接注意力矩阵在各网络层内的权重统计分布,计算各层的层级接纳度,包括:
6.根据权利要求1所述的方法,其特征在于,所述利用所述层级接纳度调整预设的层间基础融合系数,通过截断函数生成映射至0至1区间的各层融合系数,包括:
7.根据权利要求1所述的方法,其特征在于,所述基于所述融合系数,将所述预训练模型的权重参数与利用目标域数据微调所得的模型参数进行逐层加权求和融合,包括:
8.根据权利要求1所述的方法,其特征在于,所述将待识别钢缆图像输入所述缺陷识别分类模型,基于末端卷积层的通道特征图经过全局平均池化得到全局通道响应向量,根据所述末端卷积层特征图的空间激活分布生成缺陷定位图谱并提取空间统计量,将所述全局通道响应向量与所述空间统计量拼接融合为缺陷描述子,包括:
9.一种钢缆缺陷特征识别分类系统,其特征在于,包括以下模块:
10.根据权利要求9所述的系统,其特征在于,所述获取已在源域数据集训练的预训练模型,对所述模型内的各层卷积核进行尺寸填充并执行二维傅里叶变换,获取表示结构检测偏好的核函数频谱,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com