一种基于神经网络架构搜索的工业产品盲检目标检测方法

技术特征：
1.一种基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，包括以下步骤：s1：设计一个xor通道融合模块，在多分支接入时融合多条分支的特征映射；s2：通过步骤s1设计的xor通道融合模块构建被搜索的神经网络架构单元cell，采用了逐渐剪枝的搜索策略来搜索多分支cnn架构；s3：将步骤s2搜索出的多分支cnn架构作为yolov4的主干网络在数据集上评估测试。2.根据权利要求1所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，所述步骤s1中，xor通道融合模块的操作机制是：设有k 1个分支分别为接入，其中表示第n-m
k
层的特征映射，k∈{0,1,2,
…
}，m0<m1<
…
<m
k
，的通道数为且为了融合k 1个分支，一个xor模块需要设置k个xor子块，除第一个xor子块接受最深层的2路分支外，其余子块分别接受次深层的一路分支和前一个子块的一路输出，各分支按照层次倒序依次输入到子块中。3.根据权利要求2所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，和输入到第1个子块，每个子块包含2路输出，其中一路输出为增强的浅层特征映射负责串联其他子块，即作为下一个子块的深层特征映射输入；另外一路为增强的深层特征映射经xor融合后输出。4.根据权利要求3所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，所述步骤s1中，xor通道融合模块融合多条分支的特征映射的过程如下：s11：初始化i＝1；两路输入对应的通道数分别为c1,c2；s12：将f
in,1
和f
in,2
输入到第i个xor子块中，由于每个通道对应的bn层参数反应了通道的重要程度，将f
in,1
所有通道按照bn参数大小降序排列，选出前c2个通道，并进行双线性上采样得到f
up
；然后，将f
up
与f
in,2
进行xor操作，xor操作定义如下：将和f
up
按通道进行取最大值的点运算，输出结果为按通道进行取最大值的点运算，输出结果为其中，f
i
为第i个通道；然后，计算差异张量然后，计算差异张量接着，以f
sub
中每个通道的均值作为对应通道的阈值t
i
，并采用xor的方式融合和f
up
，如公式(3)所示：
s13：将f
xor
下采样，并与剩余的c
1-c2个通道拼接，得到增强后的一路输出s14：将f
up
与进行点乘运算，将深层特征信息嵌入浅层特征，得到增强后的另外一路输出s15：如果i<k，表示还有分支未接入，则：i
←
i 1，i 1，对应的通道数分别为c1,c2，转到s12，否则，结束。5.根据权利要求4所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，当特征差异低于t
i
时，对应位置的深层、浅层特征语义近似，因此选择语义信息更丰富的深层特征当高于t
i
时，说明特征语义差异较大，而浅层特征包含更精细位置的特征信息，因此选择浅层特征操作将更准确的空间信息融入到深层特征中，预期实现更高的检测准确性命名为xor操作。6.根据权利要求5所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，所述步骤s2中，xor通道融合模块构建被搜索的神经网络架构单元cell包括一个头层head和一个堆叠层stack；在头层中，当输入为多分支时，首先通过xor模块进行融合，然后由对齐层将不同尺寸包括通道数和空间分辨率的张量转换为相同尺寸的张量，其中对齐层由多条并行分支构成，每条分支都是一组除skip connect以外的候选操作集合，再进行拼接操作，并连接一个1
×
1conv层规范化头层输出；当输入为单分支时，则进行对齐操作后直接输出；在堆叠层中，每一层为一组候选操作集合，包括basicblock和skip connect，basic block为resnet18中的残差块，skip connect用于搜索堆叠层深度；如果选择了skip connect，将在最终的网络架构中删除相应的层。7.根据权利要求6所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，所述步骤s2中，采用堆叠神经网络架构单元cell的方式搭建完整的神经网络，按照空间分辨率的不同将整个神经网络分为多个子网，每个子网包含若干个通道数不同和空间分辨率相同的cell，但放松了连接的搜索限制：设子网n
i
内的cell的空间分辨率为h
i
×
w
i
(h
i
＝w
i
)，子网n
j
(j>i)内的cell的空间分辨率为h
j
×
w
j
(h
j
＝w
j
)，则cell之间存在连接的条件为h
i
/h
j
≤2。8.根据权利要求7所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，所述步骤s2中，采用了逐渐剪枝的搜索策略来搜索多分支cnn架构的过程是：通过剪枝每个cell往后连接路径中的候选操作来切断cell之间的连接，并利用连接路径中的候选操作权重表示连接系数：首先，为搜索空间内所有候选操作分配一个α架构参数，每一组候选操作权重通过softmax函数进行归一化；然后，对每个cell往后连接路径中的所有候选操作权重进行最大值归一化；接着，引入一组可训练参数其中m为搜索空间内cell个数，每个cell阈值定义为利用定义的阈值，通过relu操作将连接路径中低于阈值的候选操作
权重置零；最后，对连接路径中的候选操作权重进行归一化，路径连接系数β为该路径中候选操作权重的和，其中β∈{0,1}为一个二进制变量，表示是否存在连接。9.根据权利要求8所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，在搜索过程中，基于梯度更新α架构参数和t参数，阈值逐渐增大，实现逐渐剪枝，每一个cell会保持至少一个往后的连接并可搜索到多分支结构。10.根据权利要求9所述的基于神经网络架构搜索的工业产品盲检目标检测方法，其特征在于，所述步骤s4中，搜索结束后提取搜索空间内连接系数不为零的路径和未选择skip connect的堆叠层，形成最终的神经网络，将最终的神经网络作为yolov4的主干网络，在数据集上重新训练并测试。

技术总结
本发明提供一种基于神经网络架构搜索的工业产品盲检目标检测方法，该方法设计了一个XOR通道融合模块，用于解决多分支接入带来的特征混淆和冗余问题。利用深浅层特征映射之间的互补性，在多分支接入时，通过XOR通道融合模块在通道层面上对不同尺度的特征映射进行XOR融合；提出了一种逐渐剪枝的搜索策略，在搜索过程中不断剪枝，高效的构建多分支CNN架构同时缩小搜索和评估之间的差距，生成的多分支CNN结构，可以在深层特征中融入浅层特征，提高小目标检测能力；将搜索出的模型作为YOLOv4的主干网络，达到了更高的检测精度。达到了更高的检测精度。达到了更高的检测精度。


技术研发人员：杨铁军 邓渭铭 黄琳
受保护的技术使用者：桂林理工大学
技术研发日：2022.06.17
技术公布日：2022/9/2