基于深度学习小样本缺陷识别方法与流程

1.本发明涉及工业木材表面缺陷检测技术领域，特别是一种基于深度学习小样本缺陷识别方法。


背景技术：

2.在木材工业中，各类木材被广泛应用于生活中。然而，在木材加工生产过程中，锯材表面由于生长环境，气候条件、运输加工过程中的差异导致的裂痕、虫眼空洞、结节、褐变和腐烂等缺陷。这些缺陷将会使木材产品的质量受到严重影响，且产生木材资源的浪费，高效的缺陷识别技术是保障木材加工成品质量的重要环节之一。
3.目前大部分国内木材生产仍采用人工抽样方式进行缺陷检测，凭借肉眼观察主观判断来完成。该方法依赖于先验知识，主观性较强，准确性和规范性缺失且效率低。基于数字图像处理的缺陷识别，以来形态学处理等方式来进行识别，但传统的数字图像处理方法不能进行批量处理，难以作用于木材工业。基于深度学习的木材表面缺陷识别，需要大量的图像数据集并进行手工标注，这需要耗费大量的人力和耗时，否则识别率不会很高。


技术实现要素：

4.为解决现有技术中存在的问题，本发明的目的是提供一种基于深度学习小样本缺陷识别方法，本发明采用融合思想和深度学习相结合的方法，解决木材表面缺陷数据较少，数据收集和标注耗时耗力且难以很好运用深度学习方法作用于木材表面缺陷识别的问题。
5.为实现上述目的，本发明采用的技术方案是：一种基于深度学习小样本缺陷识别方法，包括以下步骤：
6.步骤1、小样本数据增强：利用数字图像处理方法和生成对抗网络两种方法进行数据增强；
7.步骤2、将步骤1中的增强后的数据输入到迁移深度学习模型特征提取器中，并训练新的分类结构得到迁移深度学习模型集合；
8.步骤3、将测试数据输入到迁移深度学习模型中，并利用voting模型融合方式进行模型融合，遵循少数服从多数原则进行投票，这样就得到缺陷识别结果。
9.作为本发明的进一步改进，步骤1中，利用数字图像处理方法进行数据增强具体包括：仿射变换、镜像翻转、随机旋转、随机颜色变换、边缘增强、颜色反转、添加随机噪声和亮度增强。
10.作为本发明的进一步改进，步骤1中，生成对抗网络进行数据增强具体包括：利用dagan深度学习模型，学习并利用真实图像的低维表示来生成合成图像，生成器将现有的图像进行编码、添加噪声，利用解码器解码，其所述解码器学习了大量的数据增强转换。
11.作为本发明的进一步改进，步骤2中，所述迁移深度学习模型的搭建方法如下：
12.首先利用基于imagenet数据集上预训练的alexnet、inception-v3和resnet101深度学习模型参数作为源领域的预训练模型的特征提取器，选择并设计分类层，搭建初步的
迁移深度学习的新网络结构，将步骤1中的得到的增强数据集输入模型中训练分类器，完成迁移深度学习模型的搭建。
13.本发明的有益效果是：
14.本发明通过将深度学习技术和融合思想相结合的方法，相比于传统人工识别更加省时省力，相较于传统数字图像识别实现了批量化，针对深度学习方法运用在此领域也减少了数据集的收集和标注成本。
附图说明
15.图1为本发明实施例的整体流程框图；
16.图2为本发明实施例中的dagan数据增强的示例图；
17.图3为本发明实施例中的迁移深度学习模型搭建的结构层示意图；
18.图4为本发明实施例中的模型融合结构图。
具体实施方式
19.下面结合附图对本发明的实施例进行详细说明。
20.实施例
21.如图1所示，本实施例展示一批小样本木材表面缺陷图像识别过程，将小样本数据集以9：1的比例分配为训练集和测试集，将训练集样本以不同缺陷类型进行手工分类。如分为：裂痕、虫眼空洞、结节、褐变、腐烂和正常等六类。而测试集不用分类直接利用即可。先将训练集进行两种方式的数据增强得到增强后的数据集，然后送入到预训练的迁移深度学习模型中进行特征提取，训练新的分类器；最后以voting模型融合方式将各个迁移深度学习模型相融合得到少数服从多数的识别结果。
22.提供的基于深度学习木材表面缺陷识别方法，具体实施方式包括以下步骤：
23.步骤一、数据增强：
24.将收集的小样本木材图像的训练集中相同类型的缺陷图像存放于同一文件夹中，并以缺陷名称命名，将表面缺陷图像进行数字图像处理数据增强得到增强后和原图的集合，同时输入到dagan数据扩充的生成对抗网络中如图2所示，将图像送入到dagan模型的编码器中，加入高斯混合模型的混合噪声，然后解码出生成的图像。而解码器中学习了大量的数据增强转换，原始图像dagan将原图像进行编码，添加噪声，然后解码，得到增强数据图像。将两种方式得到的图像放在一起得到增强数据集。
25.步骤二、迁移深度学习模型搭建：
26.将步骤一中得到的增强数据集输入到迁移深度学习模型中训练新的分类器，如图3所示为迁移学习inception-v3模型的大致结构，将inception-v3作为特征提取器，特征迁移然后搭建averagepooling+softmax分类层，便得到了迁移深度学习模型集合中的一种。以同样的道理将alexnet和resnet-101作为特征提取器，由模型类型和分类器的不同，本实施例总共搭建七种类型的迁移深度学习模型，如图4所示，经过训练集训练好了分类器和模型融合结构后，就可以将测试集输入到模型中得到图像的识别结果。
27.步骤三、模型融合并输出：
28.将测试数据输入由步骤二中搭建的深度学习模型，如图4所示，并利用voting模型
融合方式进行模型融合，遵从少数服从多数的原则。便得到测试图像的识别结果。
29.以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。


技术特征：
1.一种基于深度学习小样本缺陷识别方法，其特征在于，包括以下步骤：步骤1、小样本数据增强：利用数字图像处理方法和生成对抗网络两种方法进行数据增强；步骤2、将步骤1中的增强后的数据输入到迁移深度学习模型特征提取器中，并训练新的分类结构得到迁移深度学习模型集合；步骤3、将测试数据输入到迁移深度学习模型中，并利用voting模型融合方式进行模型融合，遵循少数服从多数原则进行投票，这样就得到缺陷识别结果。2.根据权利要求1所述的基于深度学习小样本缺陷识别方法，其特征在于，步骤1中，利用数字图像处理方法进行数据增强具体包括：仿射变换、镜像翻转、随机旋转、随机颜色变换、边缘增强、颜色反转、添加随机噪声和亮度增强。3.根据权利要求1或2所述的基于深度学习小样本缺陷识别方法，其特征在于，步骤1中，生成对抗网络进行数据增强具体包括：利用dagan深度学习模型，学习并利用真实图像的低维表示来生成合成图像，生成器将现有的图像进行编码、添加噪声，利用解码器解码，其所述解码器学习了大量的数据增强转换。4.根据权利要求1所述的基于深度学习小样本缺陷识别方法，其特征在于，步骤2中，所述迁移深度学习模型的搭建方法如下：首先利用基于imagenet数据集上预训练的alexnet、inception-v3和resnet101深度学习模型参数作为源领域的预训练模型的特征提取器，选择并设计分类层，搭建初步的迁移深度学习的新网络结构，将步骤1中的得到的增强数据集输入模型中训练分类器，完成迁移深度学习模型的搭建。

技术总结
本发明公开了一种基于深度学习小样本缺陷识别方法，包括：小样本数据增强：利用数字图像处理方法和生成对抗网络两种方法进行数据增强；将增强后的数据输入到迁移深度学习模型特征提取器中，并训练新的分类结构得到迁移深度学习模型集合；将测试数据输入到迁移深度学习模型中，并利用Voting模型融合方式进行模型融合，遵循少数服从多数原则进行投票，这样就得到缺陷识别结果；本发明利用深度学习模型融合思想和相结合，将深度学习模型DAGAN作用于数据增强，仅仅需要少量样本就能将其用于深度学习识别模型中，且能够拥有更高的准确率。且能够拥有更高的准确率。且能够拥有更高的准确率。


技术研发人员：王萍 岳永胜 李波
受保护的技术使用者：四川启睿克科技有限公司
技术研发日：2021.11.17
技术公布日：2022/2/18