1.一种基于der增量学习的密集架通道异物检测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于der增量学习的密集架通道异物检测方法,其特征在于,步骤(1)中所述的数据集制作方法,具体包括采集不同异物种类、不同光照、不同架体间距的图像,按照异物类型存放,并根据图像存放位置生成对应标签;接着采用随机取样算法将数据集划分为训练集、测试集和验证集;最后对所输入的图像数据集进行数据增强,包括并不限于旋转、翻转、灰度化以及饱和度调整。
3.根据权利要求1所述的基于der增量学习的密集架通道异物检测方法,其特征在于,步骤(2.1)中,特征提取模块spresblock的左支路由一个3×3基础卷积块conv、一个1×1基础卷积块conv顺序组成,特征提取模块spresblock的右支路由一个3×3分组卷积块groupconv和一个1×1基础卷积块conv顺序组成,分组卷积块groupconv的分组数目设置为输入通道数的1/2。
4.根据权利要求3所述的基于der增量学习的密集架通道异物检测方法,其特征在于,特征提取器的结构为“1-3-3-4-4”模块结构,其中“1”代表1个基础卷积模块cbr;两个“3”均表示3个特征提取模块abasblock,其中,第一个为包含下采样的特征提取模块abasblock,剩余两个为不包含下采样的特征提取模块abasblock;两个“4”均代表4个特征提取模块spresblock,其中,第一个为包含下采样的特征提取模块spresblock,剩余三个为不包含下采样的特征提取模块spresblock。
5.根据权利要求3所述的基于der增量学习的密集架通道异物检测方法,其特征在于,所述特征提取模块abasblock和特征提取模块spresblock内设置的基础卷积块conv的结构与基础卷积模块cbr的结构相同,即基础卷积块conv也由二维卷积conv、批归一化batchnorm、激活函数relu顺序构成;其中二维卷积conv的卷积核尺寸为3×3。
6.根据权利要求1所述的基于der增量学习的密集架通道异物检测方法,其特征在于,步骤(3)中所述筛选数据与训练异物检测网络模型的具体步骤如下:
7.根据权利要求6所述的基于der增量学习的密集架通道异物检测方法,其特征在于,对der网络模型进行训练、优化时,还采用余弦退火策略控制学习率,学习率按如下公式进行变化: