一种基于神经网络架构搜索的工业缺陷分割方法

本申请涉及工业缺陷分割，特别是涉及一种基于神经网络架构搜索的工业缺陷分割方法。

背景技术：

1、工业产品表面缺陷分割是各种工业应用中的一项关键任务，其主要挑战在于表面缺陷的变化性，其形状和大小可能有很大差异。现代化的检测技术，如机器视觉、深度学习和自动化检测系统，可以显著提高检测的速度和精度。然而，常用的基于深度学习的方法如卷积神经网络(cnn)通常由于其有限的感受野而难以建模长距离的依赖关系，这会导致缺陷分割的不连续性。而transformer则缺乏在局部区域内信息交换的局部机制，这使得缺陷的局部细节(如边缘和形状)可能会丢失。此外，多层感知器(mlp)的高灵活性和大容量使其在训练过程中容易出现过拟合，尤其是在缺陷数据集中的样本数量较少的情况下。

2、鉴于上述架构各自的优缺点，没有一种单一的架构可以适用于所有缺陷分割任务。一个直接的解决方案是设计一种混合网络架构，近年来，神经网络架构搜索(nas)方法被用于自动设计最有效的架构。然而，由于不同操作符的特性，多数基于网络架构搜索的方法未能高效结合这些操作符，且随着操作符数量增加，搜索效率显著下降，实际应用中不切实际。另一个难点是如何融合多层次特征，研究表明，多层次特征对于表面缺陷分割至关重要，高级特征捕捉判别信息，低级特征则包含丰富的纹理信息。因此，需要开发一种有效的基于神经网络架构搜索的方法应用于工业产品表面的缺陷检测。

技术实现思路

1、基于此，有必要提供一种基于神经网络架构搜索的工业缺陷分割方法，该方法包括：

2、s1：对像素级标注的工业产品表面缺陷数据集进行预处理；

3、s2：通过跨尺寸权重共享策略使权重初始化的卷积神经网络、transformer、多层感知机在不同尺寸下互相共享权重；构建搜索空间，将权重共享处理后的卷积神经网络、transformer、多层感知机放入搜索空间；所述搜索空间用于同时搜索三种网络；

4、s3：基于搜索空间中三种网络的所有组合构建超网络，并训练超网络；

5、s4：对训练好的所述超网络进行进化搜索，得到最优子网络；

6、s5：基于预处理的工业产品表面缺陷数据集训练所述最优子网络，基于训练好的最优子网络构建缺陷分割模型；将待检测图像输入至所述缺陷分割模型输出像素级分割结果。

7、有益效果：该方法通过优化网络结构，减少了训练时间和资源消耗，同时显著提升了工业产品表面缺陷检测的精度，能够准确检测和分割出各种类型的缺陷；该方法解决了传统检测方法在精度、效率和适应性方面的不足，为工业产品表面缺陷提供了一种更为有效和可靠的解决方案。

技术特征：

1.一种基于神经网络架构搜索的工业缺陷分割方法，其特征在于，包括：

2.根据权利要求1所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，s1包括：

3.根据权利要求1所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，在所述搜索空间中，卷积神经网络的计算过程表示为：

4.根据权利要求1所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，在所述搜索空间中包括四个阶段，每个阶段分别对三种网络进行采样，且各阶段中三种网络的深度、通道数、前馈神经网络比率、模型大小均不相同。

5.根据权利要求4所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，所述跨尺寸权重共享策略包括：

6.根据权利要求2所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，s3中，将搜索空间中三种网络的每一种组合分别作为所述超网络中的一个子网；所述训练超网络包括：

7.根据权利要求2所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，s4中，所述对训练好的所述超网络进行进化搜索包括：

8.根据权利要求7所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，所述基于预处理的工业产品表面缺陷数据集训练所述最优子网络包括：

9.根据权利要求8所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，s5中，所述基于训练好的最优子网络构建缺陷分割模型包括：

10.根据权利要求9所述的基于神经网络架构搜索的工业缺陷分割方法，其特征在于，所述缺陷分割模型包括四个阶段，所述缺陷分割模型中的参数包括：各阶段的深度、各阶段中每层的前馈神经网络膨胀比率、各阶段中每层的特征提取的头的数量、各阶段中每层所采用的网络类型、各阶段的输入通道数、各阶段的多级特征聚合模块中候选操作的类型、金字塔池化模块中池化层的尺度。

技术总结
本申请涉及一种基于神经网络架构搜索的工业缺陷分割方法，包括：通过跨尺寸权重共享策略使权重初始化的卷积神经网络、Transformer、多层感知机在不同尺寸下互相共享权重；构建搜索空间，将权重共享处理后的卷积神经网络、Transformer、多层感知机放入搜索空间；搜索空间用于同时搜索三种网络；基于搜索空间中三种网络的所有组合构建超网络，并训练超网络；对训练好的超网络进行进化搜索，得到最优子网络；基于预处理的工业产品表面缺陷数据集训练最优子网络，基于训练好的最优子网络构建缺陷分割模型；将待检测图像输入至缺陷分割模型输出像素级分割结果。该方法解决了传统检测方法在精度、效率和适应性方面的不足。

技术研发人员：刘敏,林遥,刘禹希,姚钊,马云峰,王耀南
受保护的技术使用者：湖南大学
技术研发日：
技术公布日：2024/12/30