基于权重比例迁移的安全带织品瑕疵分类方法

技术领域

本申请涉及计算机视觉和人工智能技术领域，具体为一种基于权重比例迁移的安全带织品瑕疵分类方法。

背景技术

近年来，基于深度学习的计算机视觉目标检测方法在瑕疵分类和识别领域得到广泛的应用，相较传统图像处理算法表现出了显著的性能优势。为了达到较高的分类精度，深度神经网络的训练需要大量的标签数据，而目前安全带织品生产产品优良率较高，导致瑕疵样本数据缺乏，难以满足大型网络的训练要求，且仅有的瑕疵样本还存在分布不均匀的问题，部分瑕疵类别样本相对较多，部分瑕疵类别样本极少，这些因素严重限制了检测模型训练和实际应用的精度。

发明内容

本申请提供一种基于权重比例迁移的安全带织品瑕疵分类方法，解决了由于安全带织品瑕疵样本数量少和样本分布不均匀所带来的神经网络模型分类精度低的问题。

本申请解决其技术问题所采用的技术方案是：一种基于权重比例迁移的安全带织品瑕疵分类方法，包括：

S1：获取待分类安全带织品瑕疵图像；

S2：获取安全带织品瑕疵图像样本集，根据安全带织品瑕疵图像样本集得到常见瑕疵数据集和罕见瑕疵数据集；

S3：采用常见瑕疵数据集训练经过权重迁移后的预训练AlexNet网络模型；

S4：对采用常见瑕疵数据集训练后的AlexNet网络模型的全连接层赋予新的比例权重；

S5：采用罕见瑕疵数据集训练全连接层被赋予新的比例权重后的AlexNet网络模型得到瑕疵分类模型；

S6：将待分类安全带织品瑕疵图像输入至瑕疵分类模型，得到瑕疵分类。

本安全带织品瑕疵分类方法将AlexNet深度卷积神经网络和迁移学习相结合，利用权重迁移方法对预训练的AlexNet网络进行迁移，并利用常见瑕疵数据集进行重训练和参数微调，以相对较少的数据样本量得到较好的分类结果，同时训练效率也得到大幅提高，将常见瑕疵数据集训练后的AlexNet网络中全连接层赋予新的比例权重，利用罕见瑕疵数据集进行二次微调，减少常见瑕疵数据集和罕见瑕疵数据集不完全类似的负面影响，解决常见瑕疵数据样本和罕见瑕疵数据样本分布不均匀的问题，整体上提高瑕疵的分类准确率。

作为优选，

S2包括：获取安全带织品瑕疵图像样本集并分类标注，结合无瑕疵图像共同构建常见瑕疵数据集和罕见瑕疵数据集；

S3包括：采用预设图像数据集训练得到第一AlexNet网络模型，保存第一AlexNet网络模型的卷积层和池化层的权重值集合W1；

采用预设方法修改第一AlexNet网络模型的全连接层，得到第二AlexNet网络模型；

将权重值集合W1迁移至第二AlexNet网络模型，得到第三AlexNet网络模型；

采用常见瑕疵数据集训练第三AlexNet网络模型得到第四AlexNet网络模型，保存第四AlexNet网络模型的全连接层的权重值集合W2；

S4包括：将第四AlexNet网络模型的全连接层按比例系数赋予新的权重值后得到第五AlexNet网络模型；

S5包括：采用罕见瑕疵数据集对第五AlexNet网络模型训练得到瑕疵分类模型。

作为优选，获取安全带织品瑕疵图像样本集并分类标注，结合无瑕疵图像共同构建常见瑕疵数据集和罕见瑕疵数据集包括：

获取安全带织品瑕疵图像样本集，其中瑕疵图像样本数量占比超过阈值Th1的瑕疵类别定义为常见瑕疵，其他定义为罕见瑕疵；

选取一定数量的无瑕疵图像与常见瑕疵图像构成常见瑕疵数据集；

选取一定数量的无瑕疵图像与罕见瑕疵图像构成罕见瑕疵数据集。

作为优选，采用预设图像数据集训练得到第一AlexNet网络模型包括：采用ImageNet公开数据集训练第一AlexNet网络模型，第一AlexNet网络模型包括8层，其中1-5层为常规卷积层，第一层卷积核为11*11，第二层卷积核为5*5，第3-5层卷积核为3*3，6-8层为全连接层，维度大小为1*1*4096、1*1*4096、1*1*1000。

作为优选，采用预设方法修改第一AlexNet网络模型的全连接层，包括：保留第一AlexNet网络模型中1-5层，修改6-8层全连接层的维度大小为1*1*4096、1*1*4096、1*1*(m+1)，其中，m为需要分类的瑕疵种类数。

作为优选，将权重值集合W1迁移至第二AlexNet网络模型，得到第三AlexNet网络模型，包括：冻结第一AlexNet网络模型的卷积层和池化层的权重值集合W1，将权重值集合W1直接迁移到第二AlexNet网络模型，得到第三AlexNet网络模型。

作为优选，采用常见瑕疵数据集训练第三AlexNet网络模型，得到第四AlexNet网络模型，包括：将常见瑕疵数据集分为：将常见瑕疵数据集分为：常见瑕疵数据集训练集和常见瑕疵数据集测试集，采用常见瑕疵数据集训练集训练第三AlexNet网络模型，得到第四AlexNet网络模型，训练选用Adam优化器，以0.0002为初始学习率，选择交叉熵损失函数，避免均方误差带来的学习速率逐渐降低的问题。

作为优选，采用常见瑕疵数据集训练集训练第三AlexNet网络模型包括：采用常见瑕疵数据集训练集，以第三AlexNet网络模型的全连接层的权重值集合为优化对象，使用随机梯度方法训练第三AlexNet网络模型。

作为优选，将第四AlexNet网络模型的全连接层按比例系数赋予新的权重值后得到第五AlexNet网络模型包括：将第四AlexNet网络模型的全连接层的权重值集合W2乘以比例权重系数a后得到第五AlexNet网络模型，第五AlexNet网络模型的全连接层权重值集合为aW2，比例权重系数a的初值在(0,1]中随机选取。

作为优选，所述采用罕见瑕疵数据集对第五AlexNet网络模型训练得到瑕疵分类模型包括：将罕见瑕疵数据集分为：罕见瑕疵数据集训练集和罕见瑕疵数据集测试集，采用罕见瑕疵数据集训练集训练第五AlexNet网络模型，以比例权重系数a为优化对象，使用梯度下降法对第五AlexNet网络模型训练，得到瑕疵分类模型。

本申请的实质性效果是：本发明提出一种基于权重比例迁移的安全带织品瑕疵分类方法，将AlexNet深度卷积神经网络和迁移学习相结合，第一阶段冻结并迁移AlexNet网络中全连接层前的卷积层和池化层权重，使改进后的AlexNet网络保留与原模型相同的特征提取能力，重新构建全连接层使之适应安全带织品瑕疵分类领域，并利用常见瑕疵数据集进行重训练和参数微调，以相对较少的数据样本量得到较好的分类结果，同时训练效率也得到大幅提高；第二阶段，将常见瑕疵数据集重训练的AlexNet网络中全连接层赋予新的比例权重，并改以比例系数为优化对象，利用罕见瑕疵数据集进行二次微调，减少常见瑕疵数据集和罕见瑕疵数据集不完全类似的负面影响，解决常见瑕疵数据样本和罕见瑕疵数据样本分布不均匀的问题，整体上提高瑕疵的分类准确率。

附图说明

图1是实施例一的步骤流程图。

具体实施方式

下面通过具体实施例，对本申请的技术方案作进一步的具体说明。

实施例一

如图1所示，一种基于权重比例迁移的安全带织品瑕疵分类方法，包括：

S1：获取待分类安全带织品瑕疵图像；S2：获取安全带织品瑕疵图像样本集，根据安全带织品瑕疵图像样本集得到常见瑕疵数据集和罕见瑕疵数据集；S3：采用常见瑕疵数据集训练经过权重迁移后的预训练AlexNet网络模型；S4：对采用常见瑕疵数据集训练后的AlexNet网络模型的全连接层赋予新的比例权重；S5：采用罕见瑕疵数据集训练全连接层被赋予新的比例权重后的AlexNet网络模型得到瑕疵分类模型；S6：将待分类安全带织品瑕疵图像输入至瑕疵分类模型，得到瑕疵分类。

本安全带织品瑕疵分类方法将安全带织品瑕疵图像分为常见瑕疵数据集和罕见瑕疵数据集，采用AlexNet深度卷积神经网络和迁移学习相结合，先利用权重迁移方法对预训练的AlexNet网络进行迁移，然后采用常见瑕疵数据集进行重训练和参数微调，以相对较少的数据样本量得到较好的分类结果，同时训练效率也得到大幅提高，再将常见瑕疵数据集训练后的AlexNet网络中全连接层赋予新的比例权重，进而利用罕见瑕疵数据集对常见瑕疵数据集训练后的AlexNet网络进行二次微调，减少常见瑕疵数据集和罕见瑕疵数据集不完全类似的负面影响，解决常见瑕疵数据样本和罕见瑕疵数据样本分布不均匀的问题，整体上提高瑕疵的分类准确率。

实施例二

使用本基于权重比例迁移的安全带织品瑕疵分类方法对安全带织品瑕疵进行分类时，首先获取待分类安全带织品瑕疵图像，将其输入至瑕疵分类模型，得到瑕疵分类，本方法使用的瑕疵分类模型建立过程如下：

首先获取安全带织品瑕疵图像样本集，将瑕疵图像数量占比超过样本集10％的瑕疵类别定义为常见瑕疵，其他定义为罕见瑕疵，安全带织品瑕疵图像样本集由生产过程中累积收集安全带织品瑕疵图像组成，本实施例共收集了8类瑕疵，其中5类为常见瑕疵，3类为罕见瑕疵，选取100张无瑕疵图像和85张常见瑕疵图像构成常见瑕疵数据集，选取20张无瑕疵图像和15张罕见瑕疵图像构成罕见瑕疵数据集，使用ImageNet公开数据集训练得到第一AlexNet网络模型，保存第一AlexNet网络模型的卷积层和池化层的权重值集合W1，权重值集合W1用于后续的模型迁移，第一AlexNet网络模型包括8层，其中1-5层为常规卷积层，第一层卷积核为11*11，第二层卷积核为5*5，第3-5层卷积核为3*3，6-8层为全连接层，维度大小为1*1*4096、1*1*4096、1*1*1000；

然后保留第一AlexNet网络模型中1-5层不变，修改第一AlexNet网络模型6-8层全连接层的维度大小为1*1*4096、1*1*4096、1*1*9，其中，9为需要分类的瑕疵种类数，含1类无瑕疵、5类常见瑕疵和3类罕见瑕疵，得到第二AlexNet网络模型，第二AlexNet网络模型输出采用Softmax分类器，输出个数的维数为9；

冻结第一AlexNet网络模型的卷积层和池化层的权重值集合W1，将权重值集合W1直接迁移到第二AlexNet网络模型，得到第三AlexNet网络模型；

将185张常见瑕疵数据集中的图像进行预处理后：随机选取130张作为常见瑕疵数据集训练集，剩余55张为常见瑕疵数据集测试集，采用常见瑕疵数据集以第三AlexNet网络模型的全连接层的权重值集合为优化对象，使用随机梯度方法训练第三AlexNet网络模型，对第三AlexNet网络模型进行网络参数的一次微调得到第四AlexNet网络模型，训练时选用Adam优化器，以0.0002为初始学习率，选择交叉熵损失函数，避免均方误差带来的学习速率逐渐降低的问题，然后保存第四AlexNet网络模型的全连接层的权重值集合W2，

将W2乘以比例权重系数a后得到第五AlexNet网络模型的全连接层的权重值集合为aW2，比例权重系数a的随机选取为0.2；然后将35张罕见瑕疵数据集的图像进行预处理后，随机选取25张作为罕见瑕疵数据集训练集，剩余10张作为罕见瑕疵数据集测试集，采用罕见瑕疵数据集训练集，以比例权重系数a为优化对象，使用梯度下降法对第五AlexNet网络模型训练，进行网络参数的二次微调，得到瑕疵分类模型。

进一步需要说明的是，在本方法研发过程中，瑕疵分类模型建立时，得到第三AlexNet网络模型后，直接使用常见瑕疵数据集训练集和罕见瑕疵数据集训练集合并组成的训练集训练第三AlexNet网络模型得到一次迁移瑕疵分类模型，然后使用常见瑕疵数据集测试集、罕见瑕疵数据集测试集、以及常见瑕疵数据集测试集和罕见瑕疵数据集测试集合并组成的测试集分别进行测试，得到一次迁移瑕疵分类模型的分类成功率见下表；

再使用常见瑕疵数据集测试集和罕见瑕疵数据集测试集对本方法的瑕疵分类模型进行测试得到分类成功率见下表，可以看到，使用本方法的瑕疵分类模型对常见瑕疵的分类准确率与一次迁移瑕疵分类模型基本相当，但是可以显著地提升对罕见瑕疵的分类成功率，对所有瑕疵的整体分类成功率也有较好的提升。

且仅使用了155张图片完成本方法的瑕疵分类模型训练，大大降低了对训练数据量的要求。

实施例三

本基于权重比例迁移的安全带织品瑕疵分类方法的瑕疵分类模型的一种建立方式，首先获取安全带织品瑕疵图像样本集并分类标注，结合无瑕疵图像共同构建常见瑕疵数据集和罕见瑕疵数据集，常见瑕疵数据集和罕见瑕疵数据集中的无瑕疵图像和有瑕疵图像总比例均不高于2:1，采用预设图像数据集训练得到第一AlexNet网络模型，保存第一AlexNet网络模型的卷积层和池化层的权重值集合W1，其中，预设图像数据集可使用大型数据集如ImageNet或公开的大型工业瑕疵图像数据集，然后保留第一AlexNet网络模型中1-5层，修改6-8层全连接层的维度大小为1*1*4096、1*1*4096、1*1*9，其中，9为需要分类的瑕疵种类数，含1类无瑕疵、5类常见瑕疵和3类罕见瑕疵；输出采用Softmax分类器，输出个数的维数为9，将权重值集合W1迁移至第二AlexNet网络模型，得到第三AlexNet网络模型，采用常见瑕疵数据集训练第三AlexNet网络模型得到第四AlexNet网络模型，保存第四AlexNet网络模型的全连接层的权重值集合W2，将第四AlexNet网络模型的全连接层按比例系数赋予新的权重值后得到第五AlexNet网络模型，采用罕见瑕疵数据集对第五AlexNet网络模型训练得到瑕疵分类模型。

以上所述的实施例只是本申请的一种较佳的方案，并非对本申请作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。