申请/专利权人：浙江大学

申请日：2023-07-07

公开（公告）日：2024-03-19

公开（公告）号：CN116777896B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/50;G06V10/764;G06V10/762;G06V10/774;G06V10/82;G06N3/0455;G06N3/0464;G06N3/084;G06N3/088;G06N3/09;G06N3/096

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2023.10.10#实质审查的生效;2023.09.19#公开

摘要：本发明公开了一种表观缺陷跨域分类识别的负迁移抑制方法。以多种非注塑制品的表观缺陷图像作为源域数据集，以注塑制品表观缺陷图像作为目标域数据集，同时设定中间域来提取对应特征。对源域和中间域图像进行域信息标注；使用HOG进行源域和目标域特征提取；基于K均值法进行双重聚类；构建负迁移抑制策略；建立基于多领域自适应算法的多目标域任务泛化模型。本发明可有效抑制表观缺陷跨域分类识别中的负迁移现象，有效地实现注塑制品表观缺陷分类识别。

主权项：1.一种表观缺陷跨域分类识别的负迁移抑制方法，其特征在于，包括以下步骤，步骤1：使用HOG进行源域和目标域的特征提取，获得低维向量描述的图像集；步骤2：基于K均值双重聚类算法对目标域与源域进行缺陷特征划分；步骤3：使用无监督的前向传播神经网络和监督学习构建自动编码器，用于捕捉输入数据的重要特征，并通过迭代的方式根据源域和中间域的数据集更新自动编码器的参数；步骤4：构建基于多领域和自适应算法的多目标域任务泛化模型；所述步骤2具体为：2.1根据目标域和源域的缺陷种类的数量，确定k的大小，k表示缺陷类别数；2.2确定实验参数：聚类簇数为k，迭代次数为T1,T2；2.3从样本集D中随机选择K张图像作为初始源域均值向量集{μ1,μ2,…,μi,…,μK}；其中，μi为K张图像中的第i张图像；样本集D为步骤1获得的源域中的低维向量描述的图像集，样本集D为为样本集D中的第j张图像，m为图像的数量，j∈{1,2,…,m}；2.4聚类一：遍历样本集D，计算样本集D中的样本与各源域均值向量的距离： 根据源域均值向量确定样本集的簇C＝{C1,C2,…,Ci,…,Ck}及簇标注，根据距离最近原则，即dji最小，将样本划入最近的源域均值向量对应的簇C样本中；源域均值向量集的初始量为步骤2.3得到的初始源域均值向量集{μ1,μ2,…,μi，…,μK}；2.5通过下式更新步骤2.4的源域均值向量： 得到新的源域均值向量集{μ′1,μ′2,…,μ′i,…,μ′k}；2.6重复T1次步骤2.4和2.5，获得更新后的源域均值向量集并输出更新后的簇簇C包含全部的2.7聚类二：遍历样本集E，计算样本集E中的新样本与步骤2.6中更新后的源域均值向量集的距离： 其中，样本集E为步骤1获得的目标域中的低维向量描述的图像集，样本集E为为样本集E中第p张图像，p∈{1,2,…,l}；根据源域均值向量集确定新样本集的簇A＝{A1,A2,…Ak}及簇标记，根据距离最近原则，即dpi最小，将样本划入最近的均值向量对应的簇A样本中：计算样本集E中所有样本与源域均值向量的距离的均值： 获得的均值向量集用于更新源域均值向量集2.8重复T2次步骤2.7，获得最终更新后的均值向量集输出k个聚类簇完成目标域和源域的缺陷特征分类。

全文数据：

权利要求：

百度查询： 浙江大学 一种表观缺陷跨域分类识别的负迁移抑制方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD