基于两阶段迁移学习的小样本工业产品缺陷分类方法

摘要

一种基于两阶段迁移学习的小样本工业产品缺陷分类方法，包括如下步骤，S1、采集正、负样本构成数据集；S21、用图像数据增强手段将数据集中负样本的数量扩充2‑3倍，随机挑选数量与扩充后的负样本的数量相当的正样本，组成数量平衡的数据子集；S22、将剩余的正样本组成另一个数据集子集；S31、选取CNN检测模型，进行第一阶段的训练；S32、第二阶段的训练是在包含剩余正样本和扩充后的负样本的数据集子集上进行；S4、将S32步模型训练收敛后，在测试集上测试模型的分类性能，若满足要求，即可上线测试，否则重复划分数据子集和模型训练过程，重复S21至S32，直至满足要求。本发明具有以下有益效果：一是具有性能更好的缺陷图像高维特征；二是提高了模型对工业产品图像的表征能力；三是所述的模型训练策略具有良好的通用性。