基于标签预留Softmax算法的机器视觉检测鉴别语义分割迁移学习技术

• 作者: 刘桂雄 黄坚
• 来源期刊: 光学精密工程
• 学科: 工学
• 关键词: 机器视觉 语义分割 迁移学习 卷积神经网络 微调
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 信息科学|Information Sciences
• 页码范围: 117-125
• 页数: 9页
• 分类号: TP394.1|TH691.9
• 语种: 中文
• DOI: 10.37188/OPE.20223001.0117

摘要

面向机器视觉检测鉴别的语义分割卷积神经网络(Convolutional Neural Network,CNN)模型能识别、测量被测对象的零部件、尺寸等特征,针对机器视觉检测鉴别增加识别零部件或关键部位的需求,以及进一步迁移学习会损失CNN模型部分权值的问题,提出一种基于标签预留Softmax算法的语义分割迁移学习技术.研究了机器视觉检测鉴别语义分割迁移学习建模方法,分析指出可尝试选定模型所有权值的微调迁移学习,有助于减小模型初始损失;提出了基于标签预留Softmax算法的微调迁移学习方法,可实现检测对象略有不同的模型所有权值微调迁移学习.在自建数据集上的实验表明,标签预留微调迁移学习技术训练模型达到机器视觉检测鉴别要求的时间由42.8 min减少到30.1 min,算法有效、效果明显;应用实验表明,迁移学习技术可实现标准件安装、漏装、误装情况检测与装配质量鉴别的半监督学习,新机箱迁移学习的训练时间不超过20.2 min,检测准确率达到100％,能满足机箱标准件装配质量检测鉴别的需求.