面向工件表面缺陷的无监督域适应方法

作     者：姚明海 沈颖琦 柳嘉敏 YAO Ming-hai;SHEN Ying-qi;LIU Jia-min

作者机构：浙江工业大学信息工程学院杭州310000 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2021年第42卷第6期

页      面：1256-1261页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61871350)资助 

主　　题：缺陷检测 无监督学习 全局特征 局部特征 域适应 

摘      要：工件表面缺陷检测是保障工件质量的重要环节,在有足够标签的情况下,有监督学习可以很好地对其缺陷进行分类,但当有新的工件需要检测时,又要标注新的数据集.为了解决该问题,本文利用不同工件之间缺陷种类的相似性,并基于迁移学习的思想,提出了一种全局特征和局部特征共同适应的无监督域适应方法(GLDA).该方法首先利用生成对抗网络对齐全局特征,然后最小化生成域数据与目标域数据的协方差矩阵的差从而对齐局部特征,并将语义损失加入总体优化目标函数中作为正则项,使得对齐全局特征后的数据经过分类网络后不丢失局部的特征信息.所提出的方法不再局限于同类别不同分布的迁移,并在工件表面数据集和公开数据集上能取得较好的分类效果.