基于多源域深度迁移学习的液晶面板缺陷检测算法

针对液晶面板缺陷检测中现有的基于深度神经网络的方法所面临训练数据不足、模型泛化性能差和模型稳定性能差等问题,提出了一种基于多源域深度迁移学习的缺陷检测算法,该算法利用多种相似任务的数据集构建了多源域的训练数据,以Mask R-CNN为基础框架,采用混淆域的迁移学习方法对模型进行知识迁移,实现了对液晶面板缺陷的检测。另外,本文还提出一种参数更新的方法,以保证多源域数据知识的正向迁移。为验证所提方法的有效性和实用性,本文以四个源域数据集为基础,在液晶缺陷数据集上进行了实验。实验结果表明,该算法达到了79.6%的mAP,相比于非迁移学习的方式提升了23.8%。模型训练稳定后的检测效率符合工业生产的要求,证明了算法的有效性和实用性。

基于多源域深度迁移学习的舵机在线故障诊断

针对航空武器不同舵机轴承在不同负载力矩下呈现特征数据与工作状态映射关系难以定量表达,开展未知领域的状态识别是一条可行的技术路线;引入多源域深度迁移学习的思想,提出具有多核MMD的MSFAN故障诊断方法。采用傅里叶变换提取不同域原始数据的时频域特征,通过多核MMD距离度量方式减小源域和目标域之间的特征分布差异;利用特定域分类器降低不同域对目标样本在类边界附近的分类损失,提高模型在目标域中的分类精度。试验分别采用公开轴承数据集作为源域数据,使用该方法对目标域数据进行状态识别,与Alxnet、Rexnet18等诊断算法相比,所提方法获得较好的转移性能,基本达到100%的故障识别率。