论文信息
整体思路:
·无监督学习
根据源域样本特征对其进行训练,以便根据源域样本获得网络的权重。然后,将源域DBN的结构和参数转移到目标域,
并使用目标域样本对网络参数进行微调,以获取目标域训练样本与无缺陷模板之间的映射关系。最后,通过与重建图像进行比较来检测测试样品的缺陷。
优点:通过参数传递学习解决DBN网络训练中的过拟合问题。通过迁移学习,可以解决样本不够的问题,并且可以通过两种样本相互交叉传递,微调,不断提高准确率。
缺点:能检测相同位置的产品缺陷,而没有平移和旋转不变性。
·DBN (Deep Belief Network–深度信任网络)
Restricted Boltzmann Machine(RBM)
由可见层和隐藏层组成。
可见层单元主要用于描述观测数据的一个方面或特征(显示特征)
隐藏层单元(也称为特征提取层)通常含义不清,可用于获取与可见层相对应的变量之间的依赖关系(提取特征)
BM可以定义一个能量函数,以便参数空间中的每种情况都有对应的标量能量,这意味着该能量函数是从参数空间到能量的映射。 假设RBM具有n个可见单元 v = (v1,v2,…,vn),m个隐藏单元h=(h1,h2,…,hm),并且给出了一组状态(v,h),则能量 函数RBM可以由公式(1)定义为
其中ai是可见层的bias,v是第i个可见单元,vi是第i个可见单元的状态;bj是隐藏层的bias,h是第j个隐藏单元,hj是第j个隐藏单元的状态;wij表示可见单元vi和隐藏单元hj之间的连接权重
基于(1)中定义的能量函数,状态(v,h)的联合概率分布可以由公式(2)定义为:
其中Z是归一化常数(也称为分区函数)
对于实际问题,在给出训练样本后需要对RBM进行训练,以使RBM表示的概率分布尽可能与训练数据一致。 RBM训练意味着通过调整RBM参数Wij,ai,bj来拟合给定的训练数据。 假设训练样本集为S = {v1,v2,…,vT},其中T为训练样本数,则将对数似然方程(5)的最大值设置为RBM训练目标:
RBM Training
DBN Training
Transfer Learning
具体训练过程
3.2 Construction and Training of Source Problem Domain DBN
3.3 DBN Parameter Transfer
3.4 Defect Recognition and Detection
实验结果