基于神經網絡架構搜索算法的法蘭類產品表面缺陷檢測

文｜孫振

一、引言

法蘭是一種常見的密封接頭，容易出現表面缺陷，導致連接和泄漏故障。由于其在連接中的關鍵作用，法蘭的質量檢查至關重要。目前的檢測方法通常是手動執行的，然而，由于工作疲勞等影響因素可能會導致故障檢測的結果并不理想。此外，每天對大量法蘭類產品進行檢查既會耗費昂貴的人力物力又會造成勞動密集，且目前還未有合適的自動化方法來取代手工工作，因此迫切需要一種法蘭表面質量自動檢測方法。

通常情況下，法蘭的安裝位置是一個復雜的結構，包括孔、環和其他3D技術，因此3D成像技術在法蘭建模方面將面臨重大挑戰。此外還包括，金屬凸緣在表面上有反射和陰影、由于用途和加工技術，表面粗糙度和紋理不一致等因素。總之，需要優化的照明系統，以消除金屬表面產生反射等情況的負面影響，需要動態獲取法蘭全視角清晰圖像的成像平臺，以及識別缺陷的穩健算法。在人工智能算法日益顯著的優勢下，本文提出了基于神經網絡的架構搜索算法用于解決表面缺陷檢測的任務，實現了可靠的復雜結構法蘭表面缺陷檢測。該方法可分為三個主要的部分：搜索空間的建立、搜索空間的連續化和架構損失及權重損失的優化。

二、可微分搜索空間的神經網絡架構搜索算法

在算法結構設計中，傳統的算法本質上是手動的，有一些限制。自從深神經網絡出現以來，設計已經取得了很大的進步。具有性能優秀的架構，此架構通常由經驗豐富的專家設計后經過復雜的參數調優實現。這項研究選擇基于自動神經搜索算法進行構建，在這種算法中，神經網絡的結構完全建立在對最佳連接的搜索算法的追求上，而不需要人類專家的設計和適應。

（一）網絡架構

我們已經簡化了整個網絡架構的轉換來計算搜索cell的結構，轉換cell的內部連接來學習有向邊操作，從而簡化了對網絡架構的搜索。

在本文的架構由不同的cell通過自動搜索的方式堆疊，最終形成模型，本文關注的輸入模塊、學習和自動數據輸出算法，可以讓模型有效地完成，再融合關注的輸入特性時，得到一個輸入特征，最后得到關注分數，。

通過引入重點模塊，可以確定更獨特的特點，添加重點模塊可以持續改進性能，減少剩余特性和標準參數。

（二）雙層聯合優化方法

由于內部優化的復雜性，難以計算結構復雜的梯度。因此，理想的梯度算法簡化了近似算法。如式(3-2)所示。

圖1 損失變化圖

三、實驗結果

網絡結構搜索算法改進了傳統的機器學習算法，它的優勢在于對深度學習模型的結構進行修正實現端到端的檢測、識別等任務。NAS的搜索空間被認為是神經網絡搜索的一個局限性區域。優化搜索空間的難度直接影響(NAS)：如何建立高效率的搜索空間，本文中提出的算法使用了結構參數的最佳解決辦法并通過不斷的使用搜索權重得到最優算法。

圖2 損失曲線圖

四、結語

針對傳統檢測方法在法蘭類產品缺陷檢測中存在的兩大缺點：一是特征選擇費時費力且依賴專業人員經驗，二是檢測精度與實時性不理想，本文提出了一種可微分搜索空間的神經網絡架構搜索算法，該算法無需領域專家設計與調參，真正實現端到端的非接觸式法蘭類產品缺陷檢測，與目前主流的檢測算法相比，在檢測精度與實時性方面均有較大提升，有效地克服了以往依靠人工設計缺陷特征的機器學習方法的不足。