基于神经网络架构搜索算法的法兰类产品表面缺陷检测

文｜孙振

一、引言

法兰是一种常见的密封接头，容易出现表面缺陷，导致连接和泄漏故障。由于其在连接中的关键作用，法兰的质量检查至关重要。目前的检测方法通常是手动执行的，然而，由于工作疲劳等影响因素可能会导致故障检测的结果并不理想。此外，每天对大量法兰类产品进行检查既会耗费昂贵的人力物力又会造成劳动密集，且目前还未有合适的自动化方法来取代手工工作，因此迫切需要一种法兰表面质量自动检测方法。

通常情况下，法兰的安装位置是一个复杂的结构，包括孔、环和其他3D技术，因此3D成像技术在法兰建模方面将面临重大挑战。此外还包括，金属凸缘在表面上有反射和阴影、由于用途和加工技术，表面粗糙度和纹理不一致等因素。总之，需要优化的照明系统，以消除金属表面产生反射等情况的负面影响，需要动态获取法兰全视角清晰图像的成像平台，以及识别缺陷的稳健算法。在人工智能算法日益显著的优势下，本文提出了基于神经网络的架构搜索算法用于解决表面缺陷检测的任务，实现了可靠的复杂结构法兰表面缺陷检测。该方法可分为三个主要的部分：搜索空间的建立、搜索空间的连续化和架构损失及权重损失的优化。

二、可微分搜索空间的神经网络架构搜索算法

在算法结构设计中，传统的算法本质上是手动的，有一些限制。自从深神经网络出现以来，设计已经取得了很大的进步。具有性能优秀的架构，此架构通常由经验丰富的专家设计后经过复杂的参数调优实现。这项研究选择基于自动神经搜索算法进行构建，在这种算法中，神经网络的结构完全建立在对最佳连接的搜索算法的追求上，而不需要人类专家的设计和适应。

（一）网络架构

我们已经简化了整个网络架构的转换来计算搜索cell的结构，转换cell的内部连接来学习有向边操作，从而简化了对网络架构的搜索。

在本文的架构由不同的cell通过自动搜索的方式堆叠，最终形成模型，本文关注的输入模块、学习和自动数据输出算法，可以让模型有效地完成，再融合关注的输入特性时，得到一个输入特征，最后得到关注分数，。

通过引入重点模块，可以确定更独特的特点，添加重点模块可以持续改进性能，减少剩余特性和标准参数。

（二）双层联合优化方法

由于内部优化的复杂性，难以计算结构复杂的梯度。因此，理想的梯度算法简化了近似算法。如式(3-2)所示。

图1 损失变化图

三、实验结果

网络结构搜索算法改进了传统的机器学习算法，它的优势在于对深度学习模型的结构进行修正实现端到端的检测、识别等任务。NAS的搜索空间被认为是神经网络搜索的一个局限性区域。优化搜索空间的难度直接影响(NAS)：如何建立高效率的搜索空间，本文中提出的算法使用了结构参数的最佳解决办法并通过不断的使用搜索权重得到最优算法。

图2 损失曲线图

四、结语

针对传统检测方法在法兰类产品缺陷检测中存在的两大缺点：一是特征选择费时费力且依赖专业人员经验，二是检测精度与实时性不理想，本文提出了一种可微分搜索空间的神经网络架构搜索算法，该算法无需领域专家设计与调参，真正实现端到端的非接触式法兰类产品缺陷检测，与目前主流的检测算法相比，在检测精度与实时性方面均有较大提升，有效地克服了以往依靠人工设计缺陷特征的机器学习方法的不足。