基于融合度量策略的小样本金属缺陷识别研究

针对目前金属表面缺陷分类,数据稀缺且标注步骤繁琐昂贵的问题,将小样本度量学习引入金属表面缺陷分类中,提出了一种小样本分布度量网络模型FDM-FSL:用信息更加丰富的细节描述子来表征图像特征,并通过空间注意力机制筛选获得更具判别力的描述子信息,最后引入融合KL散度和EMD距离的图像到类的度量方式以考虑查询集和支持集类别的分布一致性.实验结果表明,提出的网络模型在小样本数据集MiniImageNet上拥有更加优良的度量能力,5类5样本下平均识别精度相较经典的RelationNet、CovaMNet、DN4算法识别准确率提高了 6.34％、5.78％、1.25％.在金属缺陷数据集NEU-DET上5类5样本平均识别准确率分别提高了 2.87％、3.34％、2.5％.