一种基于深度学习的膜产品少样本缺陷分类方法

本发明公开了一种基于深度学习的膜产品少样本缺陷分类方法，包括以下步骤：数据采集和准备；特征提取和表示；少样本学习策略：缺陷分类，综上所述，本发明方法的核心在于利用深度学习模型的特征提取能力和数据增强的技术，通过少量的样本就能实现高效的缺陷分类，具体实现时，可以结合特征映射嵌入编码器网络结构，通过伪标签机制和深度一类分类异常检测的损失函数来增强模型对样本的表征能力和伪标签标注的准确率；‌高效准确且‌可定制化‌：利用深度学习技术，可以提供比传统方法更高的检测精度和更快的速度，从而提高检测效率，灵活的数据预处理和后处理步骤，便于适配不同类型的缺陷检测任务，适应性强；‌减少人工成本，‌提高识别效率‌。