O modelo de rede neural convolucional (CNN) de segmentação semântica para detecção e identificação por visão computacional pode reconhecer e medir componentes, dimensões e outras características do objeto medido. Em resposta à crescente demanda por reconhecimento de componentes ou partes-chave na detecção por visão computacional, bem como ao problema da perda parcial dos pesos do modelo CNN durante o aprendizado por transferência, foi proposta uma técnica de aprendizado por transferência de segmentação semântica baseada em um algoritmo Softmax com reserva de rótulos. Estudou-se o método de modelagem do aprendizado por transferência de segmentação semântica para a detecção por visão computacional, e a análise indicou que é possível tentar o ajuste fino de todos os pesos do modelo, o que ajuda a diminuir a perda inicial do modelo; foi proposta uma técnica de aprendizado por transferência de ajuste fino baseada no algoritmo Softmax com reserva de rótulos, permitindo o ajuste fino de todos os pesos do modelo quando o objeto detectado é ligeiramente diferente. Experimentos com um conjunto de dados próprio mostraram que a técnica de aprendizado por transferência de ajuste fino com reserva de rótulos reduziu o tempo de treinamento do modelo para atingir os requisitos de detecção por visão computacional de 42,8 minutos para 30,1 minutos, o algoritmo é eficaz e os resultados são evidentes; experimentos aplicados mostraram que a técnica de aprendizado por transferência pode realizar aprendizado semi-supervisionado para a detecção de instalação correta, instalação ausente ou incorreta de peças padrão, bem como para a avaliação da qualidade da montagem. O tempo de treinamento para transferência em uma nova caixa não excedeu 20,2 minutos, a precisão de detecção atingiu 100%, atendendo aos requisitos de inspeção de qualidade da montagem das peças padrão da caixa.

visão computacional; segmentação semântica; aprendizado por transferência; rede neural convolucional; ajuste fino