基于深度学习模型融合的工业产品（零部件）华体会- 华体会体育- 体育官网工艺缺陷检测算法简述

2025-01-25 09:33:00

　　华体会,华体会体育,华体会体育官网,华体会靠谱吗,华体会APP(访问: hash.cyou 领取999USDT）

　　拍摄图像的过程中，不可避免的出现整个场景图像过于巨大，那么就会导致缺陷特征局部化，也就是所占整幅图像比例较小，不利于特征提取。这种情况下，对图像进行卷积操作后，缺陷特征基本上不会检测提取到或者提取到的特征并不明显。解决办法之一是将场景图像进行有规则的切分，比如一个场景图像被切分成六份，可以横向或纵向或者对角线切分，或者切分成四份均可，依照实际情况进行。然后需要自己去做数据，赋以标签，当然Labelimg这个开源工具可以帮助你。

　　对上图进行解释。数据层当然就是整理后的数据集，数据集的质量决定了后面的所有事情，所在制作的时候一定要认真，废话不多说。分发层，只是原来单个网络的输入层。这一层的目的，就是为了向各个单个网络输入数据。因为每个网络对数据输入要求是不一样的，这一层就干了这一件事情。接下来就是“隐藏”网络层，这一层就是“并行”连接了网络，分而治之。尺寸统一层，就是将各个网络输出的特征图进行修饰，主要是尺寸上进行修改。空白层，这一层的目的是进一步梳理特征信号，进一步处理，比如添加合适的比例放大特征图等等，当然，这只是初步的想法，还没有实际去做。不可否定的是，工业与学术界肯定有更好的方法，这是以后的工作优化内容。特征相加层，就是将得到的统一的特征“点加”，增强特征的表现形式，处理微小特征的方法。最后是全连接层，用于分类与回归，最后是输出结果。当然，中间的损失层之类的没有说，但是并不代表不存在，钻牛角尖得人退避。

　　对工业缺陷零件来说，缺陷特征非常细微或者说不明显，通常仅仅一小块区域存在特征，而且高度相似。对于“隐藏层”选择的相关网络，首先，是专注于特征提取，因为特征提取是整个网络的关键所在，其次，要考虑把浅层特征和深度特征进行融合，这样的话结合图像切分，就不会造成主要特征丢失，或者说尽量降低特征的内部损耗。常见的特征提取网络有VGG16、ResNet、DenseNet、Inception-ResNet-V2等等这些，但是笔者复现过得网络只有VGG与ResNet，经过论文以及相关资料，DenseNet效果可能要更好些，留作近期工作内容。

　　通过将不同尺度的feature map进行融合，通过1*n卷积与n*1卷积来替代n*n卷积，从而有效地降低计算量，通过使用多个3x3卷积来代替5x5卷积和7x7卷积来降低计算量。另外在inception resnet v2中将resnet与inception 的网络结构来进行融合，从而进一步提升在 imagenet上的accuracy。咱们文章的灵感来源二也来源于此，特征融合，只是咱们融合了模型以及特征图。说一句没必要的废话，slim库中已经实现的inception-resnet-v2网络，所以以后网络应用更加简单了。

　　VGG16网络，我接触的比较早了，研究生期间就使用了。读研的时候做了基于Faster R-CNN的高铁定位器识别，当初就是用的VGG网络而不是ZF网络。VGG16相比前辈AlexNet网络做了诸多改进，其中比较主要的是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5），对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小，参数更少，节省算力。

　　简单来说，在VGG中，使用了3个3x3卷积核来代替7x7卷积核，使用了2个3x3卷积核来代替5*5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。话题拉回来，本文灵感来源三就是VGG训练过程，VGG有六种结构或者说有六个阶段的训练过程。分别是A、A-LRN、B、C、D、E六种，训练时，逐层递归训练，由浅入深，思路清晰。训练的方式也对本文产生了影响，冻结卷积层参数，只更新全连接层参数。最后，经过证明D、E两个模型融合，效果最佳。

　　ResNet（Residual Neural Network）由微软研究院的Kaiming He等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，并在ILSVRC2015比赛中取得冠军，在top5上的错误率为3.57%，同时参数量比VGGNet低，效果非常突出。ResNet的结构可以极快的加速神经网络的训练，模型的准确率也有比较大的提升。同时ResNet的推广性非常好，甚至可以直接用到InceptionNet网络中。

　　CNN能够提取low/mid/high-level的特征，网络的层数越多，意味着能够提取到不同level的特征越丰富。并且，越深的网络提取的特征越抽象，越具有语义信息。既然这样，为什么不能简单地堆叠网络层呢？因为存在梯度弥散或梯度爆炸。有没有解决方法呢？有，正则化初始化和中间的正则化层（Batch Normalization），但是，这样的话也仅仅可以训练几十层的网络。虽然通过上述方法能够训练了，但是又会出现另一个问题，就是退化问题，网络层数增加，但是在训练集上的准确率却饱和甚至下降了。这个不能解释为overfitting，因为overfit应该表现为在训练集上表现更好才对。退化问题说明了深度网络不能很简单地被很好地优化。

【返回列表】