国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于卷積神經(jīng)網(wǎng)絡(luò)的鐵氧體零件裂縫檢測(cè)

2020-11-17 06:56李子豪魏東辰嚴(yán)小軍
關(guān)鍵詞:鐵氧體步長(zhǎng)卷積

李子豪,魏東辰,嚴(yán)小軍

(北京航天控制儀器研究所 工藝技術(shù)研究室,北京 100854)

0 引 言

鐵氧體是一種常見(jiàn)于慣性儀表[1]中的材料,如磁懸浮陀螺軸向定子磁芯、加速度計(jì)軸向定子磁芯等零件均由鐵氧體制成。在鐵氧體零件的生產(chǎn)、加工過(guò)程中,由于各種原因,其表面可能會(huì)出現(xiàn)裂縫。在載體的震動(dòng)顛簸下,存在裂縫逐漸加深的風(fēng)險(xiǎn),從而導(dǎo)致零件失效,引起慣性儀表的卡滯,影響導(dǎo)航系統(tǒng)的正常工作。目前通過(guò)人工檢測(cè)的方式在顯微鏡下檢測(cè)鐵氧體零件是否存在裂縫時(shí),存在檢測(cè)時(shí)間長(zhǎng)、精度低等問(wèn)題。在待檢零件的批次較多、批量較大時(shí),會(huì)耗費(fèi)檢測(cè)人員大量的時(shí)間與精力,且長(zhǎng)時(shí)間的檢測(cè)會(huì)造成檢測(cè)人員眼睛疲勞,導(dǎo)致誤檢概率提高。因此,機(jī)器自動(dòng)檢測(cè)零件裂縫十分重要。

隨著計(jì)算機(jī)算力的不斷提升,卷積神經(jīng)網(wǎng)絡(luò)在圖像分類、定位和檢測(cè)等領(lǐng)域[2-6]得到了廣泛的應(yīng)用。深度學(xué)習(xí)的方法逐漸應(yīng)用到裂縫檢測(cè)領(lǐng)域,鐵路軌道的裂縫檢測(cè)[7]、建筑物混凝土的裂縫檢測(cè)[8]和人行橫道的裂縫檢測(cè)[9]等大型物體利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行裂縫檢測(cè)得到了研究人員的廣泛關(guān)注,而對(duì)于小型、微型物體的裂縫檢測(cè)的研究較少。且目前常見(jiàn)的基于卷積神經(jīng)網(wǎng)絡(luò)的裂縫檢測(cè)方法[7-9],只適用于整張圖像全是待測(cè)物體的情況,不能適用于圖像中包含其它區(qū)域信息的圓環(huán)形物體。

本文針對(duì)以鐵氧體為材質(zhì)的小型圓環(huán)形零件,開(kāi)展了基于卷積神經(jīng)網(wǎng)絡(luò)的零件裂縫自動(dòng)檢測(cè)研究,實(shí)現(xiàn)了小型圓環(huán)形物體的裂縫檢測(cè),具有以下幾點(diǎn)優(yōu)勢(shì):①基于卷積神經(jīng)網(wǎng)絡(luò),通過(guò)對(duì)圖像進(jìn)行四分類,實(shí)現(xiàn)了小型圓環(huán)形零件的裂縫檢測(cè),在驗(yàn)證集上達(dá)到了97%的準(zhǔn)確率;②提出了一種滑動(dòng)子區(qū)域計(jì)分方法,可有效地剔除錯(cuò)檢區(qū)域,提升檢測(cè)區(qū)域的精細(xì)程度,最小能夠檢測(cè)寬為0.1 mm、長(zhǎng)度超過(guò)0.2 mm的裂縫。

圖1為鐵氧體裂縫檢測(cè)的整體流程圖,包括訓(xùn)練步驟、測(cè)試步驟和標(biāo)注步驟。

圖1 鐵氧體裂縫檢測(cè)流程

1 數(shù)據(jù)集制作

1.1 數(shù)據(jù)準(zhǔn)備

選用Nikon SMZ745T顯微成像系統(tǒng),設(shè)置放大倍數(shù)為4倍,采集了20張分辨率為4088×3072帶有裂縫區(qū)域的零件圖像。去除圖像中多余的背景部分,僅保留大小為3000×3000的零件最小外接矩形區(qū)域,如圖1中Training下方的圖所示。以步長(zhǎng)為64像素對(duì)其進(jìn)行裁剪,共得到15K張分辨率為128×128的圖像組成原始數(shù)據(jù)集,有效地增加了數(shù)據(jù)集的樣本數(shù)量,可以防止模型過(guò)擬合,并提高了模型對(duì)裂縫在各個(gè)位置的適應(yīng)性。

將原始數(shù)據(jù)集中的圖像人工分類為(a)背景區(qū)域、(b)零件邊緣區(qū)域、(c)零件完好區(qū)域和(d)零件裂縫區(qū)域4個(gè)類別,如圖2所示。在原始數(shù)據(jù)集中,由于屬于背景區(qū)域類別的圖像遠(yuǎn)遠(yuǎn)多于屬于零件裂縫區(qū)域類別的圖像,為了保證樣本數(shù)量均衡,在各個(gè)類別中分別挑選出質(zhì)量最好的2355張圖像組成訓(xùn)練集,即訓(xùn)練集的圖像數(shù)量為2355×4=9420。在訓(xùn)練的過(guò)程中,采用訓(xùn)練集中20%的圖像作為驗(yàn)證集,用于檢驗(yàn)?zāi)P褪欠襁^(guò)擬合。

圖2 訓(xùn)練集圖像的4種類別

選用不同類型的25張分辨率同樣為4088×3072的鐵氧體零件圖像,僅保留大小為3000×3000的零件最小外接矩形區(qū)域作為原始測(cè)試集,如圖1 Testing下方圖片所示。具體測(cè)試方法將在第4章中進(jìn)行介紹。

1.2 圖像增廣

為提高模型性能,解決神經(jīng)網(wǎng)絡(luò)的過(guò)擬合問(wèn)題,采用鏡像翻轉(zhuǎn)、加入隨機(jī)噪聲、隨機(jī)變化亮度、對(duì)比度和飽和度等方式對(duì)訓(xùn)練集進(jìn)行圖像增廣。其中,加入的隨機(jī)噪聲為高斯噪聲,它的概率密度函數(shù)服從高斯分布。

最后對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化,將原始圖像中RGB三通道的像素值從[0,255]標(biāo)準(zhǔn)化到[0,1]之間,標(biāo)準(zhǔn)化的公式為

output=(input-mi)/si

(1)

其中,mi表示第i通道的平均值,si表示第i通道的標(biāo)準(zhǔn)差(i=3)。文中的m=(0.485,0.456,0.406),s=(0.229,0.224,0.225)。該步驟的目的是消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響,提高分類精度并加速神經(jīng)網(wǎng)絡(luò)的收斂速度。

2 裂縫檢測(cè)神經(jīng)網(wǎng)絡(luò)

本章主要介紹了用于裂縫檢測(cè)的深層卷積神經(jīng)網(wǎng)絡(luò)的完整框架和訓(xùn)練方法。

2.1 網(wǎng)絡(luò)框架

本次研究使用了包含殘差網(wǎng)絡(luò)結(jié)構(gòu)的深層卷積神經(jīng)網(wǎng)絡(luò),以ResNet-18[10]為基礎(chǔ),根據(jù)實(shí)驗(yàn)圖像尺寸、各層輸出的特征圖尺寸以及分類數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行了修改。該神經(jīng)網(wǎng)絡(luò)主要由輸入層、卷積層、池化層、激活函數(shù)和輸出層組成,其中卷積層和池化層用于進(jìn)行卷積運(yùn)算和池化運(yùn)算,dropout[11]、批量歸一化層[12]、殘差塊,用于防止深層神經(jīng)網(wǎng)絡(luò)性能退化和過(guò)擬合的問(wèn)題。

圖3展示了本研究設(shè)計(jì)的網(wǎng)絡(luò)框架。表1給出了網(wǎng)絡(luò)每一層的結(jié)構(gòu)以及輸出特征圖大小。網(wǎng)絡(luò)的輸入為128×128×3的圖像,通過(guò)卷積層和4個(gè)殘差塊,到達(dá)平均池化層,將特征圖尺寸變?yōu)?×1×512,最后通過(guò)全連接層和Softmax層,輸出一個(gè)4×1的向量,向量中的4個(gè)元素分別對(duì)應(yīng)該輸入圖像屬于背景區(qū)域、零件邊緣區(qū)域、零件完好區(qū)域和零件裂縫區(qū)域4個(gè)類別的概率大小,其中概率最大的元素即對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)輸出的類別。

表1 各層網(wǎng)絡(luò)與輸出

圖3 卷積神經(jīng)網(wǎng)絡(luò)框架

2.1.1 卷積層

卷積層用于提取圖像特征,遠(yuǎn)離輸出的卷積層,對(duì)應(yīng)原圖像的感受野小,可以提取出細(xì)節(jié)特征;靠近輸出層的卷積層,對(duì)應(yīng)原圖像的感受野大,反映圖像的整體特征。相較于全連接層,卷積層可以保留像素點(diǎn)與其上下左右像素點(diǎn)的關(guān)系,學(xué)習(xí)到更多特征信息。卷積層局部感知和參數(shù)共享的特點(diǎn)大大降低了網(wǎng)絡(luò)參數(shù)量,保證了網(wǎng)絡(luò)的稀疏性,有效地防止了過(guò)擬合的問(wèn)題。

2.1.2 池化層

池化層的作用是對(duì)特征圖降采樣。池化層的特征不變性使得模型更關(guān)注圖像是否存在某些特征而不是特征的具體位置。池化層相當(dāng)于對(duì)特征降維,特征圖每個(gè)元素對(duì)應(yīng)原輸入數(shù)據(jù)的一個(gè)子區(qū)域,使模型可以抽取更廣范圍的特征。池化層還降低了輸入大小,進(jìn)而減小參數(shù)個(gè)數(shù)和計(jì)算量。

2.1.3 ReLU

本次研究均使用ReLU作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。ReLU的表達(dá)式為

f(x)=max(0,x)

(2)

當(dāng)輸入大于0,輸出等于輸入;當(dāng)輸入小于0時(shí),輸出等于0。相比于sigmoid激活函數(shù),ReLU很好地解決了sigmoid函數(shù)在深層神經(jīng)網(wǎng)絡(luò)中出現(xiàn)的梯度消失問(wèn)題,同時(shí)ReLU保持了sigmoid函數(shù)非線性的特點(diǎn)。因此,ReLU在提高神經(jīng)網(wǎng)絡(luò)性能的同時(shí),減小了網(wǎng)絡(luò)的訓(xùn)練難度。

2.1.4 Dropout

Dropout以一個(gè)設(shè)定的概率p丟棄神經(jīng)元,在訓(xùn)練模型時(shí)可以起到正則化的作用,有效地防止模型過(guò)擬合。在本次設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)中,靠近輸入層的Dropout設(shè)置p為0.1或0.2,位于網(wǎng)絡(luò)中間的Dropout設(shè)置p為0.5。

2.1.5 Softmax

在神經(jīng)網(wǎng)絡(luò)做分類任務(wù)時(shí),往往選擇Softmax作為最后的分類層,其作用是使得所有類別得分歸一化到0和1之間,正樣本的結(jié)果趨近于1,負(fù)樣本的結(jié)果趨近于0。神經(jīng)網(wǎng)絡(luò)輸出部分的全連接層輸出一個(gè)K維向量z(K為類別個(gè)數(shù)),向量的元素代表每一個(gè)類別的得分。Softmax再將向量z“壓縮”到另一個(gè)K維實(shí)向量σ中,使得每一個(gè)元素的范圍在(0,1)之間且所有元素的和為1,計(jì)算公式如式(3)所示

(3)

2.1.6 殘差塊

由于鐵氧體零件表面紋理在顯微成像系統(tǒng)下較為復(fù)雜,導(dǎo)致裂縫識(shí)別難度大,并且要求裂縫檢測(cè)的準(zhǔn)確率高,需要使用較深的神經(jīng)網(wǎng)絡(luò)模型。然而,深層神經(jīng)網(wǎng)絡(luò)會(huì)出現(xiàn)梯度消失的問(wèn)題,本次研究在網(wǎng)絡(luò)中加入殘差塊解決這一問(wèn)題。殘差學(xué)習(xí)相比原始特征直接學(xué)習(xí)更容易:當(dāng)殘差為0時(shí),堆積層僅僅做了恒等映射,網(wǎng)絡(luò)性能不會(huì)下降;當(dāng)殘差不為0時(shí),堆積層會(huì)在輸入特征基礎(chǔ)上學(xué)習(xí)到新的特征,從而擁有更好的性能。殘差塊結(jié)構(gòu)如圖4所示。

圖4 殘差塊結(jié)構(gòu)

2.2 訓(xùn)練方法

2.2.1 損失函數(shù)

訓(xùn)練采用多分類交叉熵?fù)p失函數(shù),用來(lái)判定實(shí)際輸出與期望輸出的接近程度,如式(4)所示

(4)

其中,K表示類別數(shù)量,對(duì)應(yīng)2.1.5節(jié)中Softmax的類別數(shù)量;yc為指示變量,如果該類別和樣本的類別相同則為1,否則為0;pc為觀測(cè)樣本屬于類別c的預(yù)測(cè)概率。全卷積層輸出每個(gè)類別的得分,該得分經(jīng)過(guò)Softmax層獲得概率輸出,模型預(yù)測(cè)的類別概率輸出與真實(shí)類別的one hot形式進(jìn)行交叉熵?fù)p失函數(shù)的計(jì)算。

2.2.2 優(yōu)化算法

常用的優(yōu)化算法有很多,例如隨機(jī)梯度下降法、動(dòng)量法[13]、RMSprop、Adam[14]等。通過(guò)對(duì)各種不同優(yōu)化算法進(jìn)行對(duì)比(見(jiàn)第3章節(jié)),本次研究采用了Adam優(yōu)化算法。Adam是一種自適應(yīng)學(xué)習(xí)率的方法。它利用梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率。Adam的優(yōu)點(diǎn)主要在于經(jīng)過(guò)偏置校正后,每一次迭代學(xué)習(xí)率都有確定范圍,使得參數(shù)比較平穩(wěn)。

2.2.3 網(wǎng)絡(luò)參數(shù)初始化

在開(kāi)始訓(xùn)練前對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化,采用了Xavier的方法。此初始化方法旨在使所有層中的梯度比例保持大致相同,將神經(jīng)網(wǎng)絡(luò)中的參數(shù)初始化為[-c,c]范圍內(nèi)的隨機(jī)數(shù),且該隨機(jī)數(shù)服從高斯分布,c的計(jì)算方法如式(5)所示

(5)

其中,nin和nout分別是輸入的神經(jīng)元數(shù)量和輸出的神經(jīng)元數(shù)量。

3 實(shí)驗(yàn)結(jié)果評(píng)估

3.1 實(shí)驗(yàn)環(huán)境

本文使用的卷積神經(jīng)網(wǎng)絡(luò)在Mxnet和Pytorch框架下實(shí)現(xiàn)。文中出現(xiàn)的實(shí)驗(yàn)數(shù)據(jù)以Mxnet或Pytorch框架下的較好結(jié)果為準(zhǔn)。所有的實(shí)驗(yàn)在Intel Core i7-5920K CPU和NVIDIA Geforce RTX 2080Ti(×2) GPU上運(yùn)行。

3.2 優(yōu)化算法評(píng)估

為了使損失函數(shù)更快收斂且收斂效果更好,本文分別對(duì)不同優(yōu)化算法進(jìn)行測(cè)試,分別選擇隨機(jī)梯度下降法(學(xué)習(xí)率為0.001,權(quán)重衰減5×10-4)、隨機(jī)梯度下降+動(dòng)量法(學(xué)習(xí)率為0.001,動(dòng)量0.9,權(quán)重衰減5×10-4)、RMSProp(學(xué)習(xí)率為0.001)和Adam(學(xué)習(xí)率為0.001)作為優(yōu)化算法,其損失函數(shù)收斂曲線如圖5所示。由于優(yōu)化算法只對(duì)訓(xùn)練時(shí)的損失函數(shù)起到優(yōu)化的作用,因此訓(xùn)練時(shí)的損失函數(shù)收斂曲線可以反映算法性能。從圖5中可以看出,使用Adam算法,損失函數(shù)收斂最快、收斂效果最好,在第49代時(shí),損失函數(shù)低至0.5,且低于其它方法,因此選擇性能最好的Adam算法作為優(yōu)化算法。

圖5 不同優(yōu)化算法下模型損失函數(shù)收斂曲線

3.3 神經(jīng)網(wǎng)絡(luò)性能評(píng)估

本文主要使用兩個(gè)評(píng)價(jià)指標(biāo)——損失函數(shù)和準(zhǔn)確率來(lái)評(píng)估神經(jīng)網(wǎng)絡(luò)的性能。在給定的測(cè)試數(shù)據(jù)集上,正確分類的樣本數(shù)與總樣本數(shù)之比為準(zhǔn)確率,如式(6)所示

(6)

按照上述數(shù)據(jù)集和訓(xùn)練方法對(duì)基于AlexNet[15]、VGG-16[16]、ResNet-18、ResNet-34、ResNet-50的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。由于驗(yàn)證集結(jié)果比訓(xùn)練集結(jié)果更能說(shuō)明模型的性能,圖6給出了各網(wǎng)絡(luò)在驗(yàn)證集上的損失函數(shù)及準(zhǔn)確率的對(duì)比。

從圖6可以看出,相比于AlexNet和VGG-16,ResNet模型收斂更快、結(jié)果更好。ResNet模型在第5代就達(dá)到了90%以上的驗(yàn)證集正確率,在第50代時(shí)可以將損失函數(shù)降低到0.09以下,將驗(yàn)證集準(zhǔn)確率提高到97%以上。表2給出了各網(wǎng)絡(luò)可達(dá)到的最小損失函數(shù)值、最高準(zhǔn)確率以及網(wǎng)絡(luò)參數(shù)個(gè)數(shù)??梢钥闯?,ResNet模型參數(shù)個(gè)數(shù)明顯少于AlexNet和VGG-16,而性能卻更優(yōu)。原因主要有兩個(gè):①在相同參數(shù)的情況下,神經(jīng)網(wǎng)絡(luò)越深,訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)性能越好,淺層神經(jīng)網(wǎng)絡(luò)的性能遠(yuǎn)遠(yuǎn)弱于深層神經(jīng)網(wǎng)絡(luò);②ResNet在網(wǎng)絡(luò)中使用了殘差塊,殘差塊使得深層神經(jīng)網(wǎng)絡(luò)性能更好、收斂更快。

圖6 不同優(yōu)化器下模型準(zhǔn)確率和損失函數(shù)

表2 各網(wǎng)絡(luò)參數(shù)和結(jié)果對(duì)比

從圖6和表2中可以看出,ResNet-18、ResNet-34和ResNet-50的性能相差不大,原因如下:在神經(jīng)網(wǎng)絡(luò)中,多次使用卷積層對(duì)圖像進(jìn)行特征提取,越接近輸出層對(duì)應(yīng)的感受野越大,遠(yuǎn)離輸出的層對(duì)應(yīng)的感受野越小,實(shí)驗(yàn)中很多長(zhǎng)裂縫在圖像中跨度很大,加入更多的卷積層才能夠使得神經(jīng)網(wǎng)絡(luò)學(xué)到裂縫完整的特征信息,而圖像的尺寸大小僅為128×128,更深的卷積神經(jīng)網(wǎng)絡(luò)接近輸出的層的感受野重疊面積太多,學(xué)到的裂縫特征信息出現(xiàn)冗余,因此導(dǎo)致ResNet-18比AlexNet和VGG-16得到的結(jié)果更好,而ResNet-18、ResNet-32和ResNet-50得到的結(jié)果接近。

ResNet-18參數(shù)少,訓(xùn)練時(shí)間相對(duì)較短,批量大小設(shè)置為64的情況下,每一代訓(xùn)練時(shí)間大約在20 s左右,少于其它各網(wǎng)絡(luò)訓(xùn)練時(shí)長(zhǎng)。同時(shí),ResNet-18框架在本實(shí)驗(yàn)中的性能相對(duì)較好,更適合裂縫檢測(cè)特征提取。因此,本實(shí)驗(yàn)采用了基于ResNet-18的卷積神經(jīng)網(wǎng)絡(luò),并且在該網(wǎng)絡(luò)中加入了ReLU層、Dropout層和殘差塊等用于防止過(guò)擬合。圖7展示了本實(shí)驗(yàn)設(shè)計(jì)的模型在訓(xùn)練集和驗(yàn)證集上的損失函數(shù)和準(zhǔn)確率,模型訓(xùn)練集準(zhǔn)確率最高可達(dá)到98.3%,損失函數(shù)減小至0.05;驗(yàn)證集準(zhǔn)確率最高可達(dá)到97%,損失函數(shù)降低至0.087。從訓(xùn)練結(jié)果可以看出,訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率隨著每一代穩(wěn)步提升,未出現(xiàn)過(guò)擬合現(xiàn)象。

3.4 對(duì)四分類的解釋

以上的裂縫檢測(cè)神經(jīng)網(wǎng)絡(luò)可將目標(biāo)圖像分為背景區(qū)域、零件邊緣區(qū)域、零件完整區(qū)域和零件裂縫區(qū)域4個(gè)類別,圖7為其實(shí)驗(yàn)結(jié)果圖。然而,在過(guò)去的一些裂縫檢測(cè)研究[8,9]中,設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)多采用二分類的方法尋找裂縫,神經(jīng)網(wǎng)絡(luò)模型只區(qū)分圖像中有無(wú)裂縫,即背景區(qū)域、零件邊緣區(qū)域和零件完好區(qū)域均屬于無(wú)裂縫區(qū)域,但是類似的方法并不適用于本次研究的鐵氧體零件裂縫檢測(cè)。圖8展示了本文設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行二分類(將Softmax層改為2層)的損失函數(shù)及準(zhǔn)確率。模型在訓(xùn)練集中可以達(dá)到90%以上的準(zhǔn)確率;而在驗(yàn)證集中,準(zhǔn)確率不到25%。

圖7 實(shí)驗(yàn)?zāi)P驮谟?xùn)練集和驗(yàn)證集的損失函數(shù)和準(zhǔn)確率

圖8 鐵氧體裂縫檢測(cè)二分類實(shí)驗(yàn)

相較于圖7所示的四分類實(shí)驗(yàn)結(jié)果,二分類神經(jīng)網(wǎng)絡(luò)并不能很好地識(shí)別裂縫特征,分析原因如下:背景區(qū)域、零件邊緣區(qū)域和零件完好區(qū)域的特征相差巨大、沒(méi)有顯著的共同點(diǎn),模型不能找到同時(shí)適應(yīng)3種特征的模型參數(shù)。因此,將有無(wú)裂縫的二分類改變?yōu)楸尘皡^(qū)域、零件邊緣區(qū)域、零件完好區(qū)域和零件裂縫區(qū)域的四分類可以解決二分類存在的問(wèn)題,圖7的實(shí)驗(yàn)結(jié)果驗(yàn)證了此結(jié)論。

4 測(cè) 試

4.1 粗檢測(cè)

測(cè)試集中原始圖像的分辨率是3000×3000像素,神經(jīng)網(wǎng)絡(luò)的輸入是128×128像素的圖像,需要以大小為128×128的采樣窗口,對(duì)原始圖像進(jìn)行等間隔滑動(dòng)采樣,圖9顯示了當(dāng)滑動(dòng)步長(zhǎng)設(shè)置為128像素時(shí)的采樣示意圖,此時(shí)可得到529個(gè)128×128的采樣區(qū)域。

圖9 步長(zhǎng)為128像素的等間隔滑動(dòng)采樣

對(duì)采樣區(qū)域分別進(jìn)行標(biāo)準(zhǔn)化后,依次將其作為神經(jīng)網(wǎng)絡(luò)的輸入,神經(jīng)網(wǎng)絡(luò)的輸出即為該采樣區(qū)域所屬的類別。將每個(gè)采樣結(jié)果的類別標(biāo)注在原圖中,如圖10(a)、圖10(b)所示,其中深灰色區(qū)域表示背景區(qū)域,淺灰色區(qū)域表示零件邊緣區(qū)域,白色區(qū)域表示零件完整區(qū)域,黑色區(qū)域表示零件裂縫區(qū)域。圖10(a)、圖10(b)各有14和16個(gè)區(qū)域檢測(cè)錯(cuò)誤。測(cè)試集的零件和訓(xùn)練集的零件有明顯區(qū)別,但仍有97%以上的分類結(jié)果是正確的,說(shuō)明本次設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)對(duì)鐵氧體零件各類型區(qū)域的分類性能好、泛化能力強(qiáng)。

圖10 粗檢測(cè)結(jié)果

4.2 滑動(dòng)子區(qū)域計(jì)分

雖然粗檢測(cè)可以達(dá)到較高的分類準(zhǔn)確率,但由圖10可以看出,粗檢測(cè)得出的結(jié)果中錯(cuò)檢區(qū)域較多,且檢測(cè)出的裂縫區(qū)域的精細(xì)程度不高。本文提出了一種滑動(dòng)子區(qū)域計(jì)分方法,可以使檢測(cè)出的裂縫更加精確,同時(shí)剔除錯(cuò)誤檢測(cè)。首先將滑動(dòng)步長(zhǎng)由128像素減小為128/2N像素,其中N為縮小倍數(shù),取值為[1,7],本文以N=2為例,即滑動(dòng)步長(zhǎng)為32像素,采樣如圖11所示。

圖11 步長(zhǎng)為32像素的等間隔滑動(dòng)采樣

每一個(gè)128×128的采樣區(qū)域可以看作是16個(gè)32×32的子區(qū)域,采用如下方式對(duì)子區(qū)域進(jìn)行計(jì)分:

(1)若采樣區(qū)域被分類為零件裂縫區(qū)域,給予它的所有子區(qū)域一個(gè)較大的信心分?jǐn)?shù);

(2)若采樣區(qū)域被分類為零件完好區(qū)域或背景區(qū)域,給予它的所有子區(qū)域一個(gè)懲罰分?jǐn)?shù);

(3)為了保證當(dāng)裂縫出現(xiàn)在零件邊緣部分時(shí)仍能將其檢測(cè)為裂縫(裂縫出現(xiàn)在零件邊緣區(qū)域時(shí),神經(jīng)網(wǎng)絡(luò)往往將這種情況判斷為零件的邊緣),被檢測(cè)為零件邊緣區(qū)域的采樣區(qū)域給予它的所有子區(qū)域一個(gè)較小的信心分?jǐn)?shù)。

由于采樣區(qū)域之間相互重疊,大部分子區(qū)域會(huì)得到多次賦值,子區(qū)域的最終分?jǐn)?shù)p如式(7)所示

p=Oc+Pe-Qn

(7)

其中,O代表零件裂縫區(qū)域的信心分?jǐn)?shù),c代表該子區(qū)域被檢測(cè)為零件裂縫區(qū)域的次數(shù);P代表零件邊緣區(qū)域的信心分?jǐn)?shù),e代表被檢測(cè)為零件邊緣區(qū)域的次數(shù);Q代表零件完好區(qū)域和背景區(qū)域的懲罰分?jǐn)?shù),n代表被檢測(cè)為這些區(qū)域的次數(shù)。設(shè)定一個(gè)閾值Tp,若子區(qū)域的最終分?jǐn)?shù)p大于等于Tp,則認(rèn)為該子區(qū)域是裂縫區(qū)域。

經(jīng)過(guò)多次實(shí)驗(yàn),在滑動(dòng)步長(zhǎng)為32像素的情況下,建議設(shè)定裂縫的信心分?jǐn)?shù)O為1,邊緣的信心分?jǐn)?shù)P為0.5,其它區(qū)域的懲罰分?jǐn)?shù)Q為2,閾值Tp為5。以該組參數(shù),采用滑動(dòng)子區(qū)域計(jì)分方法得出的裂縫檢測(cè)結(jié)果如圖12所示,經(jīng)計(jì)算,該方法可將寬度在0.1 mm左右、長(zhǎng)度在0.2 mm以上的裂縫檢測(cè)出來(lái)。

圖12 滑動(dòng)子區(qū)域計(jì)分結(jié)果

此外,還可以將縮小倍數(shù)N設(shè)置為更大的值,從而將原采樣區(qū)域分割為更精細(xì)的子區(qū)域,使用類似的計(jì)分方式,能夠得到更精確的裂縫檢測(cè)結(jié)果。

4.3 結(jié)果評(píng)估

本文使用了3種評(píng)估系數(shù)精確率Pr、召回率Re和F1分?jǐn)?shù),來(lái)測(cè)試裂縫檢測(cè)方法在測(cè)試圖像中的性能,式(8)、式(9)、式(10)分別是這3種評(píng)估系數(shù)的表達(dá)式

(8)

(9)

(10)

其中,TP、FP和FN分別是實(shí)際有裂縫檢測(cè)為有裂縫,實(shí)際有裂縫檢測(cè)為無(wú)裂縫和實(shí)際無(wú)裂縫檢測(cè)為有裂縫的區(qū)域個(gè)數(shù)。對(duì)25張測(cè)試集圖片進(jìn)行測(cè)試。將步長(zhǎng)為128像素(粗檢測(cè))與步長(zhǎng)為64像素、32像素的檢測(cè)結(jié)果進(jìn)行對(duì)比,對(duì)比結(jié)果見(jiàn)表3,可以明顯看出,步長(zhǎng)為32時(shí)的精確率、召回率和F1分?jǐn)?shù)更高,效果更好。

表3 不同步長(zhǎng)的Pr、Re和F1對(duì)比

將滑動(dòng)子區(qū)域計(jì)分方法的步長(zhǎng)設(shè)置為128、64和32的裂縫檢測(cè)結(jié)果對(duì)比如圖13所示,其中從左到右依次是步長(zhǎng)設(shè)置為128、64和32的裂縫檢測(cè)結(jié)果圖。從圖中可以明顯看出,在步長(zhǎng)逐漸減小時(shí),檢測(cè)出的裂縫區(qū)域更加精細(xì)、準(zhǔn)確,在步長(zhǎng)為32像素時(shí)的檢測(cè)結(jié)果最優(yōu)。

圖13 裂縫檢測(cè)結(jié)果對(duì)比

在采用傳統(tǒng)圖像處理方法檢測(cè)該類圓環(huán)形零件的裂縫時(shí),無(wú)法將零件裂縫區(qū)域與零件邊緣區(qū)域區(qū)分開(kāi),因此無(wú)論是精確率、召回率和F1分?jǐn)?shù),或是檢測(cè)的精細(xì)程度、準(zhǔn)確程度,都比本文提出的神經(jīng)網(wǎng)絡(luò)分類器結(jié)合滑動(dòng)子區(qū)域計(jì)分的方法效果差。

5 結(jié)束語(yǔ)

本文針對(duì)小型圓環(huán)形鐵氧體零件的裂縫檢測(cè)難題,開(kāi)展了一系列研究。在第一章建立了一個(gè)包含9K張大小為128×128的圖像的鐵氧體零件數(shù)據(jù)集。在第二章設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的裂縫檢測(cè)網(wǎng)絡(luò),該網(wǎng)絡(luò)可實(shí)現(xiàn)鐵氧體零件圖像的四分類。在第三章對(duì)裂縫檢測(cè)網(wǎng)絡(luò)的性能進(jìn)行了評(píng)估,在驗(yàn)證集上的準(zhǔn)確率可以達(dá)到97%。在第四章提出了一種滑動(dòng)子區(qū)域計(jì)分方法,通過(guò)縮小滑動(dòng)步長(zhǎng)、對(duì)子區(qū)域計(jì)分、設(shè)定閾值Tp,篩選出最終分?jǐn)?shù)較高的子區(qū)域作為檢測(cè)結(jié)果,得出更精確的裂縫區(qū)域,并有效地剔除了錯(cuò)檢區(qū)域,在測(cè)試集可達(dá)到97.9%的檢測(cè)精度。實(shí)驗(yàn)數(shù)據(jù)和實(shí)驗(yàn)結(jié)果表明本文設(shè)計(jì)的基于卷積神經(jīng)網(wǎng)絡(luò)的鐵氧體零件裂縫檢測(cè)網(wǎng)絡(luò),結(jié)合滑動(dòng)子區(qū)域計(jì)分方法,可以有效、精準(zhǔn)地檢測(cè)出鐵氧體零件中寬度在0.1 mm左右、長(zhǎng)度超過(guò)0.2 mm的裂縫,達(dá)到了小型圓環(huán)形物體裂縫檢測(cè)的最優(yōu)水平,具有較高的工程應(yīng)用價(jià)值。

猜你喜歡
鐵氧體步長(zhǎng)卷積
四川省重大科技專項(xiàng)成果—柔性鐵氧體實(shí)現(xiàn)產(chǎn)業(yè)化
基于Armijo搜索步長(zhǎng)的BFGS與DFP擬牛頓法的比較研究
基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
基于隨機(jī)森林回歸的智能手機(jī)用步長(zhǎng)估計(jì)模型
卷積神經(jīng)網(wǎng)絡(luò)的分析與設(shè)計(jì)
單個(gè)鐵氧體磨粒尺寸檢測(cè)電磁仿真
基于Armijo搜索步長(zhǎng)的幾種共軛梯度法的分析對(duì)比
從濾波器理解卷積
再生膠的制備及性能研究
基于傅里葉域卷積表示的目標(biāo)跟蹤算法