基于边缘计算的机巡图像缺陷识别算法研究

发布时间：2025-01-05 22:33

　　 机巡图像识别算法(Faster R-CNN算法)存在识别精度低的不足,为此提出基于边缘计算的机巡图像缺陷识别算法。通过对机巡图像缺陷特征提取,再利用RPN网络获取目标候选区域,利用边缘计算优化Faster R-CNN算法,在此基础上,实行Faster R-CNN训练,再通过正负样本和损失函数对目标区域实施精确分类,从而识别出机巡图像缺陷,至此完成基于边缘计算的机巡图像缺陷识别算法研究。通过与传统算法、未经优化的Faster R-CNN算法作对比实验,实验结果表明,提出的基于边缘计算的机巡图像缺陷识别算法能更有效地识别机巡图像缺陷。

【文章页数】：4 页

【部分图文】：

图1 优化的Faster R-CNN的网络结构

FasterR-CNN可以看作是由FastR-CNN和区域建议训练网络(RPN网络)组成的。在采用FasterR-CNN识别图像缺陷的过程中,先采用RPN网络选取候选区域,然后通过FastR-CNN对候选区域作训练。然而,FasterR-CNN存在对候选区域分类计算,在....

图2 RPN网络结构图

式中,dw(P)、dh(P)代表在训练训练样本过程中学习到的尺度缩放参数,通过公式(4)对候选区域采取尺度缩放操作。所用的RPN网络的网络结构图如图2所示。在得到候选区域后,利用边缘计算对FasterR-CNN算法作进一步优化。

图3 非极大值抑制示意图

通过公式(9)计算像素点的梯度幅值,再对其实施非极大值抑制。通过寻找机巡图像边缘像素点的局部最大值,抑制其附近的非局部最大值点,去掉大部分非边缘点,缩小目标区域的范围。非极大值的抑制示意图如图3所示。如图3所示,用线条((P1,P2)方向表示P点的梯度方向,如果其灰度值满足公式(....

图4 Faster R-CNN训练过程示意图

FastR-CNN和RPN网络共享多个卷积层,训练的具体过程如下:第一步,在ImageNet上对初始化的RPN网络参数作训练,对一个区域建议训练网络采取独立训练的方式;第二步,利用上一步的得到的区域建议训练网络,提取出机巡图像的目标区域(图像缺陷),对FastR-CNN作训练....

本文编号：4023372