基于卷积神经网络压缩的缺陷检测算法研究

发布时间：2021-01-07 04:05

　　近年来,数据量飞速增长和计算机硬件的突破使卷积神经网络能够成功的应用于各行各业之中。在工业检测识别领域,随着对检测识别精度的要求越来越高,卷积神经网络通过不断增加网络的深度和特征面数目,提高网络的特征提取能力和网络的学习能力,从而达到检测精度的要求。但是在实际的应用过程中,网络模型仅仅拥有较高的检测精度并不能保证模型就能够部署到工业生产流水线上去检测和识别工件。在工业生产流水线上检测缺陷不仅要考虑网络模型的精度问题,而且还要考虑工业生产流水线上检测的实时性以及软硬件的计算开销成本。深度卷积神经网络模型的尺寸很大,不仅对存储训练模型的内存要求很高,而且检测单张图片的所属类别的计算量会很大,限制了检测识别的效率。同时考虑到在网络训练过程中需要大量的已标注好的样本数据集,而工业生产流水线上的工件缺陷复杂,对工件的标注不仅需要专业人员进行判断,而且需要花费大量的人力成本。因此,本文针对卷积神经网络模型中参数量和计算量过大的问题,对卷积神经网络模型进行压缩,并在训练的过程中采用改进的主动学习方法解决工件数据集标注困难的问题,使网络在不损失精度的前提下能够部署到工业生产线上去检测缺陷。本文主要的研... 

【文章来源】：浙江工业大学浙江省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

卷积神经网络的标准结构

图 2-1 卷积神经网络的标准结构Figure 2-1. Standard structure of convolutional neural network2.2.1 卷积层卷积层是卷积神经网络中最重要的一个部分，主要是通过卷积运算来提取像素级别的图像特征。在卷积层中，后一层特征图谱由前一层的特征图谱与卷积层中的卷积核进行卷积运算后得到的，每一个卷积核采用类似于滑动窗口的运动机制遍历前一层整个特征图谱，卷积核将前一层中每一小块区域的特征信息汇聚到下一层中某一个点上。当滑动窗口将特征图谱遍历完以后，就会提取到输入图像的某个局部区域的特征，如图 2-2 所示。特别地，在窗口滑动的过程中，滑动窗口的面积称之为感受野。卷积层中将前一层特征映射到后一层网络中的计算如公式（2-1）所示。

最大池化

【参考文献】：
期刊论文
[1]铁氧体磁瓦表面典型缺陷检测方法[J]. 蒋红海,李雪琴,刘培勇,殷国富.  西南交通大学学报. 2013(01)
[2]基于图谱分解和概率神经网络的图像分类[J]. 汤进,张春燕,罗斌.  中国图象图形学报. 2006(05)



本文编号：2961876