鄭祥盤，宋國(guó)進(jìn)

(閩江學(xué)院物理與電子信息工程學(xué)院，福州 350108)

隨著經(jīng)濟(jì)的不斷發(fā)展，貨物的流通量越來(lái)越大，對(duì)大型起重機(jī)的運(yùn)作時(shí)長(zhǎng)要求也越來(lái)越高，這對(duì)起重機(jī)運(yùn)行造成了潛在的安全隱患.因此，對(duì)起重機(jī)定期進(jìn)行檢測(cè)、維護(hù)與保養(yǎng)是十分必要的.

相比于眾多的安全隱患，金屬結(jié)構(gòu)裂縫、變形、腐蝕等缺陷的出現(xiàn)往往會(huì)給生產(chǎn)造成重大的損失.因此，高空位置金屬結(jié)構(gòu)的缺陷檢測(cè)是大型起重機(jī)安全檢測(cè)最重要的環(huán)節(jié).基于傳統(tǒng)的缺陷檢測(cè)方法常常是人工作業(yè)對(duì)起重機(jī)進(jìn)行勘察.檢驗(yàn)人員需要攀爬到起重機(jī)金屬結(jié)構(gòu)的高空位置去觀察是否存在裂紋及腐蝕等缺陷;但有些部位如港口門座式起重機(jī)的象鼻梁和人字架頂部、門式起重機(jī)的主梁下蓋板和支腿上部等位置，往往存在檢驗(yàn)人員難以到達(dá)、安全得不到保障以及檢測(cè)不夠全面等問(wèn)題.

在起重機(jī)缺陷檢測(cè)方面，有通過(guò)建立大跨度門式起重機(jī)數(shù)學(xué)模型推導(dǎo)梁的中撓度解的[1]，也有通過(guò)改進(jìn)的和聲搜索算法識(shí)別起重機(jī)結(jié)構(gòu)空間模態(tài)的傳感器優(yōu)化布置的[2].但在起重機(jī)金屬結(jié)構(gòu)的缺陷檢測(cè)識(shí)別方面目前還沒(méi)有很好的識(shí)別方式.基于卷積神經(jīng)網(wǎng)絡(luò)在視覺(jué)識(shí)別方面取得了巨大進(jìn)展，其中膠囊網(wǎng)絡(luò)通過(guò)一個(gè)卷積層和兩個(gè)膠囊層，不需要使用過(guò)多訓(xùn)練技巧，在MNIST數(shù)據(jù)集中取得了目前該領(lǐng)域內(nèi)領(lǐng)先地位的成績(jī)，錯(cuò)誤率僅為0.25%[3].Salimans等[4]將卷積網(wǎng)絡(luò)應(yīng)用于對(duì)抗網(wǎng)絡(luò)，得到生成式對(duì)抗網(wǎng)絡(luò)將該網(wǎng)絡(luò)用于圖像分類領(lǐng)域，改變了傳統(tǒng)CNN大量標(biāo)注樣本的學(xué)習(xí)策略.Hu等[5]提出的壓縮激發(fā)網(wǎng)絡(luò)(squeeze-and-excitation networks)通過(guò)對(duì)特征通道間的相關(guān)性建模，把重要特征進(jìn)行強(qiáng)化以提升準(zhǔn)確率.在ImageNet訓(xùn)練集上的Top-5錯(cuò)誤率由2012年冠軍網(wǎng)絡(luò)的15.4%降低至4.47%，Top-5錯(cuò)誤率表示在學(xué)習(xí)到的標(biāo)簽中，預(yù)測(cè)概率最大的5個(gè)類別，不包含正確類別的比率.Simonyan等[6]提出了為處理大規(guī)模圖像識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò).王洋[7]等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的特征快速提取算法.

為此，在前人研究的卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上，針對(duì)起重機(jī)金屬結(jié)構(gòu)缺陷圖像數(shù)據(jù)不足的特點(diǎn)，本文中提出雙網(wǎng)絡(luò)并行的卷積神經(jīng)網(wǎng)絡(luò)模型.首先建立淺層次卷積神經(jīng)網(wǎng)絡(luò)，由于淺層次卷積神經(jīng)網(wǎng)絡(luò)卷積核數(shù)量較少，故識(shí)別速度較快，但精度不足.本文中應(yīng)用雙網(wǎng)絡(luò)并行模型，即采用訓(xùn)練好的深層次卷積神經(jīng)網(wǎng)絡(luò)AlexNet訓(xùn)練本文中構(gòu)建的淺層次卷積神經(jīng)網(wǎng)絡(luò)，提高識(shí)別精度.

1 淺層次卷積神經(jīng)網(wǎng)絡(luò)模型的建立

通過(guò)大量起重機(jī)金屬結(jié)構(gòu)缺陷圖像訓(xùn)練淺層次卷積神經(jīng)網(wǎng)絡(luò)模型.在卷積神經(jīng)網(wǎng)絡(luò)的框架上，用反向傳播算法確定淺層次卷積神經(jīng)網(wǎng)絡(luò)模型各層參數(shù)，在全連接網(wǎng)絡(luò)層后連接Softmax分類器，應(yīng)用梯度下降算法更新分類器中各個(gè)參數(shù)值，從而獲得一個(gè)能對(duì)缺陷問(wèn)題進(jìn)行有效檢測(cè)與識(shí)別的分類器.

1.1 淺層次卷積神經(jīng)網(wǎng)絡(luò)框架

卷積神經(jīng)網(wǎng)絡(luò)受人對(duì)貓視覺(jué)皮層電生理研究的啟發(fā).經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)由卷積層(C)、激活函數(shù)層、池化層(P)、全連接層(FC)、損失函數(shù)層組成.整個(gè)網(wǎng)絡(luò)模型如圖1所示，圖中省略了卷積層和池化層之間的激活函數(shù)層[8].常用的激活函數(shù)有Sigmoid函數(shù)、Tanh函數(shù)、ReLU函數(shù).由于Sigmoid函數(shù)單調(diào)連續(xù)，輸出范圍在(0，1)中，優(yōu)化較穩(wěn)定，故本文中采用Sigmoid函數(shù).

圖1 淺層次卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Shallow convolutional neural network structure diagram

上述卷積神經(jīng)網(wǎng)絡(luò)包含4個(gè)卷積層、3個(gè)最大池化層、1個(gè)全連接層、1個(gè)損失函數(shù)層(圖1)，其中損失函數(shù)采用Softmax回歸函數(shù).首先在卷積層中包含有多個(gè)濾波器，對(duì)預(yù)處理后的二維圖像數(shù)據(jù)進(jìn)行卷積運(yùn)算,減少特征圖尺寸;然后將輸出值經(jīng)過(guò)Sigmoid函數(shù)，獲取特征圖上的像素值，使模型能夠更加擬合復(fù)雜的函數(shù)，形成特征圖;再通過(guò)池化層降低特征維度，減少模型計(jì)算量;最后將全連接層上的每個(gè)神經(jīng)元與輸入特征圖上的每個(gè)像素建立連接，綜合提取圖像特征，將組合后的特征值傳輸給Softmax分類器計(jì)算每個(gè)類別的概率值，從而確定每個(gè)像素的缺陷情況.其中，池化層將卷積層的輸出結(jié)果通過(guò)求出n×n滑動(dòng)窗口的平均值或最大值來(lái)確定通過(guò)池化層后的特征圖，該輸出結(jié)果能夠很好地表示輸入池化層前的數(shù)據(jù)，故池化層具有降低數(shù)據(jù)特征維度，降低計(jì)算量的作用.

1.2 淺層次卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程

由于BP算法是一種能夠極大降低梯度的訓(xùn)練方法，故本文采用BP算法求解淺層次卷積神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)值.在計(jì)算模型的每層參數(shù)的過(guò)程中利用梯度下降算法[9]對(duì)網(wǎng)絡(luò)中的每層參數(shù)進(jìn)行迭代更新，采用的更新公式為

(1)

(2)

(3)

1.3 Softmax分類器

在全連接網(wǎng)絡(luò)層的結(jié)果輸出后連接Softmax分類器，計(jì)算得到不同類別的對(duì)應(yīng)概率.對(duì)網(wǎng)絡(luò)前面的輸出結(jié)果進(jìn)行分類，首先取二分類進(jìn)行分析，采用{(x1,E(x1))，…，(xi,E(xi))，…，(xN,E(xN))}表示N個(gè)數(shù)據(jù),xi為表示輸入圖像數(shù)據(jù)的矩陣，E為卷積神經(jīng)網(wǎng)絡(luò)的期望輸出.對(duì)于二分類問(wèn)題有：

(4)

其中:p表示當(dāng)輸入數(shù)據(jù)為xi時(shí)，輸出值為1或0的概率;θ為當(dāng)前模型參數(shù)k、b構(gòu)成的矩陣.綜合可得概率分布為：

p(x)=(gθ(x))E(xi)((1-gθ(x))1-E(xi)，

(5)

其中，x為x1,x2,…xN構(gòu)成的矩陣，gθ(x)=q(θTx)，q為Sigmoid函數(shù).

通過(guò)最大似然估計(jì)等計(jì)算可得分類器關(guān)于θ的損失函數(shù)：

(1-E(xi))log(1-gθ(xi))].

(6)

通過(guò)對(duì)θj求偏導(dǎo)，可得：

(7)

(8)

其中α為學(xué)習(xí)率.由于多任務(wù)學(xué)習(xí)相較于單任務(wù)學(xué)習(xí)的分類準(zhǔn)確率和效率更高，已廣泛應(yīng)用在圖像識(shí)別[10]、圖像細(xì)粒度分類[11]、人臉檢測(cè)[12]等圖像領(lǐng)域，因此本文中將以上二分類情況拓展至多分類情況，取l為分類的種類，同理可得

其中，θ1,θ2,…,θl為每組標(biāo)簽對(duì)應(yīng)的所有參數(shù)構(gòu)成的矩陣.

多種類分類器的損失函數(shù)為:

(1-E(xi))log(1-gθ(xi))]=

(9)

對(duì)θj求偏導(dǎo)可得：

(10)

根據(jù)梯度下降算法，按式(1)更新參數(shù)，訓(xùn)練Softmax分類器中參數(shù).

2 基于雙網(wǎng)絡(luò)并行模型的缺陷識(shí)別

通過(guò)上節(jié)中對(duì)網(wǎng)絡(luò)中各層參數(shù)的訓(xùn)練，完成了較淺層次網(wǎng)絡(luò)模型的建立.為了彌補(bǔ)淺層次的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別精度低的缺陷，在上述理論基礎(chǔ)上建立雙網(wǎng)絡(luò)并行模型，即利用深層次網(wǎng)絡(luò)模型AlexNet與淺層次網(wǎng)絡(luò)模型的交叉熵函數(shù)訓(xùn)練淺層次卷積神經(jīng)網(wǎng)絡(luò)，達(dá)到提高識(shí)別精度、降低訓(xùn)練模型參數(shù)對(duì)服務(wù)器的要求，縮短訓(xùn)練時(shí)間.

利用雙網(wǎng)絡(luò)并行模型完成淺層次卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練后，將每一幀圖像進(jìn)行不同尺度大小的變化并且均等分塊輸入淺層次卷積神經(jīng)網(wǎng)絡(luò)，計(jì)算每個(gè)分塊的結(jié)果值，將其與之前人為定義的數(shù)值進(jìn)行對(duì)比，從而確定缺陷的類別.

2.1 圖像數(shù)據(jù)預(yù)處理

在網(wǎng)絡(luò)模型訓(xùn)練過(guò)程中，對(duì)各個(gè)類別數(shù)據(jù)均勻隨機(jī)抽樣，將70%、20%、10%分別作為訓(xùn)練集、測(cè)試集和驗(yàn)證集.使用工業(yè)相機(jī)采集圖像，像素為2 048×4 096，將圖像劃分為5行10列，共有50張子圖.且從采集到的圖像中隨意裁剪3 000張擁有同樣缺陷問(wèn)題的圖像,分別縮放至100×100與227×227兩種規(guī)格.其中將100×100規(guī)格的圖像用于訓(xùn)練本文提出的較淺層次的神經(jīng)網(wǎng)絡(luò)，用227×227規(guī)格的圖像訓(xùn)練AlexNet.人為的定義每種數(shù)值代表的缺陷類別，以便后續(xù)與結(jié)果進(jìn)行比對(duì)，確定缺陷類別.為了將圖像中的缺陷問(wèn)題凸顯出來(lái)，并有利于訓(xùn)練時(shí)的收斂，對(duì)圖像進(jìn)行中心式歸一化處理.即將圖像中的每一個(gè)像素減去該圖像的平均值，并減少圖像數(shù)值的取值范圍.中心式歸一化示意圖如圖2所示.

圖2 中心式歸一化示意圖Fig.2 Central normalized diagram

進(jìn)一步將中心式歸一化處理后的圖像儲(chǔ)存在數(shù)據(jù)庫(kù)中，減少硬盤IO開(kāi)銷[9].

2.2 雙網(wǎng)絡(luò)并行模型參數(shù)選擇

本研究構(gòu)建的雙網(wǎng)絡(luò)并行模型如圖3所示.其中，全連接層前存在一個(gè)卷積層分支，其中卷積核個(gè)數(shù)為200，卷積核大小為7×7，步長(zhǎng)為1.將該卷積層與AlexNet中的最后一個(gè)池化層輸出結(jié)果進(jìn)行交叉熵?fù)p失函數(shù)連接，通過(guò)深層次卷積神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果修正較淺層次神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)實(shí)現(xiàn)雙網(wǎng)絡(luò)并行模型.并行網(wǎng)絡(luò)的損失函數(shù)為：

J(θ)=αLclassification(θ)+βLcross,

(11)

圖3 雙網(wǎng)絡(luò)模型示意圖(省略激活函數(shù)層、中心歸一化層)Fig.3 Dual network model diagram (omitted activation function layer and center normalization layer)

其中，Lclassification(θ)為分類器的損失函數(shù)，即式(10).Lcross為較淺層次網(wǎng)絡(luò)與AlexNet網(wǎng)絡(luò)之間的交叉熵?fù)p失函數(shù)，具體為

(12)

其中，t=(ti)表示AlexNet在最后一個(gè)池化層輸出的特征向量，s=(si)為本文所提出網(wǎng)絡(luò)在C4層輸出的特征向量.

首先，對(duì)AlexNet與淺層卷積神經(jīng)網(wǎng)絡(luò)分別進(jìn)行訓(xùn)練.其中AlexNet模型的卷積核參數(shù)初始化采用AlexNet在1 000分類中訓(xùn)練好的參數(shù)[13]，輸入AlexNet模型的數(shù)據(jù)大小為227×227×3.淺層次卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)采用隨機(jī)初始化，即采用均值為0，方差為1的標(biāo)準(zhǔn)高斯分布，輸入淺層次網(wǎng)絡(luò)模型的數(shù)據(jù)大小為100×100×1.通過(guò)反向傳播梯度下降算法，在每一次迭代過(guò)程中，對(duì)公式(2)中的權(quán)重與偏置參數(shù)k，b進(jìn)行更新.

其次,對(duì)雙網(wǎng)絡(luò)并行模型進(jìn)行訓(xùn)練.由于式(11)中α=1-β，故需通過(guò)對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練來(lái)確定β超參數(shù)值.本文中訓(xùn)練次數(shù)為20次，淺層次的卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)中每個(gè)批次圖片數(shù)量為128，權(quán)重衰減系數(shù)為0.000 1，α的初始值為0.001，每迭代104次,α縮小10倍.取原有訓(xùn)練集劃分為訓(xùn)練集與測(cè)試集，根據(jù)模型在測(cè)試集的表現(xiàn)效果確定式(12)中的超參數(shù)β的值,結(jié)果如圖4所示.從圖4可得超參數(shù)β為0.2時(shí)，模型準(zhǔn)確率最高，表現(xiàn)效果最好.

圖4 β與模型分類準(zhǔn)確率關(guān)系圖Fig.4 Relation diagram between super-parameter and model classification accuracy

3 實(shí)驗(yàn)結(jié)果與分析

3.1 訓(xùn)練樣本集大小對(duì)分類準(zhǔn)確率的影響

本文中采用相同的數(shù)據(jù)與訓(xùn)練策略分別對(duì)2組模型進(jìn)行訓(xùn)練，一組為本文第2節(jié)改進(jìn)的加入AlexNet的雙網(wǎng)絡(luò)并行模型，另一組為本文第1節(jié)的淺層次單網(wǎng)絡(luò)卷積模型.根據(jù)訓(xùn)練情況繪制出樣本集大小對(duì)準(zhǔn)確率影響曲線，如圖5所示.

圖5 雙網(wǎng)絡(luò)模型與單網(wǎng)絡(luò)模型不同樣本集對(duì)比曲線圖Fig.5 Contrast curve of different sample sets between double network model and single network model

由圖5可知，雙網(wǎng)并行模型準(zhǔn)確率高達(dá)95.9%，誤檢量為123.若只采用單網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，則模型的最大準(zhǔn)確率為80.1%，誤檢量為597.通過(guò)本研究改進(jìn)的雙網(wǎng)絡(luò)并行的卷積神經(jīng)網(wǎng)絡(luò)模型可以將誤檢率降低79.4%,準(zhǔn)確率提高11.8%，故采用雙網(wǎng)絡(luò)模型比單網(wǎng)絡(luò)模型在識(shí)別的準(zhǔn)確性方面有明顯提高，具有更好的魯棒性，識(shí)別效率更高.

3.2 雙網(wǎng)絡(luò)模型與其他模型的比較

為驗(yàn)證本文中雙網(wǎng)絡(luò)并行模型有效性，現(xiàn)將該模型與淺層次卷積神經(jīng)網(wǎng)絡(luò)模型放在相同訓(xùn)練集與訓(xùn)練策略條件下，對(duì)起重機(jī)金屬結(jié)構(gòu)的疲勞開(kāi)裂、腐蝕等常見(jiàn)缺陷圖像進(jìn)行分類.除此之外為進(jìn)一步說(shuō)明本文中雙網(wǎng)絡(luò)并行模型算法在起重機(jī)缺陷檢測(cè)方面的優(yōu)勢(shì)，現(xiàn)將該雙網(wǎng)絡(luò)并行模型算法與屬于卷積神經(jīng)網(wǎng)的SENet模型,以及傳統(tǒng)的機(jī)器視覺(jué)方法支持向量機(jī)庫(kù)(LibSVM)、BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比.

SENet模型是ILSVRC 2017的冠軍網(wǎng)絡(luò)[14].在SENet模型中，每個(gè)通道的[0，1]權(quán)重由分支(gap-fc-fc-sigm)分配，能夠自適應(yīng)地使原各通道的激活值進(jìn)行響應(yīng).該網(wǎng)絡(luò)模型在ImageNet數(shù)據(jù)集中圖像分類錯(cuò)誤率僅為2.25%.但該模型的空間復(fù)雜度較高，參數(shù)數(shù)量高達(dá)2.75×107.一般來(lái)說(shuō)，模型的大小取決于訓(xùn)練的數(shù)據(jù)規(guī)模，而起重機(jī)缺陷識(shí)別檢測(cè)的分類較少，故對(duì)起重機(jī)缺陷分類識(shí)別所對(duì)應(yīng)的簡(jiǎn)單數(shù)據(jù)集應(yīng)用SENet模型容易造成過(guò)擬合問(wèn)題.現(xiàn)將相同的訓(xùn)練集、測(cè)試集數(shù)據(jù)分別對(duì)SENet進(jìn)行訓(xùn)練，SENet各層初始化參數(shù)為ImageNet訓(xùn)練后的參數(shù).

LibSVM[15]所采用的測(cè)試集、訓(xùn)練集同雙網(wǎng)絡(luò)并行的卷積神經(jīng)網(wǎng)絡(luò)一致.LibSVM分類采取以下步驟：

1) 提取樣本梯度直方圖(HOG)特征.

2) 選擇核函數(shù)，核函數(shù)公式為K(u,v)=exp(-γ|u-v|2).

3) 通過(guò)LibSVM中SVMcgForClass函數(shù)選取最優(yōu)c和g，其中，c為懲罰系數(shù)，g為gamma函數(shù)設(shè)置.

4) 訓(xùn)練模型，用以上得到的g、c訓(xùn)練分類模型.

5) 精度測(cè)試，用LibSVM中svmpredict函數(shù)對(duì)模型分類精度進(jìn)行測(cè)試.

BP神經(jīng)網(wǎng)絡(luò)模型[16]的訓(xùn)練步驟如下：

1) 初始化權(quán)系數(shù)及各網(wǎng)絡(luò)參數(shù).初始學(xué)習(xí)率 0.1，動(dòng)量因子0.9，允許誤差10-6，隱層節(jié)點(diǎn)20個(gè).

2) 輸入樣本，迭代次數(shù)n=0.

3) 比較期望輸出Tk與實(shí)際輸出Zk(n)計(jì)算誤差E(n)，判斷是否滿足要求，滿足轉(zhuǎn)至6)，否則轉(zhuǎn)至4).

4) 判斷n+1是否大于最大迭代次數(shù)，若大于轉(zhuǎn)至6)，否者，反向計(jì)算每層神經(jīng)元局部梯度Dn.

5) 計(jì)算學(xué)習(xí)率η(n)與權(quán)值w(n)；n=n+1，轉(zhuǎn)至3).

6) 判斷是否訓(xùn)練完所有樣本，是則結(jié)束，否則轉(zhuǎn)至2).

表1給出了雙網(wǎng)絡(luò)并行模型與對(duì)比模型的識(shí)別準(zhǔn)確率.對(duì)比雙網(wǎng)絡(luò)模型算法與屬于卷積神經(jīng)網(wǎng)絡(luò)的淺層次單網(wǎng)絡(luò)模型和SENet模型的識(shí)別準(zhǔn)確率可以看出，本文采用的雙網(wǎng)絡(luò)并行模型比淺層次卷積神經(jīng)網(wǎng)絡(luò)模型在缺陷識(shí)別準(zhǔn)確率方面有較大幅度的提高，且對(duì)起重機(jī)金屬結(jié)構(gòu)缺陷識(shí)別的效果更加穩(wěn)定.SENet模型由于其模型參數(shù)過(guò)多，訓(xùn)練數(shù)據(jù)過(guò)少，導(dǎo)致過(guò)渡擬合了訓(xùn)練數(shù)據(jù)，缺乏泛化能力，所以表1中其識(shí)別準(zhǔn)確率也不如雙網(wǎng)絡(luò)并行模型.與傳統(tǒng)的機(jī)器視覺(jué)算法LibSVM和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，可以看出由于雙網(wǎng)絡(luò)并行模型的卷積神經(jīng)網(wǎng)絡(luò)避免了傳統(tǒng)機(jī)器視覺(jué)所必需的圖像灰度值操作、模糊操作、閾值操作、腐蝕以及膨脹操作，雙網(wǎng)絡(luò)并行模型算法比LibSVM算法、BP神經(jīng)網(wǎng)絡(luò)在起重機(jī)金屬結(jié)構(gòu)裂紋、腐蝕、變形等缺陷識(shí)別準(zhǔn)確率均有較大提高.

表1 雙網(wǎng)絡(luò)并行模型與其他模型的缺陷識(shí)別準(zhǔn)確率對(duì)比表

圖6為雙網(wǎng)絡(luò)并行模型算法與LibSVM算法、BP神經(jīng)網(wǎng)絡(luò)的大型起重機(jī)金屬結(jié)構(gòu)腐蝕和裂縫缺陷檢測(cè)效果對(duì)比圖.圖中綠色為雙網(wǎng)絡(luò)并行模型算法的檢測(cè)效果圖，藍(lán)色為L(zhǎng)ibSVM算法檢測(cè)效果圖、白色為BP神經(jīng)網(wǎng)絡(luò)檢測(cè)效果圖.

圖6 起重機(jī)金屬結(jié)構(gòu)檢測(cè)結(jié)果圖Fig.6 Crane metal structure detection result diagram

從圖6可看出，在面對(duì)不同尺度的起重機(jī)金屬結(jié)構(gòu)的缺陷識(shí)別時(shí)，本文中提出的雙網(wǎng)絡(luò)并行模型算法更具魯棒性，而LibSVM算法、BP神經(jīng)網(wǎng)絡(luò)雖然能夠識(shí)別框出起重機(jī)金屬結(jié)構(gòu)缺陷，但其準(zhǔn)確度不如雙網(wǎng)絡(luò)并行的卷積神經(jīng)網(wǎng)絡(luò)模型.

4 結(jié) 論

傳統(tǒng)機(jī)器視覺(jué)在大型起重機(jī)金屬結(jié)構(gòu)的缺陷識(shí)別應(yīng)用中，存在數(shù)據(jù)量大、特征空間維度高，單一特征提取算法難以滿足大型起重機(jī)金屬結(jié)構(gòu)缺陷的識(shí)別.本文中提出將雙網(wǎng)絡(luò)并行模型的智能視覺(jué)檢測(cè)技術(shù)應(yīng)用于該領(lǐng)域，提高缺陷識(shí)別的性能與效率，并通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法的有效性，得到如下結(jié)論：

1) 與傳統(tǒng)的起重機(jī)缺陷檢測(cè)算法比較，雙網(wǎng)絡(luò)并行模型的卷積神經(jīng)網(wǎng)絡(luò)算法不僅通過(guò)圖像池化操作降低了特征空間維度，還通過(guò)將全連接層上的每個(gè)神經(jīng)元與輸入特征圖上的每個(gè)像素建立連接，綜合提取圖像特征算法，使其具有更好的魯棒性，識(shí)別效率更高.

2) 通過(guò)雙網(wǎng)絡(luò)并行模型與單網(wǎng)絡(luò)模型、傳統(tǒng)機(jī)器視覺(jué)識(shí)別方式的實(shí)驗(yàn)性能對(duì)比，驗(yàn)證了雙網(wǎng)絡(luò)并行模型算法在識(shí)別金屬結(jié)構(gòu)缺陷的準(zhǔn)確度.表1所示淺層次單網(wǎng)絡(luò)卷積模型識(shí)別準(zhǔn)確率最高為87.2%，傳統(tǒng)機(jī)器視覺(jué)識(shí)別準(zhǔn)確率最高為87.8%.而雙網(wǎng)絡(luò)并行模型識(shí)別準(zhǔn)確率最低也有95.3%，表明雙網(wǎng)絡(luò)模型相比于單網(wǎng)絡(luò)卷積模型、傳統(tǒng)機(jī)器視覺(jué)的有效性.

3) 通過(guò)雙網(wǎng)絡(luò)并行模型與SENet網(wǎng)絡(luò)模型的實(shí)驗(yàn)性能對(duì)比，驗(yàn)證了雙網(wǎng)絡(luò)并行模型算法在識(shí)別金屬結(jié)構(gòu)缺陷的效率與準(zhǔn)確度.由于SENet網(wǎng)絡(luò)模型訓(xùn)練參數(shù)量達(dá)到2.75×107，遠(yuǎn)大于雙網(wǎng)絡(luò)并行模型所需訓(xùn)練參數(shù)，空間復(fù)雜度較高，導(dǎo)致缺陷識(shí)別效率較差.而在準(zhǔn)確率方面，其識(shí)別準(zhǔn)確率最高為90.1%，低于雙網(wǎng)絡(luò)并行模型準(zhǔn)確率.