孟曉娟，張月琴，郝曉麗，呂進(jìn)來

太原理工大學(xué) 信息與計算機(jī)學(xué)院，山西 晉中030600

皮帶機(jī)是煤礦井下運輸過程中不可缺少的設(shè)備之一，輸送帶是皮帶機(jī)的核心部件，其狀態(tài)直接影響皮帶機(jī)的安全穩(wěn)定運行[1]。井石、細(xì)桿狀物等尖銳物體，可能會直接穿透皮帶且卡在托輥上，在運動過程中造成皮帶撕裂[2]。此外，如果皮帶工作時間過長，因受力不均導(dǎo)致其表面磨損較大，出現(xiàn)劃痕、劃傷，若長期注意不到，可能導(dǎo)致撕裂[3]。目前大多數(shù)撕裂檢測方法分為接觸檢測[4]和非接觸檢測[5]。接觸檢測通常將托輥裝在可自由移動的托輥架上，借助其壓力進(jìn)行檢測，如擺動托輥檢測法[6]，該方法通過托輥上的皮帶受力情況進(jìn)行檢測，快速簡單，但造價較高，且其在物料運輸中常有較大的煤塊通過落料口，與托輥發(fā)生碰撞，會導(dǎo)致誤檢。非接觸檢測方法大多基于無損檢測理論，如超聲波檢測法[7]，根據(jù)波導(dǎo)管產(chǎn)生的超聲波的送波和受波狀態(tài)不同進(jìn)行檢測，但井下的開采存在復(fù)雜噪音，超聲系統(tǒng)很難接收撕裂信息的回波，檢測準(zhǔn)確率低。隨著機(jī)器視覺的發(fā)展，非接觸檢測運用邊緣提取、圖像分割等方法對皮帶圖像進(jìn)行特征提取。文獻(xiàn)[8]提出邊緣擴(kuò)展的支持向量機(jī)皮帶撕裂檢測方法，采用Canny算子對皮帶裂紋進(jìn)行邊緣提取，通過構(gòu)建支持向量機(jī)模型，以裂紋圖像的像素面積及長寬比幾何特征量作為模型輸入量，判斷皮帶是否存在撕裂。但皮帶裂紋僅選用了單一裂痕，缺乏泛化能力。文獻(xiàn)[9]提出基于機(jī)器視覺的皮帶撕裂檢測系統(tǒng)，采用基于洛倫茲信息測度的線性加權(quán)Ostu分割算法對皮帶圖像進(jìn)行激光條紋分割，運用基于脊線跟蹤的提取算法進(jìn)行條紋中心線提取，根據(jù)中心線的畸變信息來表征皮帶的撕裂狀況。但是該系統(tǒng)僅對撕裂圖像進(jìn)行激光條紋分割，僅能檢測出撕裂這一種破損。文獻(xiàn)[10]設(shè)計了基于LabVIEW和CCD相機(jī)的輸送帶縱向撕裂檢測系統(tǒng)，對采集到的圖像進(jìn)行高斯濾波、邊緣檢測和卷積運算等來提取撕裂特征信號，再對特征信號進(jìn)行閾值分析，來判斷輸送帶是否有撕裂現(xiàn)象發(fā)生。但是該方法需經(jīng)高斯濾波、邊緣檢測等預(yù)處理來獲取特征，使得計算時間冗長。綜上所述，在實際應(yīng)用中，這些檢測方法存在如下問題：

（1）大多數(shù)基于機(jī)器視覺的非接觸檢測方法僅能檢測出單一的破損類型。

（2）大多數(shù)基于圖像的檢測方法均需經(jīng)過二值化、邊緣提取、圖像去噪等預(yù)處理操作，容易造成計算時間冗長。

針對以上問題，深度卷積生成對抗網(wǎng)絡(luò)在處理皮帶圖像過程中，能夠識別多種破損類型；此外，還可直接通過網(wǎng)絡(luò)訓(xùn)練來提取特征，無需進(jìn)行預(yù)處理操作。

1 多分類深度卷積生成對抗網(wǎng)絡(luò)

1.1 問題與解決思路

近年來，深度學(xué)習(xí)以其運用海量數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，實現(xiàn)提取和構(gòu)建目標(biāo)特征的優(yōu)勢，廣泛應(yīng)用于圖像分割[11]、圖像檢測[12]等。但是人們獲取的數(shù)據(jù)往往未經(jīng)標(biāo)注，若采用傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)需對圖像進(jìn)行大量的手動標(biāo)注，十分耗時[13]。2014年，Goodfellow等人[14]提出了生成對抗網(wǎng)絡(luò)（Generative Adversarial Nets，GAN），該網(wǎng)絡(luò)基于零和博弈的思想，通過鑒別器與生成器之間競爭來提取圖像數(shù)據(jù)特征，前者試圖鑒別生成器生成的圖像數(shù)據(jù)來最小化誤差，而后者試圖最大化該誤差，最終二者達(dá)到納什平衡，根據(jù)特征差異來進(jìn)行前背景分割。由于該模型能從訓(xùn)練樣本中自動學(xué)習(xí)得到其數(shù)據(jù)分布，繼而生成新的樣本數(shù)據(jù)，故只需少量的標(biāo)注數(shù)據(jù)。然而訓(xùn)練時該網(wǎng)絡(luò)采用梯度下降法，生成器可能沿某個特征一直訓(xùn)練，導(dǎo)致無法收斂，出現(xiàn)模式崩潰。因此，2016年，Radford等人[15]提出了深度卷積生成對抗網(wǎng)絡(luò)（Deep Convolutional Generative Adversarial Networks，

DCGAN），使用步長卷積代替上采樣層，卷積代替全連接層，使模型能學(xué)習(xí)其自身的空間下采樣，且能學(xué)習(xí)到精準(zhǔn)的圖像特征。生成器和鑒別器幾乎每一層都使用批量歸一化，將輸入歸一化為零均值和一方差，加速了訓(xùn)練。然而，該模型的鑒別器和生成器使用相同的學(xué)習(xí)率，訓(xùn)練時還需小心平衡二者的更新速度，才能避免模式崩潰。為此，Heusel等人[16]提出了雙時間尺度更新規(guī)則（Two Time-scale Update Rule，TTUR），生成器和鑒別器使用不同的學(xué)習(xí)率，即使生成器的變化足夠緩慢，鑒別器仍會收斂，生成器和鑒別器按照1∶1的更新速度進(jìn)行更新，使模型達(dá)到局部納什平衡，但是鑒別器的更新速度比生成器快得多，1∶1的比例未能真正解決鑒別器的收斂問題。

文獻(xiàn)[17]設(shè)計了一種多層感知器深度卷積生成對抗網(wǎng)絡(luò)，將DCGAN判別器上的線性卷積層替換為多層感知器卷積層，使其在底層概念組合成高層次的概念之前，對每個局部特征做一個更好的抽象，來捕獲圖像更深層次的局部特征，采用定量評估方法FID（Frechet Inception Distance）衡量圖像生成質(zhì)量。文獻(xiàn)[18]提出了基于條件深度卷積生成對抗網(wǎng)絡(luò)的圖像識別方法，通過在深度卷積生成對抗網(wǎng)絡(luò)的生成器模型中加入條件，運用卷積網(wǎng)絡(luò)提取特征的能力輔以訓(xùn)練，將訓(xùn)練好的條件深度卷積生成對抗網(wǎng)絡(luò)中的判別器部分抽取出來，添加Softmax函數(shù)建立用于圖像識別的新網(wǎng)絡(luò)模型。

縱觀生成對抗網(wǎng)絡(luò)及其改進(jìn)算法，當(dāng)其應(yīng)用于圖像檢測時，由于生成器使用批量歸一化，會使得生成器中像素空間不均勻覆蓋，生成的圖像容易產(chǎn)生一些偽影。其次，鑒別器的輸出多采用二分類函數(shù)，不能對具有多個類別的圖像準(zhǔn)確檢測。此外，鑒別器和生成器多使用相同的學(xué)習(xí)率，在訓(xùn)練時，可能出現(xiàn)模式崩潰，故本文提出了改進(jìn)的深度卷積生成對抗網(wǎng)絡(luò)，并將其應(yīng)用到皮帶撕裂檢測，創(chuàng)新點如下：

（1）針對生成器使用批量歸一化，在生成圖像中容易產(chǎn)生偽影，影響皮帶撕裂的準(zhǔn)確檢測，以及容易造成計算時間冗長和內(nèi)存占用，本文將生成器中的批量歸一化去掉，不僅能提高撕裂檢測的準(zhǔn)確性，而且能減少網(wǎng)絡(luò)訓(xùn)練的時間。

（2）針對鑒別器模型不能識別多種對象類型，本文將鑒別器的輸出采用多分類softmax函數(shù)，以輸出類別概率的向量，對傳送帶破損出現(xiàn)的劃痕、劃傷及撕裂進(jìn)行準(zhǔn)確分類。

（3）針對鑒別器和生成器多使用相同的學(xué)習(xí)率，使模型出現(xiàn)崩潰，本文引入雙時間尺度更新規(guī)則，生成器和鑒別器使用不同的學(xué)習(xí)率，按α∶β進(jìn)行更新，不僅能夠保持生成器和鑒別器的對抗平衡性，而且提高了鑒別器的訓(xùn)練速度，使得皮帶破損檢測實時性更好。

1.2 多分類深度卷積生成對抗網(wǎng)絡(luò)

在皮帶撕裂檢測中，傳統(tǒng)的深度卷積生成對抗網(wǎng)絡(luò)的生成器模型是一個反卷積神經(jīng)網(wǎng)絡(luò)，它將隨機(jī)噪聲輸入向量，通過輸入層和反卷積層來對皮帶圖像進(jìn)行上采樣特征提取，轉(zhuǎn)化為非常接近真實圖像的偽圖像。但該模型采用了批量歸一化，使生成的皮帶圖像出現(xiàn)偽影，因此本文將不再采用批量歸一化。傳統(tǒng)的鑒別器模型是一個改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)，輸出層采用sigmoid二分類函數(shù)，其輸出介于[0，1]之間。若輸出為1，則表明其輸入圖像為真實數(shù)據(jù)的檢測結(jié)果；若輸出為0，則表明其輸入圖像為來自生成器生成的偽圖像的檢測結(jié)果。由于其二分類的特性，僅能提取出撕裂部位與無破損部位的特征，故僅能檢測出撕裂這一情形，不能識別劃痕和劃傷的破損類型。為了識別皮帶破損的三種類型，即劃痕、劃傷和撕裂，本文受Salimans等人[19]的啟發(fā)，采用了softmax函數(shù)作為鑒別器的輸出函數(shù)，使其成為能夠識別多種對象類型的標(biāo)準(zhǔn)分類器，本文將其稱為多分類深度卷積生成對抗網(wǎng)絡(luò)。

假設(shè)隨機(jī)向量z具有均勻的噪聲分布pz(z)，生成器模型G(z)將其映射到真實圖像的數(shù)據(jù)空間；鑒別器的輸入x是帶有標(biāo)簽y的真實圖像或偽圖像，其分布為pdata(x,y)，鑒別器的全連接層輸出為l={l1,l2,…,lk+1}的k+1維向量，由softmax函數(shù)將其轉(zhuǎn)換為k+1維的類別概率p={p1,p2,…,pk+1}，其中真實圖像將被判別為前k個類別，偽圖像將被判別為第k+1個類別。softmax函數(shù)如式（1）所示：

其中，li表示全連接層輸入的向量，lj表示為全連接層輸出的類別向量，pj表示輸出的類別概率，e為自然對數(shù)的底數(shù)，約等于2.718 28。

本文選擇交叉熵函數(shù)作為鑒別器D(y|x)的損失函數(shù)。交叉熵?fù)p失函數(shù)用來判定實際的輸出與期望的輸出的接近程度，若損失值越小，則模型學(xué)習(xí)得越好，故需要通過損失函數(shù)最小化來優(yōu)化網(wǎng)絡(luò)模型。將其D(y|x)損失函數(shù)定義為式（2）：

其中，j表示類別，y′是期望的類別，pj表示輸出的類別概率。y和y′采用獨熱編碼（one-hot編碼），即若鑒別器輸出為第j類別，則其相應(yīng)位置編碼為1，其余位置編碼均為0。

在本文中，類別標(biāo)簽為1，表示撕裂部位的特征，輸出撕裂部位的檢測結(jié)果；類別標(biāo)簽為2，表示劃傷部位的特征，輸出劃傷部位的檢測結(jié)果；類別標(biāo)簽為3，表示劃痕部位的特征，輸出劃痕部位的檢測結(jié)果；類別標(biāo)簽為4，表示生成器生成的偽圖像的特征，輸出偽圖像的檢測結(jié)果。

2 基于雙時間尺度的多分類深度卷積生成對抗網(wǎng)絡(luò)

2.1 雙時間尺度更新規(guī)則

傳統(tǒng)的深度卷積生成對抗網(wǎng)絡(luò)的生成器和鑒別器采用相同的學(xué)習(xí)率，使得模型在訓(xùn)練過程中需小心平衡生成器和鑒別器的更新速率，否則，易導(dǎo)致網(wǎng)絡(luò)出現(xiàn)模式崩潰。本文受Heusel等人的啟發(fā)，引入雙時間尺度更新規(guī)則，生成器和鑒別器使用不同的學(xué)習(xí)率，并將其按α∶β執(zhí)行更新。

本文中的鑒別器模型定義為D(y|x)且其梯度為h(d)，生成器模型定義為G(z)且其梯度為h(g)，假設(shè)每次迭代訓(xùn)練中鑒別器有m個輸入圖像樣本x(t)，且1≤t≤m，鑒別器模型的梯度h(d)定義為式（3）：

其中，y

生成器模型的梯度h(g)定義為式（4）：

其中，y=k+1為偽圖像類別，m表示輸入圖像樣本，θg為生成器的參數(shù)。

若鑒別器更新過快，則生成器學(xué)習(xí)時間不足，使得提取到的特征不完整；若生成器更新過快，則使鑒別器過早達(dá)到局部最優(yōu)解，模型無法收斂。因此，訓(xùn)練時需小心平衡鑒別器和生成器的更新速率。本文采用雙時間尺度更新規(guī)則，以保證模型穩(wěn)定收斂。本文的更新規(guī)則定義為式（5）：

其中，a和b分別為鑒別器和生成器更新的學(xué)習(xí)率，n為迭代次數(shù)，1≤n≤m，本文按照α∶β的比例對生成器和鑒別器模型進(jìn)行迭代更新，使得網(wǎng)絡(luò)能夠更穩(wěn)定地訓(xùn)練且能更好地提取皮帶圖像特征。因此，鑒別器可以更準(zhǔn)確地識別輸入的皮帶圖像數(shù)據(jù)，生成器可以使其輸出圖像看起來更接近真實皮帶圖像。

2.2 算法設(shè)計及描述

步驟1通過CCD相機(jī)收集帶有區(qū)域光源的傳送帶的圖像，并對其中部分圖像進(jìn)行破損類型標(biāo)注，形成少量的標(biāo)記數(shù)據(jù)集和大量的未標(biāo)記數(shù)據(jù)集。

步驟2構(gòu)建生成器模型，其輸入是一個100維隨機(jī)噪聲向量，通過全連接層，將其轉(zhuǎn)化為16 384維的向量，然后使用reshape函數(shù)，將其轉(zhuǎn)化為4×4×1 024的特征圖；通過反卷積層1、2、3、4進(jìn)行上采樣，最終生成64×64×3的皮帶圖像。本文的反卷積層1、2、3不再使用批量歸一化。模型結(jié)構(gòu)如表1所示。

表1 生成器模型結(jié)構(gòu)Table 1 Generator model structure

步驟3構(gòu)建鑒別器模型：其輸入為64×64×3的圖像，經(jīng)過卷積層1、2、3、4進(jìn)行下采樣，最終輸出4×4×1 024的特征圖，重塑成4×4×1 024維的向量，經(jīng)過全連接層，使用softmax函數(shù)輸出傳送帶破損的劃痕、劃傷、撕裂、偽圖像的概率值。模型結(jié)構(gòu)如表2所示。

表2 鑒別器模型結(jié)構(gòu)Table 2 Discriminator model structure

步驟4訓(xùn)練網(wǎng)絡(luò)，在鑒別器和生成器模型的訓(xùn)練過程中，引入雙時間尺度更新規(guī)則，運用式（5），其中生成器和鑒別器采用不同的學(xué)習(xí)率，以2∶1的比例對其進(jìn)行更新。若式（2）中模型損失值下降到某一點并趨于穩(wěn)定，則表明模型已收斂，從中獲得劃痕、劃傷、撕裂的破損特征。根據(jù)該網(wǎng)絡(luò)模型，預(yù)測皮帶圖像破損類型。

步驟5根據(jù)預(yù)測得到的結(jié)果，系統(tǒng)做出實時響應(yīng)。若出現(xiàn)撕裂，傳送帶立即停止；若出現(xiàn)劃傷，系統(tǒng)發(fā)出警告，并不停止；若檢測到傳送帶正?；蛘叱霈F(xiàn)劃痕，系統(tǒng)正常運行。本文皮帶圖像的檢測過程圖如圖1所示。

圖1 皮帶圖像檢測過程圖Fig.1 Belt image detection process diagram

3 實驗與分析

3.1 數(shù)據(jù)集

本文首先在微軟研究團(tuán)隊構(gòu)建的公開的MS COCO數(shù)據(jù)集上對基于雙時間尺度的多分類深度卷積生成對抗網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，來確定本文算法的泛化能力；然后在自己采集并少量標(biāo)注的皮帶圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練，從而來實現(xiàn)皮帶撕裂檢測。

3.1.1 MS COCO數(shù)據(jù)集

MS COCO數(shù)據(jù)集全稱為Microsoft Common Objects in Context，是目前最常用的目標(biāo)檢測數(shù)據(jù)集。該數(shù)據(jù)集搜集了大量復(fù)雜的日常場景圖像，其中具體定義了80種圖像目標(biāo)類別，2 500 000個標(biāo)簽，共有328 124張圖像。目前圖像數(shù)據(jù)集中訓(xùn)練集含有165 482張圖像，驗證集含有81 208張圖像，測試集含有81 434張圖像。

3.1.2皮帶圖像數(shù)據(jù)集

當(dāng)皮帶機(jī)開啟并達(dá)到恒定速率時添加面光源，CCD相機(jī)用來捕獲皮帶表面的圖像，捕獲的圖像通過數(shù)據(jù)傳輸線傳輸?shù)接嬎銠C(jī)。

采集圖像過程是在理想條件下，即沒有水、灰塵和其他任何可能影響測試結(jié)果的環(huán)境因素。本文共收集了3 200張圖像，分為4組，每組包含800張圖像。實驗參數(shù)是CCD相機(jī)的高度和皮帶的速度。相機(jī)高度決定圖像大小，速度影響圖像的清晰度，其都會影響識別精度。在第一組中，皮帶以低速1 m/min運行，CCD高度為0.4 m，分辨率為900×700。在第二組中，皮帶仍然以低速1 m/min運行，CCD高度為0.8 m，分辨率為1 800×1 400。在第三組中，皮帶以高速度2 m/min運行，CCD高度為0.4 m，分辨率為900×700。在第四組中，傳送帶以高速度2 m/min運行，CCD高度為0.8 m，分辨率為1 800×1 400。從每組圖像中隨機(jī)抽取50張圖像標(biāo)記，這樣，共有200張標(biāo)記的圖像，3 000張未標(biāo)記圖像。

3.2 模型的訓(xùn)練與實驗結(jié)果

本實驗是在pycharm 2017軟件平臺上運行的，python庫包括tensorflow、scipy、numpy等，硬件配置為Windows10操作 系 統(tǒng)，CPU為i5-9300HQ@2.40 GHz，GPU為NVIDIA GeForce GTX 1650。實驗中采用批處理的方式加載數(shù)據(jù)，訓(xùn)練過程中將批處理的大小設(shè)置為7，即每次訓(xùn)練時一個批次加載7張圖片；一個epoch表示一次加載完全部數(shù)據(jù)集的圖像數(shù)據(jù)，本文設(shè)置epoch大小為300，將采集到的圖像大小統(tǒng)一調(diào)整為64×64像素。

3.2.1驗證本文雙時間尺度更新規(guī)則

為了使得模型訓(xùn)練穩(wěn)定，本文在MS COCO數(shù)據(jù)集采用雙時間尺度更新規(guī)則，將生成器和鑒別器的更新按照2∶1的比例進(jìn)行訓(xùn)練，總共進(jìn)行300輪訓(xùn)練。文獻(xiàn)[16]中生成器和鑒別器的收斂情況如圖2所示，本文生成器和鑒別器的收斂情況如圖3所示。

圖2 和圖3中，縱坐標(biāo)表示損失函數(shù)，橫坐標(biāo)表示網(wǎng)絡(luò)迭代次數(shù)，其中g(shù)_loss和d_loss分別表示生成器和鑒別器的損失。圖2中（a）和（b）為采用文獻(xiàn)[16]的損失值變化曲線，其中生成器學(xué)習(xí)率a=0.000 2和鑒別器學(xué)習(xí)率b=0.000 4且其更新比例為α∶β=1∶1。由圖（a）可看出生成器在迭代1 200次的時候出現(xiàn)波動，圖（b）中鑒別器模型出現(xiàn)迭代1 200次的時候出現(xiàn)較大的波動，且在迭代2 000次時出現(xiàn)較小的波動。可見文獻(xiàn)[16]的模型在訓(xùn)練過程中會出現(xiàn)不穩(wěn)定的情況。圖3中（a）和（b）為采用本文算法的損失值變化曲線，其中生成器學(xué)習(xí)率a=0.000 2和鑒別器學(xué)習(xí)率b=0.000 4，且其更新比例為α∶β=2∶1。由圖（a）可看出生成器模型在迭代380次的時候就趨于穩(wěn)定，且損失值降到0.8。由圖（b）可看出鑒別器模型在迭代400次的時候基本趨于穩(wěn)定，且損失值降到0.8?？梢姳疚乃惴▋?yōu)于文獻(xiàn)[16]的訓(xùn)練方法。

圖2 文獻(xiàn)[16]生成器和鑒別器損失函數(shù)圖Fig.2 Loss function diagram of generator and discriminator in Ref.[16]

圖3 本文生成器和鑒別器損失函數(shù)圖Fig.3 Loss function diagram of generator and discriminator in this paper

3.2.2 MS COCO的生成圖像

本文算法將深度卷積生成對抗網(wǎng)絡(luò)的生成器模型中的批量歸一化操作去掉，在MS COCO數(shù)據(jù)集上，DCGAN生成的圖像與本文生成的圖像對比如圖4所示。

圖4 生成圖像對比圖Fig.4 Comparison of generated images

由圖4可看出，與DCGAN相比，在第60輪訓(xùn)練后，本文算法生成的圖像已經(jīng)有了基本的輪廓，效果明顯較好；在300輪訓(xùn)練之后，本文算法生成的圖像相對較好。

3.2.3 MS COCO數(shù)據(jù)集評估

本文采用的實驗評估指標(biāo)主要有精確率（precision）、召回率（recall），且加入mAP（Mean Average Precision）曲線來評估模型的整體性能。AP為精確率隨召回率變化的曲線所包圍的面積，mAP為多個類別的AP的均值。本文中精確率和召回率的計算方法分別如式（6）、式（7）所示：

其中，TP為正確預(yù)測區(qū)域的檢測結(jié)果，F(xiàn)P為將錯誤區(qū)域判定為正確的檢測區(qū)域，F(xiàn)N為將正確的檢測區(qū)域判定為錯誤區(qū)域，即漏檢區(qū)域。

為了分析本文算法的泛化能力，在MS COCO數(shù)據(jù)集上，將本文算法與文獻(xiàn)[17]、文獻(xiàn)[18]進(jìn)行對比。其中文獻(xiàn)[17]采用多層感知器深度卷積生成對抗網(wǎng)絡(luò)；文獻(xiàn)[18]采用條件深度卷積生成對抗網(wǎng)絡(luò)。表3為不同算法模型的對比結(jié)果。圖5為不同算法模型的mAP曲線對比圖。

圖5 MS COCO數(shù)據(jù)集上不同模型的mAP曲線對比圖Fig.5 Comparison of mAP curves of different models on MS COCO data set

表3 MS COCO數(shù)據(jù)集上不同模型的對比結(jié)果Table 3 Comparison results of different models on MS COCO data set

由表3可以看出，在MS COCO數(shù)據(jù)集上，與文獻(xiàn)[17]、文獻(xiàn)[18]相比，本文算法模型的精確率和召回率都是最優(yōu)的。

由圖5可看出，本文算法在多類別檢測中，平均精確率相對來說優(yōu)于文獻(xiàn)[17]和文獻(xiàn)[18]，為95.7%。這是由于文獻(xiàn)[17]的鑒別器還是二分類模型，故在多類別檢測中有所欠缺；文獻(xiàn)[18]鑒別器模型雖然采用了softmax函數(shù)，但是訓(xùn)練時可能會出現(xiàn)波動的情況。

3.2.4本文算法在皮帶撕裂檢測中的應(yīng)用

為了驗證本文算法在皮帶撕裂檢測中的優(yōu)越性，采用皮帶圖像數(shù)據(jù)集進(jìn)行實驗。將本文算法與文獻(xiàn)[17]、文獻(xiàn)[18]的檢測結(jié)果進(jìn)行比較，對比結(jié)果如圖6所示，從左到右分別為原圖、文獻(xiàn)[17]、文獻(xiàn)[18]、本文檢測結(jié)果、基準(zhǔn)，從上到下的破損狀況依次為劃痕、劃傷、撕裂、劃痕+劃傷、劃痕+撕裂、撕裂+劃傷、劃痕+劃傷+撕裂。

由圖6可看出，在檢測撕裂時，三種網(wǎng)絡(luò)模型檢測結(jié)果基本相同；在檢測劃痕、劃傷時，文獻(xiàn)[17]和文獻(xiàn)[18]檢測到的結(jié)果不完整，有缺失；同樣，在檢測一幅圖像中包含多種破損類型時，相對于本文算法來說，文獻(xiàn)[17]和文獻(xiàn)[18]也有欠缺。故本文算法更適合檢測皮帶破損情況。

圖6 檢測結(jié)果對比圖Fig.6 Comparison of test results

為了證明本文算法對于皮帶撕裂檢測的有效性，本文與文獻(xiàn)[17]、文獻(xiàn)[18]的精確率、召回率對比結(jié)果如表4所示，mAP曲線對比圖如圖7所示。

圖7 皮帶圖像數(shù)據(jù)集上不同模型的mAP曲線對比圖Fig.7 Comparison of mAP curves of different models on belt image data set

表4 皮帶圖像數(shù)據(jù)集上不同模型的對比結(jié)果Table 4 Comparison results of different models on belt image data set

由表4可以看出，在皮帶圖像數(shù)據(jù)集上，與文獻(xiàn)[17]、文獻(xiàn)[18]相比，本文算法模型的精確率和召回率也是最優(yōu)的。

由圖7可以看出，當(dāng)模型訓(xùn)練趨于穩(wěn)定時，本文算法的平均精確率最高，達(dá)到96.9%，文獻(xiàn)[18]平均精確率為94.8%，文獻(xiàn)[17]平均精確率為93.9%。因此，本文算法相對來說是最優(yōu)的。

4 結(jié)束語

本文提出了一種可靠且快速的基于多分類深度卷積生成對抗網(wǎng)絡(luò)的皮帶縱向撕裂檢測方法，通過去掉生成器的批量歸一化操作，來減少生成器生成圖像過程中出現(xiàn)的偽影，使得生成器模型提取到的特征更準(zhǔn)確；引入雙時間尺度更新規(guī)則使得模型更快地收斂，防止出現(xiàn)模式崩潰；鑒別器的輸出采用多分類softmax函數(shù)，能對皮帶破損類型進(jìn)行很好的檢測和分類。實驗結(jié)果表明，與其他方法相比，本文方法適用于檢測一幅圖像中出現(xiàn)多種破損的情況，準(zhǔn)確率高，十分可靠。