文｜孫振

一、引言

法蘭是一種常見的密封接頭，容易出現(xiàn)表面缺陷，導(dǎo)致連接和泄漏故障。由于其在連接中的關(guān)鍵作用，法蘭的質(zhì)量檢查至關(guān)重要。目前的檢測方法通常是手動執(zhí)行的，然而，由于工作疲勞等影響因素可能會導(dǎo)致故障檢測的結(jié)果并不理想。此外，每天對大量法蘭類產(chǎn)品進(jìn)行檢查既會耗費(fèi)昂貴的人力物力又會造成勞動密集，且目前還未有合適的自動化方法來取代手工工作，因此迫切需要一種法蘭表面質(zhì)量自動檢測方法。

通常情況下，法蘭的安裝位置是一個復(fù)雜的結(jié)構(gòu)，包括孔、環(huán)和其他3D技術(shù)，因此3D成像技術(shù)在法蘭建模方面將面臨重大挑戰(zhàn)。此外還包括，金屬凸緣在表面上有反射和陰影、由于用途和加工技術(shù)，表面粗糙度和紋理不一致等因素?？傊?，需要優(yōu)化的照明系統(tǒng)，以消除金屬表面產(chǎn)生反射等情況的負(fù)面影響，需要動態(tài)獲取法蘭全視角清晰圖像的成像平臺，以及識別缺陷的穩(wěn)健算法。在人工智能算法日益顯著的優(yōu)勢下，本文提出了基于神經(jīng)網(wǎng)絡(luò)的架構(gòu)搜索算法用于解決表面缺陷檢測的任務(wù)，實(shí)現(xiàn)了可靠的復(fù)雜結(jié)構(gòu)法蘭表面缺陷檢測。該方法可分為三個主要的部分：搜索空間的建立、搜索空間的連續(xù)化和架構(gòu)損失及權(quán)重?fù)p失的優(yōu)化。

二、可微分搜索空間的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法

在算法結(jié)構(gòu)設(shè)計中，傳統(tǒng)的算法本質(zhì)上是手動的，有一些限制。自從深神經(jīng)網(wǎng)絡(luò)出現(xiàn)以來，設(shè)計已經(jīng)取得了很大的進(jìn)步。具有性能優(yōu)秀的架構(gòu)，此架構(gòu)通常由經(jīng)驗(yàn)豐富的專家設(shè)計后經(jīng)過復(fù)雜的參數(shù)調(diào)優(yōu)實(shí)現(xiàn)。這項(xiàng)研究選擇基于自動神經(jīng)搜索算法進(jìn)行構(gòu)建，在這種算法中，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)完全建立在對最佳連接的搜索算法的追求上，而不需要人類專家的設(shè)計和適應(yīng)。

（一）網(wǎng)絡(luò)架構(gòu)

我們已經(jīng)簡化了整個網(wǎng)絡(luò)架構(gòu)的轉(zhuǎn)換來計算搜索cell的結(jié)構(gòu)，轉(zhuǎn)換cell的內(nèi)部連接來學(xué)習(xí)有向邊操作，從而簡化了對網(wǎng)絡(luò)架構(gòu)的搜索。

在本文的架構(gòu)由不同的cell通過自動搜索的方式堆疊，最終形成模型，本文關(guān)注的輸入模塊、學(xué)習(xí)和自動數(shù)據(jù)輸出算法，可以讓模型有效地完成，再融合關(guān)注的輸入特性時，得到一個輸入特征，最后得到關(guān)注分?jǐn)?shù)，。

通過引入重點(diǎn)模塊，可以確定更獨(dú)特的特點(diǎn)，添加重點(diǎn)模塊可以持續(xù)改進(jìn)性能，減少剩余特性和標(biāo)準(zhǔn)參數(shù)。

（二）雙層聯(lián)合優(yōu)化方法

由于內(nèi)部優(yōu)化的復(fù)雜性，難以計算結(jié)構(gòu)復(fù)雜的梯度。因此，理想的梯度算法簡化了近似算法。如式(3-2)所示。

圖1 損失變化圖

三、實(shí)驗(yàn)結(jié)果

網(wǎng)絡(luò)結(jié)構(gòu)搜索算法改進(jìn)了傳統(tǒng)的機(jī)器學(xué)習(xí)算法，它的優(yōu)勢在于對深度學(xué)習(xí)模型的結(jié)構(gòu)進(jìn)行修正實(shí)現(xiàn)端到端的檢測、識別等任務(wù)。NAS的搜索空間被認(rèn)為是神經(jīng)網(wǎng)絡(luò)搜索的一個局限性區(qū)域。優(yōu)化搜索空間的難度直接影響(NAS)：如何建立高效率的搜索空間，本文中提出的算法使用了結(jié)構(gòu)參數(shù)的最佳解決辦法并通過不斷的使用搜索權(quán)重得到最優(yōu)算法。

圖2 損失曲線圖

四、結(jié)語

針對傳統(tǒng)檢測方法在法蘭類產(chǎn)品缺陷檢測中存在的兩大缺點(diǎn)：一是特征選擇費(fèi)時費(fèi)力且依賴專業(yè)人員經(jīng)驗(yàn)，二是檢測精度與實(shí)時性不理想，本文提出了一種可微分搜索空間的神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索算法，該算法無需領(lǐng)域?qū)＜以O(shè)計與調(diào)參，真正實(shí)現(xiàn)端到端的非接觸式法蘭類產(chǎn)品缺陷檢測，與目前主流的檢測算法相比，在檢測精度與實(shí)時性方面均有較大提升，有效地克服了以往依靠人工設(shè)計缺陷特征的機(jī)器學(xué)習(xí)方法的不足。