基于卷積神級網(wǎng)絡(luò)目標檢測算法的汽車座椅外觀檢測模型的訓練研究9700字【論文】

[24]，如圖4-4所示。（a）傳統(tǒng)殘差塊（b）改進殘差塊圖4-4Resnet中殘差塊實例從圖4-4（b）中可以看出，改進后的殘差塊與inception結(jié)構(gòu)同樣采用1*1的卷積核來進行維度的縮放，降低了參數(shù)的數(shù)量，更有利于計算。4.4汽車座椅缺陷檢測模型的訓練結(jié)果在深度學習中、采用區(qū)塊選擇的檢測與判別算法中FasterRCNN是最為優(yōu)秀的。它與RCNNFastRCNN相比較而言，解決了在提取卷積特征值時那些復雜冗多操作，定義了RPN結(jié)構(gòu)，采用GPU共同進行計算，極大的增加了運算能力，與此同時使算法的檢測和判別的速度得到了極大的提高，而準確度仍保持著之前的優(yōu)秀水平。由于本次實驗中數(shù)據(jù)集較少，所以訓練網(wǎng)絡(luò)模型時采取遷移學習的方法，通過使用經(jīng)過ResNet50網(wǎng)絡(luò)模型進行訓練，訓練參數(shù)通過優(yōu)化調(diào)整，完成訓練，并將訓練好的模型保存為.pth格式。在構(gòu)建好了網(wǎng)絡(luò)的總體結(jié)構(gòu)后，分別對批次大小、卷積核大小、訓練器的優(yōu)化器進行了多次對比實驗。batch_size設(shè)置為1~6進行訓練，發(fā)現(xiàn)在batch_size等于1的時候最合適。模型性能最好。根據(jù)試驗結(jié)果表明。在根據(jù)預設(shè)結(jié)構(gòu)構(gòu)建好的10層殘差網(wǎng)絡(luò)上訓練時，選用3×3的濾波器規(guī)模，采用一次7×7的池化操作，全連接后softmax輸出。數(shù)據(jù)集劃分方式比例為7：2：1的train_set、test_set集、validation_set比例。選取categorical_crossentropy作為loss、Adagrad作為optimizer時，網(wǎng)絡(luò)收斂最快。達到了89.74%的正確率。圖4-5成功識別結(jié)果圖5結(jié)論5.1工作總結(jié)隨著深度學習近些年來的快速發(fā)展以及機械生產(chǎn)自動化日益增長的需求，深度學習在機械自動化領(lǐng)域有著越來越多的應用，例如自動分類、人臉識別等不斷出現(xiàn)，而對于汽車座椅缺陷檢測，一直以來開發(fā)的系統(tǒng)還比較少見，因此本文汽車座椅缺陷檢測系統(tǒng)完成了以下工作：1.查詢文獻資料，對目前缺陷檢測識別算法進行理解分析，最終選取卷積神經(jīng)網(wǎng)絡(luò)作為識別算法；2.針對訓練數(shù)據(jù)量過少的問題，采用遷移學習的方法對預訓練模型進行fine-tuning，以提高識別準確率，防止出現(xiàn)過擬合。并使用同一個數(shù)據(jù)集分別對Alexnet、GoogLeNet、ResNet50進行訓練，最終選擇準確率最高的ResNet50作為識別模型，并將訓練好的模型保存為.pth文件；3.搭建操作界面，進行圖片的讀取、檢測、缺陷標注輸出的過程。5.2未來展望本次實現(xiàn)針對座椅缺陷開發(fā)了一個檢測系統(tǒng)，雖然取得了一定的成果，但還有一些可以進步的空間：1.座椅缺陷圖像數(shù)目過小，并且每種座椅形狀、顏色等外觀難以統(tǒng)一，導致識別模型無法達到一個很高的精度。對此可以選擇加大工廠的缺陷座椅數(shù)據(jù)采集量來補充數(shù)據(jù)集；2.在數(shù)據(jù)處理過程中會將座椅的縫線部分劃入缺陷范圍內(nèi)導致經(jīng)過遷移學習訓練的識別模型識別效果有一定影響。對此可以選擇缺陷分塊標注的方法；3.本次在線識別系統(tǒng)只能將采集到的病害圖片上傳至電腦再進行識別，有一定的局限性，不能完成實時拍照上傳并識別。對此可以利用訓練好的模型開發(fā)出適配移動端的軟件，便于用戶隨時隨地完成識別。參考文獻王茵.計算機視覺在工業(yè)檢測中的應用研究[D].貴州大學,2007.C.Yeh,D.-B.Perng.EstablishingaDemeritCountReferenceStandardfortheClassificationandGradingofLeatherHides.2001,18(10):731-738.VasagamSN,MadhanB,ChandrasekaranB,etal.StudiesonselectiveDefectIdentificationofCrustleathersforComputerAidedGrading[J].Journal-AmericanLeatherChemistsAssociation,2013,108(6):210-220.VillarP,MoraM,GonzalezP.ANewApproachforWetBlueLeatherDefectSegmentation[M]//ProgressinPatternRecognition,ImageAnalysis,ComputerVision,andApplications.SpringerBerlinHeidelberg,2011.Du-MingTsai,Tse-YunHuang.Automatedsurfaceinspectionforstatisticaltextures.2003,21(4):307-323.KwonJW,ChooYY,ChoiHH,etal.Developmentofleatherqualitydiscriminationsystembytextureanalysis[C]//TenconIEEERegion10Conference.IEEE,2004.PedramGhamisi,MicaelS.Couceiro,JónAtliBenediktsson,NunoM.F.Ferreira.Anefficientmethodforsegmentationofimagesbasedonfractionalcalculusandnaturalselection[J].ExpertSystemsWithApplications,2012,39(16).MingHuwiHorng,TingWeiJiang,JinYiChen.MultilevelMinimumCrossEntropyThresholdSelectionbasedonHoneyBeeMatingOptimization[J].LectureNotesinEngineeringandComputerScience,2009,2174(1).JinhuiLan,YiliangZeng.Multi-thresholdimagesegmentationusingmaximumfuzzyentropybasedonanew2Dhistogram[J].Optik-InternationalJournalforLightandElectronOptics,2013,124(18).SobralJL.Optimisedfiltersfortexturedefectdetection[C]//IEEEInternationalConferenceonImageProcessing.IEEE,2006.FernandoLópez,JoséManuelPrats,FerrerA,etal.DefectDetectioninRandomColourTexturesUsingtheMIAT2DefectMaps[C]//InternationalConferenceImageAnalysisandRecognition.Springer,Berlin,Heidelberg,2006.于彩香,邱書波.用于皮革缺陷檢測的方法研究[J].皮革科學與工程,2008(02):24-27.朱凌云,嚴飛華,李汶松.基于視覺顯著度的皮革表面瑕疵檢測[J].計算機工程與科學,2016,38(03):549-555.甄燕.基于圖像檢測技術(shù)的皮革缺陷檢測的分析[J].科技與企業(yè),2012(21):101+100.李健,韓瑋,鄭東.一種皮革表面缺陷檢測分類方法的研究[J].計算機測量與控制,2010,18(12):2733-2734+2747.張立保.基于區(qū)域增長的遙感影像視覺顯著目標快速檢測[J].中國激光,2012,39(11):210-216.陳虹.基于紋理分析的皮革缺陷檢測的應用研究[D].四川師范大學,2011.萬長青.基于紅外熱像技術(shù)的汽車座椅皮革表面質(zhì)量檢測研究[D].沈陽工業(yè)大學,2018.曹燕,李歡,王天寶.基于深度學習的目標檢測算法研究綜述[J].計算機與現(xiàn)代化,2020(05):63-69.RenShaoqing,HeKaiming,GirshickRoss,SunJian.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks.[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2017,39(6).J.R.R.Uijlings,K.E.A.Sande,T.Gevers,A.W.M.Smeulders.SelectiveSearchforObjectRecognition[J].InternationalJournalofComputerVision