機(jī)巡圖像識(shí)別算法(Faster R-CNN算法)存在識(shí)別精度低的不足,為此提出基于邊緣計(jì)算的機(jī)巡圖像缺陷識(shí)別算法。通過對(duì)機(jī)巡圖像缺陷特征提取,再利用RPN網(wǎng)絡(luò)獲取目標(biāo)候選區(qū)域,利用邊緣計(jì)算優(yōu)化Faster R-CNN算法,在此基礎(chǔ)上,實(shí)行Faster R-CNN訓(xùn)練,再通過正負(fù)樣本和損失函數(shù)對(duì)目標(biāo)區(qū)域?qū)嵤┚_分類,從而識(shí)別出機(jī)巡圖像缺陷,至此完成基于邊緣計(jì)算的機(jī)巡圖像缺陷識(shí)別算法研究。通過與傳統(tǒng)算法、未經(jīng)優(yōu)化的Faster R-CNN算法作對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,提出的基于邊緣計(jì)算的機(jī)巡圖像缺陷識(shí)別算法能更有效地識(shí)別機(jī)巡圖像缺陷。

【文章頁數(shù)】：4 頁

【部分圖文】：

圖1 優(yōu)化的Faster R-CNN的網(wǎng)絡(luò)結(jié)構(gòu)

FasterR-CNN可以看作是由FastR-CNN和區(qū)域建議訓(xùn)練網(wǎng)絡(luò)(RPN網(wǎng)絡(luò))組成的。在采用FasterR-CNN識(shí)別圖像缺陷的過程中,先采用RPN網(wǎng)絡(luò)選取候選區(qū)域,然后通過FastR-CNN對(duì)候選區(qū)域作訓(xùn)練。然而,FasterR-CNN存在對(duì)候選區(qū)域分類計(jì)算,在....

圖2 RPN網(wǎng)絡(luò)結(jié)構(gòu)圖

式中,dw(P)、dh(P)代表在訓(xùn)練訓(xùn)練樣本過程中學(xué)習(xí)到的尺度縮放參數(shù),通過公式(4)對(duì)候選區(qū)域采取尺度縮放操作。所用的RPN網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。在得到候選區(qū)域后,利用邊緣計(jì)算對(duì)FasterR-CNN算法作進(jìn)一步優(yōu)化。

圖3 非極大值抑制示意圖

通過公式(9)計(jì)算像素點(diǎn)的梯度幅值,再對(duì)其實(shí)施非極大值抑制。通過尋找機(jī)巡圖像邊緣像素點(diǎn)的局部最大值,抑制其附近的非局部最大值點(diǎn),去掉大部分非邊緣點(diǎn),縮小目標(biāo)區(qū)域的范圍。非極大值的抑制示意圖如圖3所示。如圖3所示,用線條((P1,P2)方向表示P點(diǎn)的梯度方向,如果其灰度值滿足公式(....

圖4 Faster R-CNN訓(xùn)練過程示意圖

FastR-CNN和RPN網(wǎng)絡(luò)共享多個(gè)卷積層,訓(xùn)練的具體過程如下:第一步,在ImageNet上對(duì)初始化的RPN網(wǎng)絡(luò)參數(shù)作訓(xùn)練,對(duì)一個(gè)區(qū)域建議訓(xùn)練網(wǎng)絡(luò)采取獨(dú)立訓(xùn)練的方式;第二步,利用上一步的得到的區(qū)域建議訓(xùn)練網(wǎng)絡(luò),提取出機(jī)巡圖像的目標(biāo)區(qū)域(圖像缺陷),對(duì)FastR-CNN作訓(xùn)練....

本文編號(hào)：4023372