機巡圖像識別算法(Faster R-CNN算法)存在識別精度低的不足,為此提出基于邊緣計算的機巡圖像缺陷識別算法。通過對機巡圖像缺陷特征提取,再利用RPN網(wǎng)絡(luò)獲取目標候選區(qū)域,利用邊緣計算優(yōu)化Faster R-CNN算法,在此基礎(chǔ)上,實行Faster R-CNN訓練,再通過正負樣本和損失函數(shù)對目標區(qū)域?qū)嵤┚_分類,從而識別出機巡圖像缺陷,至此完成基于邊緣計算的機巡圖像缺陷識別算法研究。通過與傳統(tǒng)算法、未經(jīng)優(yōu)化的Faster R-CNN算法作對比實驗,實驗結(jié)果表明,提出的基于邊緣計算的機巡圖像缺陷識別算法能更有效地識別機巡圖像缺陷。

【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)域建議訓練網(wǎng)絡(luò)(RPN網(wǎng)絡(luò))組成的。在采用FasterR-CNN識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對候選區(qū)域作訓練。然而,FasterR-CNN存在對候選區(qū)域分類計算,在....

圖2 RPN網(wǎng)絡(luò)結(jié)構(gòu)圖

式中,dw(P)、dh(P)代表在訓練訓練樣本過程中學習到的尺度縮放參數(shù),通過公式(4)對候選區(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,利用邊緣計算對FasterR-CNN算法作進一步優(yōu)化。

圖3 非極大值抑制示意圖

通過公式(9)計算像素點的梯度幅值,再對其實施非極大值抑制。通過尋找機巡圖像邊緣像素點的局部最大值,抑制其附近的非局部最大值點,去掉大部分非邊緣點,縮小目標區(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點的梯度方向,如果其灰度值滿足公式(....

圖4 Faster R-CNN訓練過程示意圖

FastR-CNN和RPN網(wǎng)絡(luò)共享多個卷積層,訓練的具體過程如下:第一步,在ImageNet上對初始化的RPN網(wǎng)絡(luò)參數(shù)作訓練,對一個區(qū)域建議訓練網(wǎng)絡(luò)采取獨立訓練的方式;第二步,利用上一步的得到的區(qū)域建議訓練網(wǎng)絡(luò),提取出機巡圖像的目標區(qū)域(圖像缺陷),對FastR-CNN作訓練....

本文編號：4023372