近年來,數(shù)據(jù)量飛速增長和計(jì)算機(jī)硬件的突破使卷積神經(jīng)網(wǎng)絡(luò)能夠成功的應(yīng)用于各行各業(yè)之中。在工業(yè)檢測識(shí)別領(lǐng)域,隨著對(duì)檢測識(shí)別精度的要求越來越高,卷積神經(jīng)網(wǎng)絡(luò)通過不斷增加網(wǎng)絡(luò)的深度和特征面數(shù)目,提高網(wǎng)絡(luò)的特征提取能力和網(wǎng)絡(luò)的學(xué)習(xí)能力,從而達(dá)到檢測精度的要求。但是在實(shí)際的應(yīng)用過程中,網(wǎng)絡(luò)模型僅僅擁有較高的檢測精度并不能保證模型就能夠部署到工業(yè)生產(chǎn)流水線上去檢測和識(shí)別工件。在工業(yè)生產(chǎn)流水線上檢測缺陷不僅要考慮網(wǎng)絡(luò)模型的精度問題,而且還要考慮工業(yè)生產(chǎn)流水線上檢測的實(shí)時(shí)性以及軟硬件的計(jì)算開銷成本。深度卷積神經(jīng)網(wǎng)絡(luò)模型的尺寸很大,不僅對(duì)存儲(chǔ)訓(xùn)練模型的內(nèi)存要求很高,而且檢測單張圖片的所屬類別的計(jì)算量會(huì)很大,限制了檢測識(shí)別的效率。同時(shí)考慮到在網(wǎng)絡(luò)訓(xùn)練過程中需要大量的已標(biāo)注好的樣本數(shù)據(jù)集,而工業(yè)生產(chǎn)流水線上的工件缺陷復(fù)雜,對(duì)工件的標(biāo)注不僅需要專業(yè)人員進(jìn)行判斷,而且需要花費(fèi)大量的人力成本。因此,本文針對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型中參數(shù)量和計(jì)算量過大的問題,對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行壓縮,并在訓(xùn)練的過程中采用改進(jìn)的主動(dòng)學(xué)習(xí)方法解決工件數(shù)據(jù)集標(biāo)注困難的問題,使網(wǎng)絡(luò)在不損失精度的前提下能夠部署到工業(yè)生產(chǎn)線上去檢測缺陷。本文主要的研... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：58 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)的標(biāo)準(zhǔn)結(jié)構(gòu)

圖 2-1 卷積神經(jīng)網(wǎng)絡(luò)的標(biāo)準(zhǔn)結(jié)構(gòu)Figure 2-1. Standard structure of convolutional neural network2.2.1 卷積層卷積層是卷積神經(jīng)網(wǎng)絡(luò)中最重要的一個(gè)部分，主要是通過卷積運(yùn)算來提取像素級(jí)別的圖像特征。在卷積層中，后一層特征圖譜由前一層的特征圖譜與卷積層中的卷積核進(jìn)行卷積運(yùn)算后得到的，每一個(gè)卷積核采用類似于滑動(dòng)窗口的運(yùn)動(dòng)機(jī)制遍歷前一層整個(gè)特征圖譜，卷積核將前一層中每一小塊區(qū)域的特征信息匯聚到下一層中某一個(gè)點(diǎn)上。當(dāng)滑動(dòng)窗口將特征圖譜遍歷完以后，就會(huì)提取到輸入圖像的某個(gè)局部區(qū)域的特征，如圖 2-2 所示。特別地，在窗口滑動(dòng)的過程中，滑動(dòng)窗口的面積稱之為感受野。卷積層中將前一層特征映射到后一層網(wǎng)絡(luò)中的計(jì)算如公式（2-1）所示。

最大池化

【參考文獻(xiàn)】：
期刊論文
[1]鐵氧體磁瓦表面典型缺陷檢測方法[J]. 蔣紅海,李雪琴,劉培勇,殷國富.  西南交通大學(xué)學(xué)報(bào). 2013(01)
[2]基于圖譜分解和概率神經(jīng)網(wǎng)絡(luò)的圖像分類[J]. 湯進(jìn),張春燕,羅斌.  中國圖象圖形學(xué)報(bào). 2006(05)



本文編號(hào)：2961876