基于卷积神级网络目标检测算法的汽车座椅外观检测模型的训练研究9700字【论文】

[24]，如图4-4所示。（a）传统残差块（b）改进残差块图4-4Resnet中残差块实例从图4-4（b）中可以看出，改进后的残差块与inception结构同样采用1*1的卷积核来进行维度的缩放，降低了参数的数量，更有利于计算。4.4汽车座椅缺陷检测模型的训练结果在深度学习中、采用区块选择的检测与判别算法中FasterRCNN是最为优秀的。它与RCNNFastRCNN相比较而言，解决了在提取卷积特征值时那些复杂冗多操作，定义了RPN结构，采用GPU共同进行计算，极大的增加了运算能力，与此同时使算法的检测和判别的速度得到了极大的提高，而准确度仍保持着之前的优秀水平。由于本次实验中数据集较少，所以训练网络模型时采取迁移学习的方法，通过使用经过ResNet50网络模型进行训练，训练参数通过优化调整，完成训练，并将训练好的模型保存为.pth格式。在构建好了网络的总体结构后，分别对批次大小、卷积核大小、训练器的优化器进行了多次对比实验。batch_size设置为1~6进行训练，发现在batch_size等于1的时候最合适。模型性能最好。根据试验结果表明。在根据预设结构构建好的10层残差网络上训练时，选用3×3的滤波器规模，采用一次7×7的池化操作，全连接后softmax输出。数据集划分方式比例为7：2：1的train_set、test_set集、validation_set比例。选取categorical_crossentropy作为loss、Adagrad作为optimizer时，网络收敛最快。达到了89.74%的正确率。图4-5成功识别结果图5结论5.1工作总结随着深度学习近些年来的快速发展以及机械生产自动化日益增长的需求，深度学习在机械自动化领域有着越来越多的应用，例如自动分类、人脸识别等不断出现，而对于汽车座椅缺陷检测，一直以来开发的系统还比较少见，因此本文汽车座椅缺陷检测系统完成了以下工作：1.查询文献资料，对目前缺陷检测识别算法进行理解分析，最终选取卷积神经网络作为识别算法；2.针对训练数据量过少的问题，采用迁移学习的方法对预训练模型进行fine-tuning，以提高识别准确率，防止出现过拟合。并使用同一个数据集分别对Alexnet、GoogLeNet、ResNet50进行训练，最终选择准确率最高的ResNet50作为识别模型，并将训练好的模型保存为.pth文件；3.搭建操作界面，进行图片的读取、检测、缺陷标注输出的过程。5.2未来展望本次实现针对座椅缺陷开发了一个检测系统，虽然取得了一定的成果，但还有一些可以进步的空间：1.座椅缺陷图像数目过小，并且每种座椅形状、颜色等外观难以统一，导致识别模型无法达到一个很高的精度。对此可以选择加大工厂的缺陷座椅数据采集量来补充数据集；2.在数据处理过程中会将座椅的缝线部分划入缺陷范围内导致经过迁移学习训练的识别模型识别效果有一定影响。对此可以选择缺陷分块标注的方法；3.本次在线识别系统只能将采集到的病害图片上传至电脑再进行识别，有一定的局限性，不能完成实时拍照上传并识别。对此可以利用训练好的模型开发出适配移动端的软件，便于用户随时随地完成识别。参考文献王茵.计算机视觉在工业检测中的应用研究[D].贵州大学,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,邱书波.用于皮革缺陷检测的方法研究[J].皮革科学与工程,2008(02):24-27.朱凌云,严飞华,李汶松.基于视觉显著度的皮革表面瑕疵检测[J].计算机工程与科学,2016,38(03):549-555.甄燕.基于图像检测技术的皮革缺陷检测的分析[J].科技与企业,2012(21):101+100.李健,韩玮,郑东.一种皮革表面缺陷检测分类方法的研究[J].计算机测量与控制,2010,18(12):2733-2734+2747.张立保.基于区域增长的遥感影像视觉显著目标快速检测[J].中国激光,2012,39(11):210-216.陈虹.基于纹理分析的皮革缺陷检测的应用研究[D].四川师范大学,2011.万长青.基于红外热像技术的汽车座椅皮革表面质量检测研究[D].沈阳工业大学,2018.曹燕,李欢,王天宝.基于深度学习的目标检测算法研究综述[J].计算机与现代化,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