基于輕量級CNN與主動學習的工件疵病識別方法研究①

姚明海 楊 圳

(浙江工業大學信息工程學院 杭州 310023)

0 引 言

在制造業中，工件上的疵病主要通過人工檢測進行識別。由于受個人精神狀態和主觀因素的影響，人工檢測識別的效率和質量難以確保，傳統的人工識別方法已無法滿足生產需求。與傳統的檢測方法相比，基于卷積神經網絡(convolutional neural network,CNN)的機器視覺是一種無接觸、無損傷的自動檢測技術，是實現設備自動化、智能化的有效手段，具有安全可靠、光譜響應范圍寬、可在惡劣環境下長時間工作和生產效率高等突出優點[1]。近年來，隨著深度學習的發展，基于卷積神經網絡的檢測與識別模型已成功應用于人臉識別[2，3]、圖像檢索[4]、語音識別[5，6]和自然語言處理[7]等研究領域，在工業檢測識別方面[8]也得到廣泛應用。

隨著對網絡性能的要求越來越高，使網絡模型在實際中有更廣泛的應用，許多學者通過對網絡的結構進行改進提出了VGG[9]、GooGLeNet[10]、ResNet[11]等一系列性能優良的網絡。這些網絡模型通過擴展網絡的深度，增加每層網絡的特征面，其識別精度得到了很大的提高[12]。隨著卷積神經網絡的模型越來越復雜，網絡中的參數大大增加，計算量也隨之增加。在實際的工件疵病識別過程中，較大的網絡雖然在識別精度上有了很大提升，但是降低了工件疵病實時檢測的效率，同時網絡的存儲大小和網絡參數的計算對硬件設備的要求很高，不具有普遍性。

訓練卷積神經網絡模型中巨大的網絡參數需要大量數據集的支持。……