基于卷積神經(jīng)網(wǎng)絡(luò)模型的缺陷圖像分級學(xué)習(xí)系統(tǒng)設(shè)計

倪 凡，曾 路，黃莉雅

（貴州電網(wǎng)有限責(zé)任公司信息中心，貴州貴陽 550003）

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域的代表性應(yīng)用算法，包含完整的卷積計算行為，具有前饋型神經(jīng)網(wǎng)絡(luò)的全部應(yīng)用優(yōu)勢。輸入層作為卷積神經(jīng)網(wǎng)絡(luò)的頂層信息處理單元，可同時區(qū)分多組應(yīng)用信息參量[1-2]。

缺陷圖像是指像素信息不完整的圖像，必須在模糊節(jié)點的轉(zhuǎn)接配合下，才能實現(xiàn)對參量數(shù)據(jù)的提取與識別[3]。傳統(tǒng)間隔脈沖型圖像整合系統(tǒng)利用“十字定位”法確定缺陷數(shù)據(jù)所在區(qū)域，再通過梯度方向匹配的方式，計算與原始圖像匹配的信息處理權(quán)限。但此方法的節(jié)點識別準(zhǔn)度水平過低，易導(dǎo)致圖像數(shù)據(jù)在單位時間內(nèi)出現(xiàn)快速累積的變化趨勢。為解決此問題，設(shè)計一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的缺陷圖像分級學(xué)習(xí)系統(tǒng)，在CNN 框架、光電編碼器等硬件設(shè)備結(jié)構(gòu)的支持下，實現(xiàn)對應(yīng)用數(shù)據(jù)庫集中化管理。

1 缺陷圖像分級學(xué)習(xí)系統(tǒng)硬件

缺陷圖像分級學(xué)習(xí)系統(tǒng)的硬件執(zhí)行環(huán)境，由CNN 網(wǎng)絡(luò)框架、光電編碼器、分級化處理模塊3 部分組成，具體搭建方法如下。

1.1 CNN網(wǎng)絡(luò)框架

CNN 網(wǎng)絡(luò)框架是缺陷圖像學(xué)習(xí)系統(tǒng)光電編碼器、分級化處理模塊的連接附屬模板，可同時判定缺陷圖像信息輸入與輸出的關(guān)系，一方面可調(diào)整系統(tǒng)內(nèi)部的數(shù)據(jù)存儲帶寬，另一方面也可將必要學(xué)習(xí)權(quán)值參量記錄在相關(guān)存儲結(jié)構(gòu)中[4]。圖像數(shù)據(jù)存儲器作為CNN 網(wǎng)絡(luò)框架的起始執(zhí)行結(jié)構(gòu)，可將內(nèi)部暫存的缺陷圖像信息傳輸至并行計算單元中，在卷積神經(jīng)網(wǎng)絡(luò)FPGA 原則的作用下，建立與片上存儲單元間的物理連接。標(biāo)準(zhǔn)接口存在于CNN 網(wǎng)絡(luò)框架中部，始終與系統(tǒng)學(xué)習(xí)主機保持兼容性連接關(guān)系，在缺陷圖像輸入、輸出數(shù)據(jù)均保持穩(wěn)定的情況下，卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的分級化權(quán)值則可得到精準(zhǔn)匹配，直至學(xué)習(xí)主機完成對所有缺陷圖像數(shù)據(jù)的實時記錄[5-6]。

CNN 網(wǎng)絡(luò)框架如圖1 所示。

圖1 CNN網(wǎng)絡(luò)框架圖

1.2 光電編碼器

光電編碼器隸屬于CNN 網(wǎng)絡(luò)框架的缺陷圖像數(shù)據(jù)處理結(jié)構(gòu)，由內(nèi)部編碼體、外部保護結(jié)構(gòu)共同組成，如圖2 所示。其中，內(nèi)部編碼結(jié)構(gòu)以光電轉(zhuǎn)換器作為核心搭建元件，當(dāng)缺陷圖像學(xué)習(xí)編碼區(qū)快速轉(zhuǎn)動時，轉(zhuǎn)換器結(jié)構(gòu)會自發(fā)選擇合適的信息連接區(qū)間，一方面將與缺陷圖像相關(guān)的數(shù)據(jù)信息完全整合起來，另一方面可借助傳輸信道實現(xiàn)該元件與系統(tǒng)網(wǎng)絡(luò)學(xué)習(xí)框架間的實用連接[7-8]。外部保護結(jié)構(gòu)包含一個支撐框架和多個圖像隔斷層，前者可在光電編碼器執(zhí)行工作的情況下，保持結(jié)構(gòu)體的應(yīng)用穩(wěn)定，后者存在于光電編碼器的不同學(xué)習(xí)區(qū)間中，可在阻隔非必要缺陷圖像信息參量的同時，將必要圖像數(shù)據(jù)編輯成完整的傳輸信息結(jié)構(gòu)體。

圖2 光電編碼器結(jié)構(gòu)圖

1.3 分級化處理模塊

分級化處理模塊是缺陷圖像學(xué)習(xí)系統(tǒng)的最末級硬件執(zhí)行元件，負責(zé)實現(xiàn)圖像輸入端與圖像輸出端間的數(shù)據(jù)轉(zhuǎn)碼連接，包含緩沖器、存儲器、控制器等多個執(zhí)行元件結(jié)構(gòu)，如圖3 所示。

圖3 分級化處理模塊結(jié)構(gòu)圖

當(dāng)缺陷圖像信息進入數(shù)據(jù)緩沖器后，分級化控制元件直接開啟與系統(tǒng)學(xué)習(xí)控制器的實用連接。在缺陷圖像編碼原則的作用下，數(shù)據(jù)存儲器、卷積執(zhí)行器等多個硬件執(zhí)行設(shè)備自發(fā)連接成完整的分級化處理單元[9-10]。對準(zhǔn)電路作為系統(tǒng)中唯一的電子輸出元件，可按照缺陷圖像信息的實際傳輸需求，選擇性連接分級化處理模塊中的數(shù)據(jù)執(zhí)行單元，在實現(xiàn)必要信息參量學(xué)習(xí)處理的同時，緩解缺陷應(yīng)用節(jié)點中的數(shù)據(jù)識別壓力。

2 缺陷圖像分級學(xué)習(xí)系統(tǒng)軟件

在硬件執(zhí)行環(huán)境的支持下，按照圖像缺陷區(qū)間劃分、必要學(xué)習(xí)節(jié)點提取、數(shù)據(jù)庫管理的操作流程，完成必要軟件執(zhí)行環(huán)境搭建，兩相結(jié)合，實現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)模型缺陷圖像分級學(xué)習(xí)系統(tǒng)的順利應(yīng)用。

2.1 圖像缺陷區(qū)間劃分

缺陷區(qū)間是指在完整學(xué)習(xí)圖像中，兩個邊界模糊節(jié)點間的實際位移距離，在卷積神經(jīng)網(wǎng)絡(luò)模型中，該項物理量受到節(jié)點信息承載量、數(shù)據(jù)學(xué)習(xí)速率兩項實用條件的直接影響[11-12]。節(jié)點信息承載量常表示為，在整個系統(tǒng)執(zhí)行時間內(nèi)，該項物理量始終保持相對穩(wěn)定的變化趨勢，出于實用性考慮，在最大識別權(quán)限δ1、最小識別權(quán)限δ0的作用下，參數(shù)體自身的均值水平一直保持不變。數(shù)據(jù)學(xué)習(xí)速率常表示為隨系統(tǒng)執(zhí)行周期時間的延長，該項物理量始終保持不斷增大的變化趨勢，與其他物理量相比，依然具備一定的實用穩(wěn)定性。結(jié)合上述物理量，可將待學(xué)習(xí)圖像的缺陷區(qū)間劃分定義式表示為：

式中，ΔT 代表系統(tǒng)單位執(zhí)行時長的平均變化量，vmax代表缺陷圖像數(shù)據(jù)的最大學(xué)習(xí)識別效率值。

2.2 必要學(xué)習(xí)節(jié)點提取

必要學(xué)習(xí)節(jié)點提取可在圖像缺陷區(qū)間內(nèi)，實現(xiàn)對待學(xué)習(xí)數(shù)據(jù)的調(diào)度與安排。通常情況下，隨著系統(tǒng)內(nèi)缺陷圖像信息的不斷累積，數(shù)據(jù)學(xué)習(xí)所需的等待時間也會逐漸延長，直至將所有信息參量完全整合成可供系統(tǒng)直接調(diào)取的應(yīng)用形式[13-14]。假設(shè)在待整合缺陷圖像數(shù)據(jù)總量不超過yˉ的情況下，系統(tǒng)始終保持良好的信息學(xué)習(xí)能力，而隨著卷積神經(jīng)網(wǎng)絡(luò)運行時間的延長，一部分?jǐn)?shù)據(jù)參量首先經(jīng)過光電編碼器，從散點信息的形式轉(zhuǎn)化為包狀壓縮形式；其次，圖像缺陷區(qū)間逐漸縮小，與之相關(guān)的待學(xué)習(xí)數(shù)據(jù)信息總量也隨之下降。設(shè)wmax代表與系統(tǒng)節(jié)點匹配的最大信息學(xué)習(xí)權(quán)限值，wmin代表與系統(tǒng)節(jié)點匹配的最小信息學(xué)習(xí)權(quán)限值，聯(lián)立式（1），可將必要學(xué)習(xí)節(jié)點的提取表達式定義為：

式中，λ 代表缺陷圖像信息的編碼轉(zhuǎn)化系數(shù)，q代表系統(tǒng)所能承受的缺陷圖像數(shù)據(jù)信息總量。

2.3 數(shù)據(jù)庫管理

數(shù)據(jù)庫管理是基于卷積神經(jīng)網(wǎng)絡(luò)模型缺陷圖像分級學(xué)習(xí)系統(tǒng)搭建的末尾處理環(huán)節(jié)，可在SQL、PL/SQL、TNS、FTP、TELNET 等多個執(zhí)行軟件的作用下，實現(xiàn)在Oracle 主機中的缺陷圖像信息整合，在多個文件日志并存的情況下，通過數(shù)據(jù)分級的方式，完成多個學(xué)習(xí)節(jié)點間的缺陷圖像數(shù)據(jù)識別與處理[15]。總的來說，TNS 軟件是各級數(shù)據(jù)庫單元間的連接節(jié)點，可同時獲取系統(tǒng)控制平臺與Oracle 主機中的缺陷圖像數(shù)據(jù)，隨著JDBC 學(xué)習(xí)模式的不斷完善，Web應(yīng)用逐漸成為系統(tǒng)學(xué)習(xí)客戶端中的程序化應(yīng)用主體。當(dāng)圖像信息累積到既定數(shù)值水平后，所有執(zhí)行軟件同時開啟連接狀態(tài)，以保證系統(tǒng)學(xué)習(xí)指令的順利運行[16-17]。至此，實現(xiàn)了各項軟硬件執(zhí)行結(jié)構(gòu)的搭建，在卷積神經(jīng)網(wǎng)絡(luò)模型的支持下，完成新型缺陷圖像分級學(xué)習(xí)系統(tǒng)設(shè)計。

圖4 數(shù)據(jù)庫管理模式

3 系統(tǒng)應(yīng)用能力檢測

為驗證基于卷積神經(jīng)網(wǎng)絡(luò)模型缺陷圖像分級學(xué)習(xí)系統(tǒng)的實際應(yīng)用能力，設(shè)計如下對比實驗。選取一噪點率較高的模糊圖像作為實驗對象，以搭載新型學(xué)習(xí)系統(tǒng)的控制設(shè)備作為實驗組主機，以搭載間隔脈沖型圖像整合系統(tǒng)的控制設(shè)備作為對照組主機，在既定實驗時間內(nèi)，分別記錄實驗組、對照組相關(guān)實驗指標(biāo)的具體變化情況。

將圖5 所示圖像輸入分析軟件中，根據(jù)不同噪點處色差、色溫、對比度等參量的變化情況，確定數(shù)據(jù)累積量、節(jié)點識別準(zhǔn)度的實際數(shù)值水平。

圖5 待處理缺陷圖像

以10 min 作為單位實驗時長，分別記錄在6 個單位時長內(nèi)，應(yīng)用實驗組、對照組學(xué)習(xí)系統(tǒng)后，缺陷圖像數(shù)據(jù)累積量的實際變化情況，實驗詳情如表1所示。

表1 缺陷圖像數(shù)據(jù)累積量對比表

分析表1 可知，實驗組缺陷圖像數(shù)據(jù)累積量在前5個單位時長內(nèi)，始終保持不斷增大的變化趨勢，從第55 min開始，出現(xiàn)持續(xù)性下降，全局最大值達到5.3×108t，與理想化極值6.7×108t相比，下降了1.4×108t；對照組缺陷圖像數(shù)據(jù)累積量在前3 個單位時長內(nèi)持續(xù)增大，從第4 個單位時長開始，出現(xiàn)明顯的下降趨勢，全局最大值達到8.0×108t，與理想化極值6.7×108t相比，上升了1.3×108t，遠超于實驗組數(shù)值水平。綜上可知，應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)模型的分級學(xué)習(xí)系統(tǒng)，可達到抑制缺陷圖像數(shù)據(jù)在單位時間內(nèi)累積量的目的。

節(jié)點識別準(zhǔn)度是描述缺陷圖像分級化學(xué)習(xí)能力的重要指標(biāo)，通常情況下，前者的數(shù)值水平越大，后者的學(xué)習(xí)能力也就越強，反之則越弱。表2 反映了實驗組、對照組節(jié)點識別準(zhǔn)度的具體變化情況。

表2 節(jié)點識別準(zhǔn)度對比表

分析表2 可知，隨著實驗時間的延長，實驗組節(jié)點識別準(zhǔn)度在小幅上升趨勢后，開始保持波動性穩(wěn)定狀態(tài)，全局最大值達到86%，與理想化極值64%相比，上升了22%；對照組節(jié)點識別準(zhǔn)度在整個實驗過程中，始終保持上升、下降交替出現(xiàn)的變化趨勢，全局最大值僅達到59%，與理想化極值64%相比，下降了5%，更遠低于實驗組數(shù)值水平。綜上可知，應(yīng)用基于卷積神經(jīng)網(wǎng)絡(luò)模型的分級學(xué)習(xí)系統(tǒng)，可在控制缺陷圖像數(shù)據(jù)累積量的同時，實現(xiàn)對學(xué)習(xí)節(jié)點識別準(zhǔn)度的提升。

4 結(jié)束語

通常情況下，一維卷積神經(jīng)網(wǎng)絡(luò)的輸入層只能接收一維與二維數(shù)組信息，且所有一維數(shù)組都只能保持頻譜或時間采樣的處理形式。多維數(shù)組則可以包含多個物理通道，可在接收輸入層信息參量的同時，調(diào)節(jié)整個卷積神經(jīng)網(wǎng)絡(luò)內(nèi)的信息連接關(guān)系。與間隔脈沖型圖像整合系統(tǒng)相比，基于卷積神經(jīng)網(wǎng)絡(luò)模型的缺陷圖像分級學(xué)習(xí)系統(tǒng)采用CNN 框架形式，可在聯(lián)合光電編碼器與分級化處理模塊的基礎(chǔ)上，完成對必要學(xué)習(xí)節(jié)點的提取與處理。從實用性角度來看，缺陷圖像數(shù)據(jù)在單位時間內(nèi)的累積總量開始大幅下降，而節(jié)點識別準(zhǔn)度卻明顯提升，有效解決了由節(jié)點模糊識別行為帶來的局部性圖像缺陷問題。