挖掘機生產商自動識別系統的構想與軟件初步設計＊

李秋彤

（長安大學工程機械學院，陜西 西安 710021）

隨著社會智能化程度的不斷提高，智能控制技術在工程機械控制中的運用越來越廣泛，工程機械產業的智能化進程不斷加快[1]。為使機群中挖掘機的協同工作效果達到最佳，需要加強對挖掘機的智能化管理和科學調度，挖掘機制造商識別系統的設計與完善，對于實現工程機械的智能化、集群化管理具有重要意義[2]。近年來，深度神經網絡開始走向實用化，隨著深度學習的快速發展，計算機視覺領域中各種視覺處理任務的效果得到了極大提高[3]。為了取得進一步突破，許多科研人員開始從人類視覺特性角度出發，結合額外知識表示進行圖像處理[4]。本文選定Alexnet深度學習網絡進行訓練，通過調整模型的參數，探究特征提取網絡參數改變對挖掘機生產商識別效果的影響。

1 繪制軟件初步設計流程圖

繪制流程圖有助于更加順利地完成課題，在正式開始軟件設計流程之前，有必要先繪制軟件設計流程圖，軟件初步設計流程圖如圖1所示。

圖1 軟件初步設計流程圖

2 圖像識別網絡模型的選用

本文主要以挖掘機為研究對象，識別任務目標體積較大，因此需要網絡適合識別大中型目標。本文所使用的挖掘機數據集較小，要求網絡具有良好的特征學習能力和較強的抗過擬合性能，同時要求盡可能提高網絡識別的訓練速度，并且還對網絡的可移植性有一定的要求[5]。因此，選擇較為基礎且易于掌握的Alexnet作為本次實驗的基礎框架。

3 圖像樣本數據集的建立

1）圖像數據集的構建。本文依據不同的挖掘機生產商圖像建立了一個包含18家挖掘機生產商圖像的樣本數據集，共計搜集了900張圖片，基本包含了工程實際生產中常見的挖掘機生產商。由于資源搜集能力的限制，每一家廠商搜集到50張照片。為了保證識別的精度，每個圖像中僅有一輛或兩輛挖掘機，并且圖像中的生產商特征沒有重疊或損壞，如圖2所示。

圖2 數據集中的圖像舉例

2）圖像數據集的標簽化處理。由于深度學習算法屬于有監督的學習方式[6]，需要采用有標簽的樣本圖片進行訓練，采集得到的各型挖掘機圖像并沒有標簽，因此需要對所搜集的挖掘機圖像進行人工標定。識別的目標為挖掘機生產商，理論上打標簽的對象為挖掘機身上的生產商標志，但是在實際工程應用中需要識別整個挖掘機，本文創新性地設計了“整機+生產商標志”的組合數據集，既解決了實際工程中的整機識別問題，又保證了識別精度。為了測試不同標簽方法的識別效果，本文嘗試建立了3種不同的數據集即生產商標志數據集、“整機+生產商標志”數據集和整機數據集，本文分別對3種數據集進行網絡訓練，并根據最終的訓練結果選定最優的數據集方案。

3）圖像數據集的歸一化處理。網絡模型中的訓練數據來自于imagelabeler裁剪出來的圖像，裁剪出來的圖像大小并不能做到完全一致，所以存在圖像規格不統一的問題。又因為Alexnet網絡模型所要求的圖像輸入尺寸為227×227×3，所以本文對搜集到的挖掘機圖像進行了歸一化處理，統一了數據集中圖像的規格。

4）圖像數據集的擴充。本文通過旋轉圖像、添加噪聲等手段進行了圖像數據集的擴充。

通過以上步驟，最終生成來自18家挖掘機生產商的4500幅圖像。每個生產商有250張圖像，每張圖像的尺寸為227×227×3。

4 網絡模型訓練

采用遷移學習方法訓練得到的網絡模型識別精度更高、訓練效果更好[7]，因此本文采用遷移學習方法。在對本次實驗的數據集進行訓練后，通過不斷調整網絡的參數，使網絡與本文數據集更好匹配，提高訓練精度，減少訓練時長，最終找到使得網絡的性能和實用性達到最優的一組網絡模型。

通過不斷調試Alexnet網絡的主要參數，得到了若干組網絡模型，其中權重為5、偏差為5、Minibatchsize為10、MaxEpochs為6、學習率為0.0001、測驗頻率為10的一組網絡模型的準確率為87.89%，為本次試驗最佳結果。

5 優化對比實驗

1）挖掘機生產商類別數的對比實驗。分別使用挖掘機生產商類別數為9家、18家、27家的數據集進行訓練，三類數據集每類的圖像數量一致。在對比實驗中的三次訓練使用了相同的參數，訓練結果如圖3、圖4、圖5所示。

圖3 9類生產商識別結果

圖4 18類生產商識別結果

圖5 27類生產商識別結果

由訓練結果可知，在使用相同網絡和參數的情況下，使用9組生產商的數據集的識別精度為91.78%，訓練時間為8 min24 s；使用18組生產商的數據集的識別精度為87.89%，訓練時間為23 min10 s，使用27組生產商的數據集的識別精度為82.15%，訓練時間為116 min25 s。隨著輸入訓練的數據集的類別增多，網絡的識別精度逐漸下降，且訓練時間不斷上升，綜合考慮訓練時間與訓練精度的影響，以及最終工程應用中需要的識別種類，決定選用18家目前市面常見的挖掘機生產商作為數據集，既能夠保證較高的識別率和訓練速度，又可以涵蓋目前市面上的大部分生產商。

2）使用不同標簽標定數據集的對比實驗。分別使用只有生產商標志的數據集、“整機+生產商標志”的數據集以及挖掘機整機的數據集進行訓練，保持三類數據集的圖像數量相同，并且在對比實驗中的訓練使用了相同的參數。生產商標志的數據集中共18類，每類有250張生產商標志圖像，訓練后精度為91.33%；挖掘機“整機+生產商標志”的數據集共18類，每類有250張圖像，其中整機圖像200張，生產商標志圖像50張，訓練后精度為87.89%；挖掘機整機的數據集共18類，每類有250張整機圖像，訓練后精度為83.33%。

在使用相同網絡和參數的情況下，使用僅有生產商標志的數據集精確度最高，但若輸入挖掘機整機圖像其無法識別挖掘機生產商，只能輸入生產商標志進行識別，“整機+生產商標志”數據集識別率明顯高于僅有挖掘機整機的數據集。實驗結果表明，使用挖掘機整機與生產商標志混合的數據集可以有效提高訓練效果。

6 總結

文章對挖掘機生產商圖像識別系統軟件設計展開研究。介紹了挖掘機生產商自動識別系統的建立過程，對圖像樣本數據集的建立和模型訓練及數據對比都進行了較為詳細的介紹。并采用基于深度學習技術的網絡Alexnet，通過實驗對網絡參數進行了測試與優化，提高了挖掘機生產商的識別精度。從實驗結果來看，本算法可以滿足實際工程生產的要求。