《表1 提出的CNN模型及参数设置》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习特征和非线性支持向量机的板材表面缺陷识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:Conv为卷积层，Pooling为池化层，FC为全连接层。

从图2和图3中可以发现，板材表面的图像中存在大量相似的细节特征，并且板材表面缺陷图像存在类内不统一和类间相接近的问题，即同一种缺陷图像之间存在诸多不同，与不同板材表面的缺陷之间也拥有诸多相似之处，因此，单一的特征提取方法并不能很好地将其进行区分。为了进一步提升板材表面缺陷识别的精度，笔者考虑到深度神经网络具有主动特征学习的优势，提出了一种基于CNN和NSVM的板材表面缺陷识别模型。CNN模型的网络结构如图4所示，网络结构的设计参数如表1所示。该模型主要由卷积层、池化层、激活层、Dropout层和全连接层构成。模型的输入层为227×227的板材表面缺陷彩色图像，该模型首先经过8个连续的非线性映射，包括卷积、最大池化和激活，将原始的图像投影到深层的特征空间中。其中，卷积核的大小分别对应为1×1，1×1，5×5，3×3，5×5，3×3，3×3和3×3，激活函数均采用S-shaped rectified linear activation unit（S-ReLU）激活函数[15]。每层对应的特征图个数分别为48，96，96，256，256，384，384，256。首先，运用一个4 096维的全连接层，将分布式的特征数据集合到一个4 096维的样本空间中；随后，使用Dropout层（随机筛除比例0.5）对权重进行随机筛选，筛除冗余权重，并再次使用S-ReLU激活函数对特征向量进行激活；最后通过两个连续的全连接层将特征进行融合，全连接层的维度分别为4 096和3。在特征提取的模型训练阶段，在最后的3维全连接层后分别添加损失函数层和精度计算层，损失函数采用Softmax函数，最终获取模型的训练精度。将63 510张图片随机地以7∶1∶1∶1的比例按照种类划分为训练集、验证集和两部分测试集，其中训练集44 457张，验证集4 445张，两部分的测试集均为7 304张图片，并将全部RGB的彩色jpg图像转换为lmdb格式的数据。