CN109741326A - 基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法 - Google Patents
基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法 Download PDFInfo
- Publication number
- CN109741326A CN109741326A CN201910032803.8A CN201910032803A CN109741326A CN 109741326 A CN109741326 A CN 109741326A CN 201910032803 A CN201910032803 A CN 201910032803A CN 109741326 A CN109741326 A CN 109741326A
- Authority
- CN
- China
- Prior art keywords
- layer
- magnetic core
- neural networks
- convolutional neural
- convolutional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 113
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 22
- 208000037656 Respiratory Sounds Diseases 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 56
- 230000004913 activation Effects 0.000 claims description 28
- 238000002790 cross-validation Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 235000017166 Bambusa arundinacea Nutrition 0.000 claims description 3
- 235000017491 Bambusa tulda Nutrition 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 244000082204 Phyllostachys viridis Species 0.000 claims description 3
- 235000015334 Phyllostachys viridis Nutrition 0.000 claims description 3
- 239000011425 bamboo Substances 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 3
- 244000131316 Panax pseudoginseng Species 0.000 claims 1
- 238000003475 lamination Methods 0.000 claims 1
- 206010011376 Crepitations Diseases 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000013668 Facial cleft Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法，无须手工提取裂纹的形状、颜色、分布等特征，只需要提供尽量多的磁芯上表面裂纹的图片，将这些裂纹进行标注，输入到卷积神经网络，该网络能够自动学习裂纹的特征并形成具有泛化能力的检测模型，从而检测出磁芯表面的是否存在裂纹，如果存在将裂纹使用红色进行逐像素进行标注，能够达到99%+的准确率，同时漏检率极低。本发明应用于图像识别的技术领域。
Description
技术领域
本发明涉及图像识别的技术领域，特别涉及基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法。
背景技术
工业领域会大量使用磁芯（铁氧体）生产各种电子设备的线圈和变压器，使用基数庞大，涉及领域通常需要保证磁芯所用的电子器件稳定、持久，如果磁芯有表面裂纹，后续的使用中会因为震动等原因使裂纹扩大造成电子器件故障，所以对磁芯质量的要求严苛，必须保证磁芯不能出现影响使用的表面裂纹。
目前深度学习技术（卷积神经网络是深度学习技术的一种）近两三年来在学术界、工业界都取得了巨大的成就，各大互联网巨头谷歌(Google)、 微软(Microsoft)、脸谱(Facebook)、阿里巴巴、百度等相继成立深度学习研究机构，以解决在图像、语音、文字等领域的各类问题。然而深度学习技术在磁芯表面裂纹检测方面的研究尚未有成果。
磁芯体积通常很小，裂纹形状不规则，同时存在很多极细的、人眼很难直接观测到的裂纹，对于人工检测的难度极大、检测的准确率很低。近几年机器视觉检测磁芯表面裂纹系统问世，目的是辅助人工检测磁芯表面裂纹， 提升检测准确率。这类利用传统机器视觉算法进行磁芯表面裂纹检测的系统，大多数是利用类似于专家决策系统的图像识别算法进行裂纹识别，需要预先手工提取裂纹的形状、颜色、分布等特征。但由于磁芯表面裂纹的形状具有不确定性、分布的离散性，同时磁芯表面凹凸不平、颜色斑杂，这类检测方法无法适应这种复杂的检测，漏检率很高，准确率很低，只有30%~60%。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，提供了一种基于卷积神经网络的磁芯表面裂纹检测模型的确定系统及方法，以解决现有技术所存在的基于类似于专家决策系统的图像识别算法识别磁芯表面裂纹准确率低的问题。
本发明所采用的技术方案是：本发明提供的一种基于卷积神经网络的磁芯表面裂纹检测的确定系统，它包括：
图像信息获取单元：用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集；
卷积神经网络配置单元：用于调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分別进行训练，确定多个不同结构的卷积神经网络的参数；
最优磁芯表面裂纹检测模型确定单元：用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络，将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型；
第二图像信息获取单元，用于获取磁芯表面裂纹图像信息作为测试集；
测试单元，用于将所述测试集输入最优磁芯表面裂纹检测模型，得到测试集中各测试样本的磁芯表面裂纹检测结果，统计磁芯表面裂纹检测结果的准确性。
优选的，所述卷积神经网络的结构包括：输入层、第一卷积层、第二卷积层、.....、第二十四卷积层、第一池化层、第二池化层、.....、第二十四池化层及全连接输出层；
所述输入层，用于输入磁芯表面裂纹图像信息；
所述第一卷积层，用于将预先训练好的第一层卷积核与输入层输入的磁芯表面裂纹图像信息进行卷积运算得到第一卷积特征图；
所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一层特征平均值；
所述第二卷积层，用于将预先训练好的第一层卷积核与第一池化层输出的第一层特征平均值进行卷积运算得到第二卷积层特征图；
所述第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二层特征平均值；
所述的第三卷积层至二十四卷积层重复第一卷积层和第二卷积层的操作、所述的第三池化层至二十四池化层重复第一池化层和第二池化层的操作；
所述全连接输出层，用于对第二十四池化层输出的第二十四层特征平均值进行训练，输出磁芯表面裂纹检测结果，所述结果包括：正常、裂纹标注图像。
优选的，所述卷积神经网络配置单元包括：
初始化模块，用于初始化卷积神经网络中的所有权重；
激活值生成模块，用于根据训练集中给定的训练样本，进行前向传导运算，即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
误差确定模块，用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差；
权重更新模块，用于利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；
训练结果保存模块，用于完成卷积神经网络的训练过程，保存训练结果。
本发明还提供的一种基于卷积神经网络的磁芯表面裂纹检测的确定方法，包括以下步骤：
s1.通过所述图像信息获取单元获取磁芯表面裂纹图像信息作为训练集及交叉验证集；
s2.通过所述卷积神经网络配置单元调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分别进行训练，确定多个不同结构的卷积神经网络的参数；
s3.将所述交叉验证集分别输入所述多个不同结构卷积神经网络，通过最优磁芯表面裂纹检测模型确定单元将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型；
s4.通过第二图像信息获取单元获取磁芯表面裂纹图像信息作为测试集；
s5.将所述测试集输入所述最优磁芯表面裂纹检测模型，得到所述测试集中各测试样本的磁芯表面裂纹检测结果，并统计磁芯表面裂纹检测结果的准确性，所述磁芯表面裂纹检测结果包括：正常、裂纹标注图像。
优选的，在步骤s1中，还包括对所述训练集、交叉验证集及测试集中的磁芯表面裂纹图像进行预处理，并转化为一定的数据格式，所述预处理包括：对所述训练集、交叉验证集及测试集中的磁芯表面裂纹图像的大小进行归一化处理、做主成分分析、白化处理、图像增强处理。
优选的，在步骤s2中，还包括以下步骤：
d1.初始化卷积神经网络中的所有权重；
d2.根据所述训练集中给定的训练样本，进行前向传导运算，即由输入层与笫一卷积层权重做矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
d3.利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差；
d4.利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；
d5.重复d2〜d4，直至完成预设的迭代次数后，完成卷积神经网络的训练过程，保存训练结果。
本发明的有益效果是：由于本发明通过获取磁芯表面裂纹图像信息作为训练集及交叉验证集，并调整卷积神经元网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分别进行训练，确定多个不同结构的卷积神经网络的参数，最后将所述交叉验证集分別作为所述多个不同结构卷积神经网络的输入，将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型。这样，通过训练集对多个不同结构的卷积神经网络分别进行训练，再通过交叉验证集确定磁芯表面裂纹检测结果准确率最高的卷积神经网络，并将磁芯表面裂纹检测结果准确率最高的卷积神经网络将作为最优磁芯表面裂纹检测模型，利用该最优磁芯表面裂纹检测模型对获取到的磁芯表面裂纹图像进行检测，能够增加检测结果的准确率和可靠性。无须手工提取裂纹的形状、颜色、分布等特征，只需要提供尽量多的磁芯上表面裂纹的图片，将这些裂纹进行标注，输入到卷积神经网络，该网络能够自动学习裂纹的特征并形成具有泛化能力的检测模型，从而检测出磁芯表面的是否存在裂纹，如果存在将裂纹使用红色进行逐像素进行标注，能够达到99%+的准确率，同时漏检率极低。
附图说明
图1是本发明提供的基于卷积神经网络的磁芯表面裂纹检测模型的确定方法的方法流程图一；
图2是本发明实施例提供的卷积神经网络的结构示意图。
具体实施方式
如图2所示，在本实施例中，本发明提供的一种基于卷积神经网络的磁芯表面裂纹检测的确定系统，包括：
图像信息获取单元：用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集；
卷积神经网络配置单元：用于调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分別进行训练，确定多个不同结构的卷积神经网络的参数；
最优磁芯表面裂纹检测模型确定单元：用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络，将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型；
第二图像信息获取单元，用于获取磁芯表面裂纹图像信息作为测试集；
测试单元，用于将所述测试集输入最优磁芯表面裂纹检测模型，得到测试集中各测试样本的磁芯表面裂纹检测结果，统计磁芯表面裂纹检测结果的准确性。
在本实施例中，可在一配置文件中配置卷积神经网络的结构信息，所述卷积神经网络的结构包括：输入层、第一卷积层、第二卷积层、.....、第二十四卷积层、第一池化层、第二池化层、.....、第二十四池化层及全连接输出层。可配置所述全连接输出层的神经元构成(包括：神经元个数）以及输入参数和输出参数，还能配置神经元激活函数为ReLu函数，所述ReLu函数能够避免训练过程陷入因为梯度弥散而导致训练停滞的情况，使得之后的训练起不到任何作用，还会导致训练完后的卷积神经网络的检测结果的准确率降低。
所述输入层由原始图像像素排列构成，用于输入磁芯表面裂纹图像信息；
所述第一卷积层，用于将预先训练好的第一层卷积核与输入层输入的磁芯表面裂纹图像信息进行卷积运算得到第一卷积特征图，卷积特征图相比于原始图像特征(像素）而更抽象、概括，更能表征原始图像；
所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一层特征平均值，以解决过拟合的情况，井降低计算量，提升计算效率；
所述第二卷积层，用于将预先训练好的第一层卷积核与第一池化层输出的第一层特征平均值进行卷积运算得到第二卷积层特征图；
所述第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二层特征平均值；
所述的第三卷积层至二十四卷积层重复第一卷积层和第二卷积层的操作、所述的第三池化层至二十四池化层重复第一池化层和第二池化层的操作；
所述全连接输出层，用于对第二十四池化层输出的第二十四层特征平均值进行训练，输出磁芯表面裂纹检测结果，所述结果包括：正常、裂纹标注图像（将裂纹在输入的磁芯表面裂纹图中用红色逐像素标注出来）。
在本实施例中，还需在解决器的配置文件中指定learning rate (学习速率）为0.01，迭代次数为150000次， momentum (动量）为0.9，weight decay (权重衰退)为0.0005，指定模式为图形处理器(Graphic ProcesS1ng Unit，GPU)
在本实施例中，所述卷积神经网络配置单元包括：
初始化模块，用于初始化卷积神经网络中的所有权重；
激活值生成模块，用于根据训练集中给定的训练样本，进行前向传导运算，即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
误差确定模块，用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差，所述误差称为残差，表明了该层对最终输出值的残差产生了多少影响；以此类推，可以算出每一层相应的残差；
权重更新模块，用于利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；
训练结果保存模块，用于完成卷积神经网络的训练过程，保存训练结果。
如图1所示，在本实施例中，本发明提供的一种基于卷积神经网络的磁芯表面裂纹检测的确定方法，包括以下步骤：
s1.通过所述图像信息获取单元获取磁芯表面裂纹图像信息作为训练集及交叉验证集；
s2.通过所述卷积神经网络配置单元调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分别进行训练，确定多个不同结构的卷积神经网络的参数；
s3.将所述交叉验证集分别输入所述多个不同结构卷积神经网络，通过最优磁芯表面裂纹检测模型确定单元将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型；
s4.通过第二图像信息获取单元获取磁芯表面裂纹图像信息作为测试集；
s5.将所述测试集输入所述最优磁芯表面裂纹检测模型，得到所述测试集中各测试样本的磁芯表面裂纹检测结果，并统计磁芯表面裂纹检测结果的准确性，所述磁芯表面裂纹检测结果包括：正常、裂纹标注图像（将裂纹在输入的磁芯表面裂纹图中用红色逐像素标注出来）。
所述的一种基于卷积神经网络的磁芯表面裂纹检测模型的确定方法，通过获取磁芯表面裂纹图像信息作为训练集及交叉验证集，并调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分别进行训练，确定多个不同结构的卷积神经网络的参数，最后将所述交叉验证集分别作为所述多个不同结构卷积神经网络的输入，将诊结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型。这样，通过训练集对多个不同结构的卷积神经网络分别进行训练，再通过交叉验证集确定磁芯表面裂纹检测结果准确率最高的卷积神经网络，并将磁芯表面裂纹检测结果准确率最高的卷积神经网络将作为最优磁芯表面裂纹检测模型，利用该最优磁芯表面裂纹检测模型对获取到的磁芯表面裂纹图像进行检测，能够增加检测结果的准确率和可靠性。
例如，可以调整5个卷积神经网络每层神经元的个数，通过所述训练集分别对调整后的10个结构卷积神经元网络分别进行训练，确定5个不同结构的卷积神经网络的参数信息，也就是说这10个不同结构卷积神经网络的输入相同，最后将交叉验证集作为这5个卷积神经网络的输入，得到各卷积神经网络的检测结果及准确率，并将检测结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型。
基于卷积神经网络的磁芯表面裂纹检测模型的确定方法是一种基于机器学习的裂纹检测，其检测结果更为精准，因为机器学习是基于统计学的原理，通过超大规模数据量的训练构建出最优的权重得到最优磁芯表面裂纹检测模型。
在本实施例中，不仅需获取磁芯表面裂纹图像信息作为训练集及交叉验证集，还需获取磁芯表面裂纹图像信息作为测试集，再将所述测试集输入最优磁芯表面裂纹检测模型，得到测试集中各测试样本的磁芯表面裂纹检测结果，通过统计得到该最优磁芯表面裂纹检测模型的检测准确率力 99%+，因为测试集中的各测试样本代表磁芯实际的表面裂纹，从而能够证明最优磁芯表面裂纹检测模型的检测结果具备较高的准确率和可靠性。
在本实施例中，获取到的训练集、交叉验证集、测试集中的各磁芯表面裂纹检测样本图像的比例为9：3：3。
在本实施例中，步骤s1还包括对所述训练集、交叉验证集及测试集中的磁芯表面裂纹图像进行预处理，并转化为一定的数据格式，所述预处理包括：对所述训练集、交叉验证集及测试集中的磁芯表面裂纹图像的大小进行归一化处理、做主成分分析、白化处理、图像增强处理。
例如，可以利用tensorflow工具构建卷积神经网络，具体的，从 tensorflow的github上下载全部tensorflow代码构建卷积神经网络，其中，tensorflow是一个深度学开源工具，github是一个分布式版本控制系统，这样，在对训练集、交叉验证集及测试集中的磁芯表面裂纹图像进行预处理后，还需将预处理后的磁芯表面裂纹图像转换为tensorflow能处理的tfrecord数据格式，tfrecord是一种数据格式。
在本实施例中，在步骤s2还包括以下步骤：
d1.初始化卷积神经网络中的所有权重；
d2.根据所述训练集中给定的训练样本，进行前向传导运算，即由输入层与笫一卷积层权重做矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
d3.利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差；
d4.利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；
重复d2〜d4，直至完成预设的迭代次数后，完成卷积神经网络的训练过程，保存训练结果。
本发明应用于图像识别的技术领域。
虽然本发明的实施例是以实际方案来描述的，但是并不构成对本发明含义的限制，对于本领域的技术人员，根据本说明书对其实施方案的修改及与其他方案的组合都是显而易见的。
Claims (6)
1.基于卷积神经网络的磁芯表面裂纹检测的确定系统，其特征在于：它包括：
图像信息获取单元：用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集；
卷积神经网络配置单元：用于调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分別进行训练，确定多个不同结构的卷积神经网络的参数；
最优磁芯表面裂纹检测模型确定单元：用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络，将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型；
第二图像信息获取单元，用于获取磁芯表面裂纹图像信息作为测试集；
测试单元，用于将所述测试集输入最优磁芯表面裂纹检测模型，得到测试集中各测试样本的磁芯表面裂纹检测结果，统计磁芯表面裂纹检测结果的准确性。
2.根据权利要求1所述的基于卷积神经网络的磁芯表面裂纹检测的确定系统，其特征在于：所述卷积神经网络的结构包括：输入层、第一卷积层、第二卷积层、.....、第二十四卷积层、第一池化层、第二池化层、.....、第二十四池化层及全连接输出层；
所述输入层，用于输入磁芯表面裂纹图像信息；
所述第一卷积层，用于将预先训练好的第一层卷积核与输入层输入的磁芯表面裂纹图像信息进行卷积运算得到第一卷积特征图；
所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一层特征平均值；
所述第二卷积层，用于将预先训练好的第一层卷积核与第一池化层输出的第一层特征平均值进行卷积运算得到第二卷积层特征图；
所述第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二层特征平均值；
所述的第三卷积层至二十四卷积层重复第一卷积层和第二卷积层的操作、所述的第三池化层至二十四池化层重复第一池化层和第二池化层的操作；
所述全连接输出层，用于对第二十四池化层输出的第二十四层特征平均值进行训练，输出磁芯表面裂纹检测结果，所述结果包括：正常、裂纹标注图像。
3.根据权利要求1所述的基于卷积神经网络的磁芯表面裂纹检测的确定系统，其特征在于：所述卷积神经网络配置单元包括：
初始化模块，用于初始化卷积神经网络中的所有权重；
激活值生成模块，用于根据训练集中给定的训练样本，进行前向传导运算，即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
误差确定模块，用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差；
权重更新模块，用于利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；
训练结果保存模块，用于完成卷积神经网络的训练过程，保存训练结果。
4.一种基于卷积神经网络的磁芯表面裂纹检测的确定方法，其特征在于：它包括以下步骤：
s1.通过所述图像信息获取单元获取磁芯表面裂纹图像信息作为训练集及交叉验证集；
s2.通过所述卷积神经网络配置单元调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分别进行训练，确定多个不同结构的卷积神经网络的参数；
s3.将所述交叉验证集分别输入所述多个不同结构卷积神经网络，通过最优磁芯表面裂纹检测模型确定单元将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型；
s4.通过第二图像信息获取单元获取磁芯表面裂纹图像信息作为测试集；
s5.将所述测试集输入所述最优磁芯表面裂纹检测模型，得到所述测试集中各测试样本的磁芯表面裂纹检测结果，并统计磁芯表面裂纹检测结果的准确性，所述磁芯表面裂纹检测结果包括：正常、裂纹标注图像。
5.根据权利要求4所述的一种基于卷积神经网络的磁芯表面裂纹检测的确定方法，其特征在于：在步骤s1中，还包括对所述训练集、交叉验证集及测试集中的磁芯表面裂纹图像进行预处理，并转化为一定的数据格式，所述预处理包括：对所述训练集、交叉验证集及测试集中的磁芯表面裂纹图像的大小进行归一化处理、做主成分分析、白化处理、图像增强处理。
6.根据权利要求4所述的一种基于卷积神经网络的磁芯表面裂纹检测的确定方法，其特征在于：在步骤s2中，还包括以下步骤：
d1.初始化卷积神经网络中的所有权重；
d2.根据所述训练集中给定的训练样本，进行前向传导运算，即由输入层与笫一卷积层权重做矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；
d3.利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差；
d4.利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；
d5.重复d2〜d4，直至完成预设的迭代次数后，完成卷积神经网络的训练过程，保存训练结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910032803.8A CN109741326A (zh) | 2019-01-14 | 2019-01-14 | 基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910032803.8A CN109741326A (zh) | 2019-01-14 | 2019-01-14 | 基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109741326A true CN109741326A (zh) | 2019-05-10 |
Family
ID=66364746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910032803.8A Pending CN109741326A (zh) | 2019-01-14 | 2019-01-14 | 基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109741326A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计系统 |
| CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
| CN106779064A (zh) * | 2016-11-25 | 2017-05-31 | 电子科技大学 | 基于数据特征的深度神经网络自训练方法 |
| CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
-
2019
- 2019-01-14 CN CN201910032803.8A patent/CN109741326A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105117611A (zh) * | 2015-09-23 | 2015-12-02 | 北京科技大学 | 基于卷积神经元网络的中医舌诊模型的确定方法及系统 |
| CN106779064A (zh) * | 2016-11-25 | 2017-05-31 | 电子科技大学 | 基于数据特征的深度神经网络自训练方法 |
| CN107909564A (zh) * | 2017-10-23 | 2018-04-13 | 昆明理工大学 | 一种基于深度学习的全卷积网络图像裂纹检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计系统 |
| CN113538433A (zh) * | 2021-09-17 | 2021-10-22 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
| CN113538433B (zh) * | 2021-09-17 | 2021-11-26 | 海门市创睿机械有限公司 | 基于人工智能的机械铸件缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644415B (zh) | 一种文本图像质量评估方法及设备 | |
| CN110309880B (zh) | 一种基于注意力机制cnn的5天和9天孵化鸡蛋胚胎图像分类方法 | |
| CN105069746B (zh) | 基于局部仿射和颜色迁移技术的视频实时人脸替换方法及其系统 | |
| CN105957086B (zh) | 一种基于优化神经网络模型的遥感图像变化检测方法 | |
| CN110473173A (zh) | 一种基于深度学习语义分割的缺陷检测方法 | |
| CN109800628A (zh) | 一种加强ssd小目标行人检测性能的网络结构及检测方法 | |
| CN108491835A (zh) | 面向面部表情识别的双通道卷积神经网络 | |
| CN110399821A (zh) | 基于人脸表情识别的顾客满意度获取方法 | |
| CN112686894B (zh) | 基于生成式对抗网络的fpcb板缺陷检测方法及装置 | |
| CN106023154B (zh) | 基于双通道卷积神经网络的多时相sar图像变化检测方法 | |
| CN109993164A (zh) | 一种基于rcrnn神经网络的自然场景文字识别方法 | |
| CN111833237B (zh) | 基于卷积神经网络和局部单应性变换的图像配准方法 | |
| CN108256482A (zh) | 一种基于卷积神经网络进行分布学习的人脸年龄估计方法 | |
| CN110135430A (zh) | 一种基于深度神经网络的铝材模具id自动识别系统 | |
| CN109685716A (zh) | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 | |
| CN109544564A (zh) | 一种医疗图像分割方法 | |
| CN110992351A (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
| CN109614856A (zh) | 基于卷积神经网络的真菌图像分类方法 | |
| CN107092883A (zh) | 物体识别追踪方法 | |
| CN112651966A (zh) | 一种基于acyolov4_csp的印刷电路板微小缺陷检测方法 | |
| CN106778785A (zh) | 构建图像特征提取模型的方法及图像识别的方法、装置 | |
| CN107886091A (zh) | 一种基于深度神经网络的机械故障快速诊断方法 | |
| CN109741326A (zh) | 基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法 | |
| CN103971112A (zh) | 图像特征提取方法及装置 | |
| CN106469300B (zh) | 一种色斑检测识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |