SCI论文（www.lunwensci.com）:
摘要：针对目前大批量的带钢检验工作,提高检验效率以及检验精度是十分重要的。因此本文提出了一种基于自适应中值滤波下的MobileNet带钢缺陷分类。通过对带钢表面缺陷数据集进行自适应中值滤波,在预处理中去除图像噪声后的数据经轻量化卷积神经网络对带钢表面缺陷进行学习。经训练后的网络可以精确的识别并分类常见的带钢表面缺陷其包括夹杂、划痕、压入氧化皮、裂纹、麻点和斑块,其实时监测精度高且效率远远超过人工。在预处理过程中经过了自适应中值滤波后的数据使训练网络精度提高了5.55%训练时间缩短了32s,最后通过对比不同滤波参数下的结果从中选出最适宜的一种。
关键词：缺陷分类；CNN；MobileNet；自适应中值滤波
MobileNet Strip Steel Defect Classification Based on Adaptive Median Filtering Abstract
LI Honglin,YI Jikai,WANG Jiaxi,SHANGGUAN Zanpeng
(Shenyang Aerospace University,Shenyang Liaoning 110136)
【Abstract】：In view of the current large-scale strip inspection work,it is very important to improve the inspection efficiency and inspection accuracy.Therefore,this paper proposes a MobileNet strip defect classification based on adaptive median filtering.Through adaptive median filtering on the strip surface defect data set,the preprocessed data to remove image noise is used to learn strip surface defects through a lightweight convolutional neural network.The trained network can accurately identify and classify common surface defects of strip steel,including inclusions,scratches,indented scale,cracks,pits and plaques.Its real-time monitoring accuracy is high and its efficiency far exceeds that of manual work.After data preprocessing,the training network accuracy is increased by 5.55%and the training time is shortened by 32s.Finally,the most suitable one is selected by comparing differentfiltering parameters.
【Key words】：defect classification;CNN;MobileNet;adaptive medianfilter
0引言
无论在汽车制造、船舶工程、航空航天工程中钢板的应用都十分广泛,但生产出的钢板质量将会直接影响产品性能以及可靠性。即便伴随着生产技术的发展,但由于加工设备或原材料微观缺陷导致的宏观缺陷都是不可避免的,针对钢板缺陷检测目前主要分为三大类。其中包括传统人工抽样、激光扫描及计算机视觉处理三种检查方法[1-3]。目前在我国大部分工厂都采用人工检验的方法。面对大量的样本,工人难免会因漏检而错过缺陷样本且识别效率较低。而近年来伴随着计算机技术的发展,很多研究学者通过算法实现了自动检测并对缺陷样品进行分类,其不仅大大的提高了效率也节约了人工成本。刘坤等[4]通过LBP算子进行了缺陷定位检测,并通过VS2021平台进行可视化的检验过程。王立中等[5]提出了基于卷积神经网络的带钢表面缺陷识别,其可以对带钢表面缺陷进行二分类检验。王森等[6]提出了BP神经网络、概率神经网络PNN以及支持向量机三种形式进行了识别,但其精确度不高。Simonyan K等[7]提出的VGG-16网络虽然其识别的精度较高,但网络模型的计算参数量太大不适合在移动设备中应用。
本文应用的MobileNet网络其可以应用于嵌入式或移动式设备中,灵活解决了实际生产中由于设备内存不足导致延迟过高无法实时检验的缺点。其在图像分类上精度接近VGG16而其计算量相比VGG16臃肿的结构而言下降了很多,目前Mobile以广泛应用于移动设备的图片分类中。
为了防止数据集中图片由于高斯噪声及椒盐噪声产生的影响,本文采用了自适应中值滤波的方法,其可以加快机器的学习精度防止噪声对结果产生影响。本文针对东北大学带钢数据集分别进行了采取不同去噪强度的预处理与非去噪预处理的操作,接着将其输入到神经网络中进行训练并对训练后的结果和精度进行对比。
1理论方法
1.1自适应中值滤波
自适应中值滤波器其可以动态改变滤波器的窗口尺寸,在去除噪声的同时能够保留图像中的细节。由于钢带数据图片中噪声并不是很多,而部分缺陷如麻点等其缺陷面积较小。采用自适应滤波相较于传统中值滤波可以防止该类特征消失从而导致网络训练精度不足的缺点。
中值滤波为一种非线性的滤波,其通过获得像素点周围的像素灰度中值来对该像素进行替换从而保证了不损坏图像信息的前提下对图像进行了简单的平滑处理提高了图像的清晰度。该过程原理如图1所示。
图1中灰底色区域被称之为窗,窗的大小决定了输出值的邻域大小。如果窗过大就会导致图像中有用的信息被抹去,造成图像特征丢失。
接下来阐述自适应中值滤波原理,其大致分为两个阶段本文称其为Ⅰ和Ⅱ。两个阶段分别进行窗内的数值判断,具体流程图如图2所示。
其中Zmed为窗口覆盖范围内灰度中值、Zmin为窗口中灰度最小值、Zmax为窗口中灰度最大值、Sxy为滤波器窗口作用范围、xy为该窗口中点在整体图像中坐标、Zxy为图像中坐标xy的像素点灰度值、Smax为窗口的最大允许尺寸其限制了窗口扫描范围。
本文在Ⅰ步骤中会首先判断该窗口区域内是否存在噪声点,如果存在噪声点将会跳入到Ⅱ过程中进行判断,如果在判断过程中存在特殊情况如Zmed=Zmin或者Zmed=Zmax即可认为存在噪点,则需要将窗口尺寸扩大,在扩大范围后的区域内搜寻更合适的非噪声点随后跳入步骤Ⅱ,否则将输出其中值作为噪点。在过程Ⅱ中进行图2的噪声点判断,如果该点并非噪声点则对该灰度值进行保留,反之将用中值替代当前灰度值。
1.2 MobileNet网络
近年来CNN模型层数越来越多,其运算量越来越大,复杂程度也越来越高。因此为了在小型设备上应用计算机视觉就必须提出一种小型网络,其应既能够在保证模型性能的同时降低其模型大小并且提高运算速度。于是Goole团队[8]于2017年提出MobileNet模型,其基本单元深度可分离卷积由两部分卷积完成。首先在特征图像上的全部通道进行卷积运算DC(Depthwise Convolution),其保证运算后的通道数目与原始数目相同,接着通过1×1的卷积核对上述输出进行结合PC(Pointwise Convolution)。对于本文的灰度图像其两部效果展示如图3所示。
规定特征图大小为DF×DF×M,输出特征图大小DF×DF×N,其中DF是输入的特征图Width和Height。
若使用卷积核大小为3×3进行计算,深度可分离卷积相较于传统的卷积其运算量可以降低至少九倍。
且在深度可分离卷积单元中还加入了BN(Batch Normalization)其可在训练前对数据进行归一化处理可以避免训练过程中梯度消失现象的发生。
2基于自适应中值滤波下的MobileNet带钢缺陷分类
2.1带钢数据库介绍以及数据预处理
本文中引用了东北大学带钢表面缺陷数据集,该数据集包含6种缺陷,其分别为夹杂、划痕、压入氧化皮、裂纹、麻点和斑块。每一类缺陷有300张图,其像素为200×200,数据集内部分缺陷图片如图4所示。
因为每一类的数据量过少,在训练过程中会产生过拟合,故我们对数据集内的图像进行了随即角度旋转、平移,分别对X轴、Y轴以及对角线翻转、调整图像整体明暗程度。丰富了数据样本数量,增强了网络对于不同类特征的学习程度。
由于数据集存在噪声,本文对其进行了Smax不同的自适应中值滤波,Smax=3滤波后的效果如图5所示。
2.2 MobileNet网络模型构建
本文所构建的MobileNet由一个普通卷积层、一个深度可分离卷积层、一个全连接层、一个Softmax函数,将分类的结果映射在(0,1)区间得到最终的分类概率,并在网络的最后设置Classification层用来计算损失值。其中深度可分离卷积层内部结构如表1所示。可分离卷积层其中包括BN(Batch Normalization)对数据进行归一化,从而加快模型训练的收敛速度。有效的防止在训练过程中产生的梯度爆炸或者梯度消失的问题,增强了模型的稳定性。激活函数本文选择了RELU,因其常用于卷积神经网络中其对正数输入保持不变,负数输入使其置为0,相比于tanh和sigmoid其收敛速度更快,降低了模型的计算量。
由于图像边缘的信息与图像内部的信息其重要性等价,为了防止其被卷积核提取特征不足,故本文对200×200输入的数据集进行Padding处理即在图像周围进行补零,使得可视野多次扫掠过图像边缘,从而提取图像边缘特征。
优化器本文选择Adam、InitialLearnRate设置为0.001、迭代50次时进行一次测试集验证、MaxEpochs设置为30、MiniBatchSize设置为128。
3实验结果以及分析
本文在PC端上进行实验,基于Win11操作系统,硬件平台为Intel Corei5-9300H 2.40 GHzCPU处理器,16GB内存,NVIDIA GeForce GTX1660Ti GPU基于Matlab环境下进行。训练时,将增加后的数据集中95％数据用作训练,剩余5％用于测试。
经过模型训练后网络的准确率以及损失如图6所示。
由图6可知在Smax为3时模型整体准确度可达92.22%,损失接近为0。可见模型达到了较好的训练成果,相较于其他深层网络虽然精度略有不及但网络训练速度达到了较为理想的数值。
为了进一步讨论Smax值设置对于模型训练的影响,我们分别对无中值滤波、Smax=3、Smax=5、Smax=7,进行了若干次神经网络训练,通过网络训练的时间以及准确度得到如表2所示。
由表2可知在Smax=3时神经网络训练速度和精度都达到最高,随着Smax的上升,其精度和训练时间都开始出现下降趋势。而Smax=7时其精度及训练时间比未去噪时效果更差,可推测原因是因为过大的窗口值导致部分缺陷被当作噪点去除,卷积核无法提取到图像中的缺陷特征。
4结论
本文提出了一种基于自适应中值滤波下的MobileNet带钢缺陷分类,对于东北大学带钢表面缺陷数据集学习后的测验准确率很高为对现有的带钢缺陷分类方法提出了新的思路。其在网络层数不高、运算量不大的前提下相较于VGG16有较高的精度,为移动设备上应用计算机视觉成为了可能。同时本文通过对比Smax窗口值筛选出了最适训练的参数,在合适的Smax参数下,其模型训练相较于未处理的数据预测精度与收敛速度都更快。然而本文仍存在不足,例如由于数据集样张图片数量限制和设备内存限制,未对该网络进行进一步的优化。未来通过人工采集更多的缺陷数据进而进行训练参数更新可以达到更好的分类准确性。
参考文献
[1]陈艳菲,彭洪晟,王俊涛,等.基于MobileNet卷积神经网络的焊缝缺陷识别[J].自动化与仪表,2022,37(1):49-54.
[2]常江,管声启,师红宇,等.基于改进生成对抗网络和Mobile NetV3的带钢缺陷分类[J].激光与光电子学进展,2021,58(4):221-226.
[3]田思洋.板带钢表面缺陷目标检测与分类算法研究[D].北京:北京科技大学,2019.
[4]刘坤,陈宁纪,张晓怿,等.基于机器视觉的带钢表面缺陷检测系统设计[J].制造业自动化,2015,37(12):134-137.
[5]王立中,管声启.基于深度学习算法的带钢表面缺陷识别[J].西安工程大学学报,2017,31(5):669-674.
[6]王森,朱凯.基于模式识别的带钢表面缺陷等级判定的研究[J].现代制造工程,2016(11):119-123.
[7]SIMONYAN K,ZISSERMAN A.Very Deep Convolutional Network for Large-scale Image Recognition[J].Computer science,2015,1:1-14.
[8]HOWARD A G,ZHU M L,CHEN B,et al.MobileNets:Efficient Convolutional Neural Networks for Mobile Vision Applications[J].Computer Vision and Pattern Recognition,2017,1:1-9.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/49534.html
