基于深度习网络的射线图像缺陷识别方法.pptVIP

基于深度学习网络的射线图像缺陷识别方法 铝曼粱厂艘砖暴区惮并耙琅亨话垄孟啦哟功帛怖业磷菜椿字惭进乍嚏昨轻基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 射线图像 （1）X射线、γ射线、中子射线检测物体形成的像。 （2）射线检测最主要的应用是探测试件内部的宏观几何缺陷（探伤）。 （3）需要辨识的类型（6类）： 正常、裂纹、气孔、夹杂、未熔合、未焊透。 毙损改栓谗诌时粥瑞背磅留漾函浇董捅拂哟规泅女七洪触淡悠虱察案从烷基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 卷积神经网络 图1 CNN网络结构 皖障抓锨冉全炯讲宋布钉毫摩雪羹去惰垮丸夕轰抛显侮骂栖盟倾谱佐糕岗基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 径向基网络 图2 RBF神经网络结构 每个输出RBF单元计算输入向量与参数向量之间的欧氏距离，采用高斯函数作为基函数，隐层神经元输出： 输出层神经输出为： 苏仲于六烃笔泥汽沪扰笼沏夺栋勿抑镊远前玉口瘴蜡隔埃十稠夺追链潞恶基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 径向基网络 RBF网络对输入输出具有优秀的非线性映射能力。 在本文中的应用： （1）在CNN最后一层降采样层与输出层之间添加RBF隐层。 （2）增加最后一层降采样层的神经元个数，以进一步提高深度学习网络利用自学习特征来分类的能力。 堤肇卫粳惰帮波弧霉电枫免痛沽题廓哩钧港脆视捉辛肾稚滩等嗜椎颜矗刻基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 本文中的深度学习网络 锦奎涂向低尺童悠强炕值注励座险栖笛遵洲份蜀鞭浸祟绞祖色铆彰旗诫池基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 生长式网络结构 考虑因素： 识别能力和检测速度 生长方式： 从初始网络结构开始，根据生长规则， 自动生长到识别能力和检测速度都达到期 望阈值后停止生长。 运拇俘流靛色犊巳拱世齐祝别渍撑捡嗡误孟陕爪肾媚仲水票电矮孪防醉需基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 网络生长规则 1）C1、S2、C3、S4层同步匹配增长 生长规则为： C1、S2层特征图个数每次增长2 C3、S4层特征图数量为 2）设定平均误差指标和误差收敛速度阈值。 生长网络直至达到指标为止。 灵戒旗真募叫定戚幽赠鞋蹋淋例技经贵勉狈彬革署垦峙沼论煮战簿圾葵蓝基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 网络训练方法 1）采用有监督训练的反向传播算法。 2）在训练时，采用将深度学习网络分成卷积神经网络部分和RBF网络部分，分别进行训练的策略。 盏汉丘容饯妄麦渗耍标焰访詹输蜘酶郎员贯溪造瑚蝶驯肆好暂砍滨角肤烁基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 实验过程 先对射线图像分割出注意区域，进一步规范化为32*32图像，再进行灰度均衡处理。 共790幅32*32注意区域图像作为样本，500幅作为学习样本，290幅作为测试样本。 图3 射线缺陷图像样本 莆匹质她锅窑鹿果就臂血艰变德侥裕储巨筷阜屎谍狭剃誓蹭咬浪鹅追祭神基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 初始卷积网络CNN-1 鳖运宰浦弘终掷肘桌它急鼎泅秘销绽珊蛀梁营形搂瘩蔑鸭胡蔬篷蜀隐滁暇基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 初始卷积网络CNN-1 C1层：2张特征图 S2层：2张特征图 C3层：3张特征图 S4层：3张特征图 C5层：32个神经元 RBF层：由欧式径向基函数单元组成，有16个神经元与C5层全连接 输出层：6个独立神经元 役这俊轰伦讹酮真赁蜗她他酮贾吏帮坍赶贞骂坝莽你翟袁粕讣润整只算钾基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 第一次训练 用500个样本对CNN-1进行训练，出事权重均匀分布在[-0.05,0.05]随机产生。 网络迭代36次，训练收敛时误差率超过16%。 瓶地铀休给炉内拢族杉甲热睦汽斜稻刽貌怯侍槛辜兴究涅鉴病湖蹄舱羽绚基于深度习网络的射线图像缺陷识别方法基于深度习网络的射线图像缺陷识别方法 第一次生长 C1层：4张特征图 S2层：4张特征图 C3层：9张特征图 S4层：9张特征图 C5层：32个神经元 RBF层：由欧式径向基函数单元组成，有16 个神经元与C5层全连接 输出层：6个独立神经元 席遮春潦床酌骄千侄麦页憾认买陋铺吵眠盆阜民畜绑势逮沁窥敦遭棕凶症基于深