《智能视觉技术应用》项目三 深度学习与卷积神经网络.pptx

智能视觉技术应用;;项目3

深度学习与卷积神经网络;传统图像处理技术大多依靠人工来提取特征，这种方式只能获取图像的边缘信息，无法获取图像的深层次信息。

深度学习（deeplearning,DL）不仅不需要依靠人工来提取特征，还能自动对数据进行筛选。;目前，深度学习已广泛应用于自动驾驶、交通安全、医疗等各个领域，并衍生出了很多模型，卷积神经网络（convolutionalneuralnetwork,CNN）就是其中之一。

本项目主要介绍深度学习和卷积神经网络的结构、原理等。通过本项目的学习，学生应对深度学习与卷积神经网络有一定的了解，并具备一定的应用能力。;【知识目标】

掌握深度学习的结构及原理。

熟悉人工神经元模型，激活函数的概念及类型，以及前向传播和反向传播的概念及结构。

掌握深度学习在智能视觉领域的应用。

掌握卷积神经网络的结构及原理。

掌握卷积神经网络模型。;【技能目标】

能正确应用深度学习。

能正确应用卷积神经网络。

【素质目标】

践行服务集体、服从纪律、团结协作、顾全大局的团队精神。

弘扬执着专注、科学严谨、精益求精、追求卓越的工匠精神。;;了解深度学习;在人工智能快速发展的今天，深度学习已成为实现智能化的重要工具。深度学习是目前比较流行的一种机器学习技术，是一种基于神经网络的算法。;它可自动学习和理解数据中的特征，并通过大量的数据来优化模型，还可帮助计算机进行图像识别、自然语言处理等。

例如，它可识别图像中的人脸和物体，并自动进行分类和标注；它可帮助计算机进行语音识别和自然语言理解，从而实现语音翻译、人工智能对话等功能。;本任务要求学生从深度学习的结构、原理，以及深度学习在智能视觉领域的应用等方面了解深度学习，知识与技能要求如表所示。;1．任务描述

学生根据指导教师提出的任务要求并结合实际情况，在了解深度学习的结构和原理的基础上，探索深度学习在智能视觉领域的应用。

2．学生分组

学生以3～5人为一组进行分组，各小组选出组长并进行任务分工，将小组概况及分工情况填入表中。;3．知识准备

引导问题1：什么是深度学习？深度学习有什么优???？

引导问题2：简述深度学习的结构。

引导问题3：什么是激活函数？常用的激活函数有哪些？

引导问题4：深度学习在智能视觉领域主要有哪些方面的应用？;4．工具和器材准备

各小组查阅相关资料，制订工作规划，并将任务实施过程中所需的工具和器材填入表中。;5．制订方案

（1）各小组针对工作规划展开讨论，制订实施方案。

（2）指导教师对各小组的实施方案进行评价。

（3）各小组根据指导教师的评价对实施方案进行调整。

（4）调整合格后的实施方案即最终实施方案。;6．任务实施

各小组按照最终实施方案，探索深度学习在智能视觉领域的应用，将实施内容及完成情况填入表中，并进行任务总结。;7．考核评价

指导教师根据学生的任务完成情况对学生进行评价，学生配合指导教师共同完成如表所示的任务考核评价表。;（续表）;;;;;;;;人工神经元是指神经网络中具有几个输入和一个输出的本原处理单元，其输出值是一种非线性函数。每个人工神经元都是神经网络的一个结点。;;（1）人工神经元在传递信息时，需要乘以一个系数，该系数称为权重，又称连接权重或连接强度，一般用w表示。

（2）偏置是指基于参考值的系统性偏差，它是为了使神经网络能表示更多的函数而添加的常数项，一般用b表示。偏置既可在输入层之前添加，又可在隐层中添加。;;;;;;;;;;;在反向传播过程中，调整可变参数时需要使用梯度下降法。

梯度下降法是一种用于寻找函数最小值的优化方法。;;;;;;;;;;;;;;;;;1．背景描述

随着城市化进程的加快，城市规模逐渐扩大，早期埋于城市地下的排水管道已不堪重负，加上环境恶劣，导致很多排水管道出现异常现象，如材料脱落、裂纹等（见图所示），严重影响了人们的正常生活。因此，必须定期对排水管道进行缺陷检测。;传统检测排水管道缺陷的方法大多依靠人工来完成，这种方法费时费力，且效率较低，极易出错。

而利用深度学习对排水管道进行缺陷检测可有效解决这些问题，具有非常重要的应用价值。;2．实施方案

本方案基于Python来对排水管道进行缺陷检测，以探索深度学习在排水管道缺陷检测中的应用。利用深度学习对排水管道进行缺陷检测的流程如图所示。;（1）获取数据集。选取排水管道缺陷检测视频，并生成排水管道图像数据集。

（2）进行数据标注和数据增强。对排水管道图像数据集进行数据标注，并获得标注后的图像。在进行数据标注时，从图像中分割出的缺陷所对应的像素标注为1，背景所对应的像素标注为0。标注完成后，还需要对排水管道图像数据集进行数据增强。;（3）建立训练集和测试集。将增强后的排水管道图像数据集划分为训练集和测试集两部分，比例为3∶1。训练集中的样本数