小镇的夕阳|智能检测坝面缺陷( 三 )
2.2.2 Laplacian频率特征提取
频率特征用于强调图像中的高频区域,同时抑制低频区域 。 为了提取频率特征,使用二阶导数算子——拉普拉斯算子,突出了图像中的灰度级不 连续性,并尝试对具有缓慢变化的灰度级的区域进行去强调,裂缝缺陷频率特征提取效果图如图5(c)所示 。 因此图像I的频率分量为
式中,矩阵F 具有与原图像I相同的尺寸,且其元素f (x,y)对应于图像平面上位置(x,y)处的频率幅度 。
图像频率与图像边缘互补,强调高度结构化的区域,从而提高了检测精度
3 迁移学习模型3.1 迁移学习原理
训练复杂的卷积神经网络需要大量的标注数据和训练时间,并且大量的待训练参数,也容易导致网络收敛效果差和过拟合的问题。 迁移学习 的原理就是直接利用训练好的神经网络对图像进行特征提取,然后将提取到的特征向量作为输入来训练新的单层全连接网络(Fully Connected Net, FCN),并处理新的分类问题。 使用迁移学习往往能得到比较好的效果,甚至很多情况下要比重新训练的效果还要好,泛化能力也更强。 迁移学 习网络和一般卷积神经网络传递过程对比如图6所示 。 若I表示网络的原始输入图像,普通网络通过多次的卷积和池化操作可对原始图像I进行特征提 取;而迁移学习则是直接利用预训练模型Inception-v3完成特征提取过程 。
图6 迁移学习网络与普通网络传递过程对比
3.2 Inception-v3模型
Inception-v3模型总共46层,由11个Inception模块组成,包含96个卷积层[见图7(a)] 。 从图7(a)所示模型架构可以看到,Inception结构是一种和普 通网络结构完全不同的卷积神经网络结构,它将不同的卷积层通过并联的方式结合在一起 。 同时,每个Inception模块使用三种不同尺寸但均使用全零填充和相同步长的过滤器处理输入矩阵,并将三个输出矩阵拼接成一个更深的矩阵,使三次计算结果能在深度这个维度上组合[见图7(b)] 。
【小镇的夕阳|智能检测坝面缺陷】图7 Inception-v3模型
3.3 网络评价指标
3.3.1 Softmax回归
为了利用交叉熵的方式来衡量神经网络的训练效果,选用Softmax回归的方法将全连接层的输出结果作为置信度来生成新的输出,同时该新的输 出结果满足概率分布的所有要求 。 若y (i=1,2,3,…,n)表示全连接层的输出结果,那么经过Softmax回归处理后的输出为
3.3.2 损失函数
Softmax回归将全连接层的输出转化为了一个概率分布,因此可以通过交叉熵来计算预测的概率分布和标准的概率分布之间的距离,刻画出预测 的概率分布来表达标准的概率分布的困难程度以及检测模型的效果 。 因此,利用交叉熵来刻画的损失函数为
式中,p(x)为标准结果;q(x)为预测结果
推荐阅读
- 小红猪带你看科技|七夕节送女朋友必备左点小艾智能艾灸器X8，3天众筹500万
- 车驰夜幕|详解智慧城市全新方程，开启城市智能非凡时代
- 36氪利用无人驾驶技术切入水域智慧环卫与维护，“欧卡智能”获千万元级融资
- 沈力遗体告别式在八宝山举行 《夕阳红》栏目同事纷纷到场送别
- 不得投递智能快递柜 两部门严格要求高校录取通知书寄送
- 热源智能商务 “找万物”引爆直播找好物新模式！，突围传统家博会
- 数字展示在线|更高追求更显专业——明基智能投影E592新品上市
- 北京日报客户端|互动动感单车、智能健身仓……西二环边新增运动休闲好去处
- 燕赵都市报|安享夕阳红，脱下军装绿
- 王小琉 你的私人健康助理，F25体温智能手表评测：实时监测