基于AlexNet模型遷移學習的混凝土砂率的圖像檢測

孫 鵬

（中國海洋大學，山東 青島 266100）

基于人工智能快速發展的背景和對混凝土生產質量檢測中因檢測不及時而引發建筑質量問題的思考，以AlexNet模型和遷移學習的相關理論知識作支撐，開展對混凝土砂率檢測的研究，是及時全面檢測混凝土拌合物配合比的關鍵一招。

1 數據集的建立

合理設計配合比并開展67組試驗，獲取混凝土拌合物照片，劃分為15個數據集，每個數據集2-5個類別不等，采取任意比例剪裁，沿豎直軸翻轉，以及隨機旋轉90°，180°或270°

2 方法和理論

AlexNet的巨大成功是卷積神經網絡深度學習引起大規模關注的開端。該模型的創新性［2］如表1所示。

表1 AlexNet性能表

遷移學習的基本思想是將知識從已有的模型和數據轉移到需要學習的目標上。Matlab R2019a版本提供了已訓練好的卷積神經網絡，使用這些預訓練網絡往往會比從頭開始訓練的網絡更加容易和快捷。

3 模型搭建

加載Matlab中已封裝好的預訓練AlexNet模型，凍結前面若干層的參數，移除全連接層，softmax層以及分類輸出層，分別用屬性與之對應的新層進行替換。按照表2所示的超參數的篩選范圍反復調節Learning Rate、MiniBatchSize和Epoch等主要超參數，直至對創建的數據集有較高的識別率為止。

表2 超參數篩選范圍

4 結果分析

利用AlexNet模型進行混凝土拌合物砂率的檢測，在訓練集上模型的準確率均不小于95%，最高達到了100%。驗證集準確率最低為92.83%，最高為98.89%，見圖1，故所有模型均表現出了良好的性能。

圖1 模型的訓練和驗證精度

在本文中采用絕對百分誤差（APE）來衡量結果，計算過程如式（5-1）所示。

式中，ai、pi分別為第i個樣本的真實值和預測值。每張測試集圖像的真實值與檢測值間的誤差直觀展示如圖2所示。

圖2 測試集圖像檢測值與實際值比較的圖形化展示

5 結語

本文進行了67組試驗，將得到的67組圖像劃分為15個數據集，每組實驗中搭建的AlexNet模型均表現出優良的性能，具有較好的學習和泛化能力。