基于卷積神經網絡模型的缺陷圖像分級學習系統設計

倪 凡，曾 路，黃莉雅

（貴州電網有限責任公司信息中心，貴州貴陽 550003）

卷積神經網絡是深度學習領域的代表性應用算法，包含完整的卷積計算行為，具有前饋型神經網絡的全部應用優勢。輸入層作為卷積神經網絡的頂層信息處理單元，可同時區分多組應用信息參量[1-2]。

缺陷圖像是指像素信息不完整的圖像，必須在模糊節點的轉接配合下，才能實現對參量數據的提取與識別[3]。傳統間隔脈沖型圖像整合系統利用“十字定位”法確定缺陷數據所在區域，再通過梯度方向匹配的方式，計算與原始圖像匹配的信息處理權限。但此方法的節點識別準度水平過低，易導致圖像數據在單位時間內出現快速累積的變化趨勢。為解決此問題，設計一種基于卷積神經網絡模型的缺陷圖像分級學習系統，在CNN 框架、光電編碼器等硬件設備結構的支持下，實現對應用數據庫集中化管理。

1 缺陷圖像分級學習系統硬件

缺陷圖像分級學習系統的硬件執行環境，由CNN 網絡框架、光電編碼器、分級化處理模塊3 部分組成，具體搭建方法如下。

1.1 CNN網絡框架

CNN 網絡框架是缺陷圖像學習系統光電編碼器、分級化處理模塊的連接附屬模板，可同時判定缺陷圖像信息輸入與輸出的關系，一方面可調整系統內部的數據存儲帶寬，另一方面也可將必要學習權值參量記錄在相關存儲結構中[4]。圖像數據存儲器作為CNN 網絡框架的起始執行結構，可將內部暫存的缺陷圖像信息傳輸至并行計算單元中，在卷積神經網絡FPGA 原則的作用下，建立與片上存儲單元間的物理連接。標準接口存在于CNN 網絡框架中部，始終與系統學習主機保持兼容性連接關系，在缺陷圖像輸入、輸出數據均保持穩定的情況下，卷積神經網絡內的分級化權值則可得到精準匹配，直至學習主機完成對所有缺陷圖像數據的實時記錄[5-6]。

CNN 網絡框架如圖1 所示。

圖1 CNN網絡框架圖

1.2 光電編碼器

光電編碼器隸屬于CNN 網絡框架的缺陷圖像數據處理結構，由內部編碼體、外部保護結構共同組成，如圖2 所示。其中，內部編碼結構以光電轉換器作為核心搭建元件，當缺陷圖像學習編碼區快速轉動時，轉換器結構會自發選擇合適的信息連接區間，一方面將與缺陷圖像相關的數據信息完全整合起來，另一方面可借助傳輸信道實現該元件與系統網絡學習框架間的實用連接[7-8]。外部保護結構包含一個支撐框架和多個圖像隔斷層，前者可在光電編碼器執行工作的情況下，保持結構體的應用穩定，后者存在于光電編碼器的不同學習區間中，可在阻隔非必要缺陷圖像信息參量的同時，將必要圖像數據編輯成完整的傳輸信息結構體。

圖2 光電編碼器結構圖

1.3 分級化處理模塊

分級化處理模塊是缺陷圖像學習系統的最末級硬件執行元件，負責實現圖像輸入端與圖像輸出端間的數據轉碼連接，包含緩沖器、存儲器、控制器等多個執行元件結構，如圖3 所示。

圖3 分級化處理模塊結構圖

當缺陷圖像信息進入數據緩沖器后，分級化控制元件直接開啟與系統學習控制器的實用連接。在缺陷圖像編碼原則的作用下，數據存儲器、卷積執行器等多個硬件執行設備自發連接成完整的分級化處理單元[9-10]。對準電路作為系統中唯一的電子輸出元件，可按照缺陷圖像信息的實際傳輸需求，選擇性連接分級化處理模塊中的數據執行單元，在實現必要信息參量學習處理的同時，緩解缺陷應用節點中的數據識別壓力。

2 缺陷圖像分級學習系統軟件

在硬件執行環境的支持下，按照圖像缺陷區間劃分、必要學習節點提取、數據庫管理的操作流程，完成必要軟件執行環境搭建，兩相結合，實現基于卷積神經網絡模型缺陷圖像分級學習系統的順利應用。

2.1 圖像缺陷區間劃分

缺陷區間是指在完整學習圖像中，兩個邊界模糊節點間的實際位移距離，在卷積神經網絡模型中，該項物理量受到節點信息承載量、數據學習速率兩項實用條件的直接影響[11-12]。節點信息承載量常表示為，在整個系統執行時間內，該項物理量始終保持相對穩定的變化趨勢，出于實用性考慮，在最大識別權限δ1、最小識別權限δ0的作用下，參數體自身的均值水平一直保持不變。數據學習速率常表示為隨系統執行周期時間的延長，該項物理量始終保持不斷增大的變化趨勢，與其他物理量相比，依然具備一定的實用穩定性。結合上述物理量，可將待學習圖像的缺陷區間劃分定義式表示為：

式中，ΔT 代表系統單位執行時長的平均變化量，vmax代表缺陷圖像數據的最大學習識別效率值。

2.2 必要學習節點提取

必要學習節點提取可在圖像缺陷區間內，實現對待學習數據的調度與安排。通常情況下，隨著系統內缺陷圖像信息的不斷累積，數據學習所需的等待時間也會逐漸延長，直至將所有信息參量完全整合成可供系統直接調取的應用形式[13-14]。假設在待整合缺陷圖像數據總量不超過yˉ的情況下，系統始終保持良好的信息學習能力，而隨著卷積神經網絡運行時間的延長，一部分數據參量首先經過光電編碼器，從散點信息的形式轉化為包狀壓縮形式；其次，圖像缺陷區間逐漸縮小，與之相關的待學習數據信息總量也隨之下降。設wmax代表與系統節點匹配的最大信息學習權限值，wmin代表與系統節點匹配的最小信息學習權限值，聯立式（1），可將必要學習節點的提取表達式定義為：

式中，λ 代表缺陷圖像信息的編碼轉化系數，q代表系統所能承受的缺陷圖像數據信息總量。

2.3 數據庫管理

數據庫管理是基于卷積神經網絡模型缺陷圖像分級學習系統搭建的末尾處理環節，可在SQL、PL/SQL、TNS、FTP、TELNET 等多個執行軟件的作用下，實現在Oracle 主機中的缺陷圖像信息整合，在多個文件日志并存的情況下，通過數據分級的方式，完成多個學習節點間的缺陷圖像數據識別與處理[15]。總的來說，TNS 軟件是各級數據庫單元間的連接節點，可同時獲取系統控制平臺與Oracle 主機中的缺陷圖像數據，隨著JDBC 學習模式的不斷完善，Web應用逐漸成為系統學習客戶端中的程序化應用主體。當圖像信息累積到既定數值水平后，所有執行軟件同時開啟連接狀態，以保證系統學習指令的順利運行[16-17]。至此，實現了各項軟硬件執行結構的搭建，在卷積神經網絡模型的支持下，完成新型缺陷圖像分級學習系統設計。

圖4 數據庫管理模式

3 系統應用能力檢測

為驗證基于卷積神經網絡模型缺陷圖像分級學習系統的實際應用能力，設計如下對比實驗。選取一噪點率較高的模糊圖像作為實驗對象，以搭載新型學習系統的控制設備作為實驗組主機，以搭載間隔脈沖型圖像整合系統的控制設備作為對照組主機，在既定實驗時間內，分別記錄實驗組、對照組相關實驗指標的具體變化情況。

將圖5 所示圖像輸入分析軟件中，根據不同噪點處色差、色溫、對比度等參量的變化情況，確定數據累積量、節點識別準度的實際數值水平。

圖5 待處理缺陷圖像

以10 min 作為單位實驗時長，分別記錄在6 個單位時長內，應用實驗組、對照組學習系統后，缺陷圖像數據累積量的實際變化情況，實驗詳情如表1所示。

表1 缺陷圖像數據累積量對比表

分析表1 可知，實驗組缺陷圖像數據累積量在前5個單位時長內，始終保持不斷增大的變化趨勢，從第55 min開始，出現持續性下降，全局最大值達到5.3×108t，與理想化極值6.7×108t相比，下降了1.4×108t；對照組缺陷圖像數據累積量在前3 個單位時長內持續增大，從第4 個單位時長開始，出現明顯的下降趨勢，全局最大值達到8.0×108t，與理想化極值6.7×108t相比，上升了1.3×108t，遠超于實驗組數值水平。綜上可知，應用基于卷積神經網絡模型的分級學習系統，可達到抑制缺陷圖像數據在單位時間內累積量的目的。

節點識別準度是描述缺陷圖像分級化學習能力的重要指標，通常情況下，前者的數值水平越大，后者的學習能力也就越強，反之則越弱。表2 反映了實驗組、對照組節點識別準度的具體變化情況。

表2 節點識別準度對比表

分析表2 可知，隨著實驗時間的延長，實驗組節點識別準度在小幅上升趨勢后，開始保持波動性穩定狀態，全局最大值達到86%，與理想化極值64%相比，上升了22%；對照組節點識別準度在整個實驗過程中，始終保持上升、下降交替出現的變化趨勢，全局最大值僅達到59%，與理想化極值64%相比，下降了5%，更遠低于實驗組數值水平。綜上可知，應用基于卷積神經網絡模型的分級學習系統，可在控制缺陷圖像數據累積量的同時，實現對學習節點識別準度的提升。

4 結束語

通常情況下，一維卷積神經網絡的輸入層只能接收一維與二維數組信息，且所有一維數組都只能保持頻譜或時間采樣的處理形式。多維數組則可以包含多個物理通道，可在接收輸入層信息參量的同時，調節整個卷積神經網絡內的信息連接關系。與間隔脈沖型圖像整合系統相比，基于卷積神經網絡模型的缺陷圖像分級學習系統采用CNN 框架形式，可在聯合光電編碼器與分級化處理模塊的基礎上，完成對必要學習節點的提取與處理。從實用性角度來看，缺陷圖像數據在單位時間內的累積總量開始大幅下降，而節點識別準度卻明顯提升，有效解決了由節點模糊識別行為帶來的局部性圖像缺陷問題。