基于迭代深度学习的缺陷检测

收稿日期：2016年12月7日，修回日期：2017年1月31日基金项目：国家自然科学基金项目（编号：61262006，61540050）；贵州省重大应用基础研究项目（编号：黔科合JZ 字［2014］2001）；贵州省科技厅联合基金（编号：黔科合LH 字［2014］7636号）；贵州大学引进人才科研项目（编号：201114）资助。作者简介：李腾飞，男，硕士研究生，研究方向：机器学习。秦永彬，男，博士，副教授，硕士生导师，研究方向：智慧计算与智能计算、大数据管理与应用、

移动互联网研究与应用。?

1引言

随着神经网络中反向传播算法［1］梯度弥散问题的解决，神经网络短短数年间得到了迅猛的发展，其中以多层次神经网络的深度学习最为突出。针对图像分类和目标识别问题，我们通常的做法是对原始图像进行特征提取，形成特征数据集合，之后将数据集合通过分类器训练，进而利用这些特征集实现图像分类或目标识别。卷积神经网络［2］实现了一种端到端的学习，即将特征提取的过滤器参数学习与针对分类的分类参数学习作为一个整体，

并相互制约，从而达到较好的训练学习效果。目前的卷积神经网络主要是使用Imagenet ［3］等较大的数据集，其分类效果可以与人类相媲美甚至高于人类，但在实际的工业生产当中，卷积神经网络的使用往往伴随着初始数据量不大，数据集中的正负样本分布极不均匀等情况，在本文利用深度学习进行工件缺陷检测的应用中，就会遇到上述情况。针对这一问题，我们使用扩大数据集和减少网络参数来减少网络配置参数，并在应用过程中使用一种参数更新的迭代深度学习模型，使得深度学习在实际应用中发挥有效作用。

基于迭代深度学习的缺陷检测

?

李腾飞秦永彬

（贵州大学计算机科学与技术学院

贵阳

550025）

摘

要

随着深度学习的发展，越来越多基于深度学习的应用被推出，深度学习在目标检测，物体识别，语音语义识别

等领域都取得了飞跃发展。其中，由于卷积神经网络在图像分类中的广泛应用，现如今的图像识别与传统的图像识别方法已经有了明显的区别。论文使用卷积神经网络对工件缺陷进行检测，针对深度学习在实际应用中出现的小数据集过拟合问题，提出了一种可迭代的深度学习方法来提高识别率并且降低数据的过拟合。

关键词

深度学习；卷积神经网络；过拟合；缺陷检测

中图分类号

TP391

DOI ：10.3969/j.issn.1672-9722.2017.06.025

Feature Detection Base on Iterative Deep Learning

LI Tengfei QIN Yongbin

（College of Computer Science and Technology ，Guizhou University ，Guiyang 550025）

Abstract With the development of deep learning ，more and more applications based on deep learning are launched.Deep

learning has achieved qualitative development in so many fileds such as object detection ，object recognition ，speech recognition ，se?mantic field.With the widespread use of convolutional neural network in image classification ，a marked distinction has occured be?tween the current image recognition and the traditional method of identifying.When we try to find the workpiece defect with the meth?od of t neural network convolution ，small data usually result in over-fitting problem.To solve it ，we propose a deep learning method

can be iterative to improve the recognition rate and reduce data over-fitting.

Key Words deep learning ，convolutional neural networks ，overfitting ，defect detection

Class Number TP391

万方数据