熊紅林，樊重俊+，趙 珊，余 瑩

(1.上海理工大學 管理學院，上海 200093； 2.IBM中國上海分公司，上海 200002)

0 引言

隨著計算機視覺技術(shù)的快速發(fā)展，一些基于機器學習與深度學習的識別與檢測方法[1-3,18-20,22-23]被不斷提出，并被應(yīng)用到各種工業(yè)產(chǎn)品缺陷檢測[23]當中。例如，建立深度置信網(wǎng)絡(luò)(Deep Belief Networks, DBN)對太陽能電池片表面的缺陷進行檢測[3]；運用深度學習的特征匹配方法對鑄件缺陷圖像進行動態(tài)檢驗[5]；Acciani等[6]提取測試圖像中感興趣區(qū)域的特征，然后構(gòu)建多層神經(jīng)網(wǎng)絡(luò)進行缺陷檢測。ZHI Yangyu等[7]提出一種可重復使用的高效率兩階段深度學習的工業(yè)環(huán)境下的表面缺陷檢測方法。Feng等[8]提出一種深度主動的學習系統(tǒng)來最大化模型識別性能。Ren等[9]提出一種基于深度學習的通用表面缺陷檢測方法，該方法的創(chuàng)新點在于只需要很小的數(shù)據(jù)集?？傊疃葘W習技術(shù)在不同行業(yè)的應(yīng)用越來越廣泛。

蓋板玻璃普遍應(yīng)用在具有顯示性能和觸摸性能的各種電子產(chǎn)品上，比如相機、觸摸屏手機、電腦和GPS等。蓋板玻璃的缺陷檢測是其中不可或缺的流程步驟，玻璃缺陷檢測實質(zhì)上是一個識別分類問題，而目前針對計算機視覺技術(shù)在玻璃表面缺陷檢測的研究并不是很多。比如利用傳統(tǒng)Kirsch算子確定邊緣方向，然后結(jié)合Canny算子進行表面缺陷檢測，根據(jù)缺陷的幾何特征來檢測是否具有缺陷[10]；利用了形態(tài)學處理方法對玻璃屏幕表面的劃痕缺陷進行判斷[11]；基于Gabor小波的表面缺陷識別算法[12]，實現(xiàn)對鑄坯表面的細裂紋和角裂紋的檢測；利用板坯上產(chǎn)生比較深的縱橫裂紋的機理特征，實現(xiàn)對深裂紋缺陷的檢測[13]；對表面圖像進行提取特征和識別分類，將裂紋可以從水痕、渣痕、氧化鐵皮和振痕中識別出來[14]；采用經(jīng)典邊緣檢測算子中的算子識別出可疑缺

陷區(qū)域，通過邊緣特征點的搜索算法來提取出可疑缺陷區(qū)域圖片，再通過高維特征向量結(jié)合支持向量機(Support Vector Machine, SVM)實現(xiàn)連鑄坯圖像的缺陷檢測[15]；其他基于圖像比較的缺陷檢測方法如圖像減除法[16]、模板匹配法及相位譜匹配法[17]。所有這些方法雖然也取得很好的結(jié)果，但偽缺陷被誤判成缺陷的情況較為嚴重。

總之，近幾年非常優(yōu)秀的目標檢測網(wǎng)絡(luò)在產(chǎn)品質(zhì)量檢測，尤其是玻璃表面缺陷檢測上的應(yīng)用研究[23-26]較少，本文基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)，加入圖像高斯差分金字塔分解，設(shè)計了多尺度卷積神經(jīng)網(wǎng)絡(luò)模型MCNN，并將該模型應(yīng)用到玻璃表面多種類別的缺陷檢測實踐中，實現(xiàn)自動標記缺陷位置并識別缺陷類別，通過某廠玻璃產(chǎn)品表面缺陷檢測實驗驗證該模型與方法的可行性與有效性。

1 模型方法與原理

1.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)是首個被成功訓練的深層神經(jīng)網(wǎng)絡(luò)，屬于前饋神經(jīng)網(wǎng)絡(luò)。一般的卷積神經(jīng)網(wǎng)絡(luò)基本架構(gòu)(如圖1)中包含輸入層、卷積層、池化層、全連接層、輸出層。

如圖1所示為具有8個帶權(quán)層的卷積神經(jīng)網(wǎng)絡(luò)，其中包含：卷積層5層，卷積層實質(zhì)上就是特征的提取層，用來提取該局部感受野內(nèi)的特征；全連接層3層，一般情況下與全連接層相連的層，它們之間的神經(jīng)元節(jié)點會相互連接，而同一層的神經(jīng)元節(jié)點間沒有連接；輸入層即原始數(shù)據(jù)的網(wǎng)絡(luò)入口，若輸入的是圖像信息，輸入的原始數(shù)據(jù)就是像素值；池化層是為了避免直接使用這些圖像特征進行分類計算量太大而利用非線性的下采樣方法；輸出層是根據(jù)具體的應(yīng)用來確定輸出層的神經(jīng)元節(jié)點數(shù)目，若卷積神經(jīng)網(wǎng)絡(luò)用于分類任務(wù)，則輸出層可看作為分類器。

卷積神經(jīng)網(wǎng)絡(luò)通過局部感受野、權(quán)重共享和降采樣3個特性來使得其具有圖像識別的位移、縮放和扭曲不變性[18]。

(1)局部感受野 實質(zhì)上就是輸入神經(jīng)元中與隱層中每個神經(jīng)元進行相連的區(qū)域。例如：將輸入圖像像素看作為16×16的方形排列的神經(jīng)元，其中5×5的區(qū)域(25個輸入像素)，對應(yīng)于一個特定的隱藏神經(jīng)元，此5×5的區(qū)域為局部感受野，局部感受野每次移動步長為一個像素(如圖2)。

(2)權(quán)重共享(卷積核、濾波器) 通過局部感受野連接到每個隱藏層神經(jīng)元都具有該區(qū)域的權(quán)值和一個偏置，權(quán)值共享能夠減少卷積神經(jīng)網(wǎng)絡(luò)訓練的參數(shù)。也就是說，對于第j,k個隱性神經(jīng)元的輸出為：

(1)

式中：f為激活函數(shù)，wn,m為5×5的權(quán)重共享數(shù)組，aj+n,k+m表示位置在j+n,k+m的輸入激活值，b為共享的偏置值。

(3)降采樣 卷積神經(jīng)網(wǎng)絡(luò)采用在卷積層后面連接降采樣層(池化層)的方式來解決此問題，降采樣可以簡化從卷積層輸出的信息，降低特征的分辨率。

1.2 高斯差分金字塔分解

圖像經(jīng)過高斯差分金字塔(Difference of Gaussian， DOG)分解可生成N個不同分辨率圖像，高斯差分金字塔由多組金字塔構(gòu)成，其中每組金字塔包含若干層，高斯差分金字塔由高斯金字塔基礎(chǔ)上構(gòu)建的層階構(gòu)成，高斯差分金字塔具體分解過程如下：

步驟1初始化i=0；

步驟2標準圖像I(x,y)上采樣得到高斯金字塔的第一組的第一層圖像g0,0；

步驟3初始化j=0,x=0；

步驟4高斯核Gx與圖像gi,0進行卷積：

(2)

gi,j+1(x,y)=gi,j(x,y)?Gx(x,y,σx)。

(3)

其中σx為平滑參數(shù)。

步驟5將高斯圖像gi,j(x,y)與高斯圖像gi,j+1(x,y)進行差分得到高斯差分圖像di,x：

di,x(x,y)=gi,j(x,y)-gi,j+1(x,y)。

(4)

步驟6j=j+1，x=x+1，反復執(zhí)行步驟4和步驟5，當j>n-1，x>n-2時，執(zhí)行步驟7；

步驟7對圖像gi,0進行下采樣得到第i+1層的高斯圖像gi+1,0。當i=i+1，轉(zhuǎn)至步驟3，當滿足i>m-1時，分解過程結(jié)束。

2 模型構(gòu)建

通過對CNN結(jié)構(gòu)和DOG的理解，本文對兩者進行結(jié)合，基于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，采用多像素缺陷圖像進行輸入，構(gòu)建了MCNN模型，如圖3所示。

本文設(shè)計的多尺度卷積神經(jīng)網(wǎng)絡(luò)MCNN模型共有9層，其中：卷積層(Conv)3層、池化層(pooling)3層、全連接層(Full-Connected)3層。該模型中的卷積層以及全連接層均采用的激活函數(shù)是修正線性神經(jīng)元(ReLU)，相比雙曲正切(Tanh)和S型(Sigmoid)函數(shù)，ReLU激活函數(shù)是一種非線性的非飽和函數(shù)，在訓練中，非飽和函數(shù)比飽和函數(shù)訓練更快，且ReLU不但具有非線性的表達能力，而且擁有線性的性質(zhì)，這使得在誤差反向傳播時，不會由于非線性而導致網(wǎng)絡(luò)局部最優(yōu)，從而克服了Tanh和Sigmoid函數(shù)的梯度消失問題。

為避免過擬合問題，在網(wǎng)絡(luò)的后兩個全連接(FC)層進行棄權(quán)(Dropout)操作[21]，和L1，L2規(guī)范化不同，Dropout并不依賴對代價函數(shù)的修改，而是在Dropout中，改變了網(wǎng)絡(luò)本身。假設(shè)有一個訓練數(shù)據(jù)x，和對應(yīng)的目標輸出y，一般情況下通過在網(wǎng)絡(luò)中前向傳播x，然后進行反向傳播來確定對梯度的貢獻，然而使用Dropout操作(如圖4)，本文從隨機(臨時)地刪除網(wǎng)絡(luò)中的一半隱藏神經(jīng)元開始，同時讓輸入層和輸出層的神經(jīng)元保持不變，在此之后前向傳播輸入x，通過修改后的網(wǎng)絡(luò)，反向傳播結(jié)果，重復此過程?？傮w執(zhí)行過程為：首先重置Dropout的神經(jīng)元；然后選擇一個新的隨機的隱藏神經(jīng)元的子集進行刪除；最后通過估計對一個不同的小批量數(shù)據(jù)的梯度后，再確定更新權(quán)重和偏置。

本文分別采用適合多分類問題的處理Softmax和SVM分類器。假設(shè)訓練樣本為{(x1,y1),(x2,y2),…,(xk,yk)}，因此，假設(shè)函數(shù)將要輸出6維向量來表示這6類的分類概率值，具體的假設(shè)函數(shù)hθ(x)為：

(5)

式中：x(i)表示輸入；y(i)表示輸出；p(y(i))=k|x(i),θ表示給定模型參數(shù)θ的情況下，已知輸入樣本y(i)，估計y(i)屬于類別k的概率。

SVM可以將多維特征映射至高維的核空間，從而使得原本不可分的數(shù)據(jù)獲得新特征，更加有利于分類。它是一種依賴于核函數(shù)的機器學習分類方法，本文選用的實際工程實驗中具有很好分類性能的徑向量基(RBF)核函數(shù)(其中選取的是默認參數(shù)C=10，σ=0.038)：

(6)

3 實證分析—以蓋板玻璃表面缺陷檢測實驗為例

3.1 常見缺陷及檢測流程說明

蓋板玻璃表面缺陷的種類及產(chǎn)生原因是各種各樣的。在嚴格的控制工藝流程中，盡可能地防止缺陷的產(chǎn)生。蓋板玻璃主要的化學成分有SiO2、CaO、Na2O等，蓋板玻璃的生產(chǎn)工藝流程包括：開料、CNC、拋光、鋼化、超聲波清洗、真空鍍膜、絲印等。圖5給出了蓋板玻璃常見的幾種缺陷(原始CCD采集圖像)。

在工廠實踐中，大部分的玻璃外觀缺陷都是經(jīng)過目視/黑白板/比對卡這幾種方式進行檢測，表1所示為某工廠蓋板玻璃表面常見缺陷檢測內(nèi)容及標準。

表1 蓋板玻璃表面常見缺陷內(nèi)容及標準

續(xù)表1

針對蓋板玻璃常見缺陷內(nèi)容與標準，本文利用構(gòu)建的多尺度卷積神經(jīng)網(wǎng)絡(luò)模型對玻璃表面缺陷檢測進行實驗驗證，主要流程如下：

步驟1選擇Caffe深度學習的開源框架作為構(gòu)建多尺度卷積神經(jīng)網(wǎng)絡(luò)模型實驗環(huán)境；

步驟2在構(gòu)建實驗環(huán)境的同時，由CCD相機采集玻璃圖像數(shù)據(jù)，相機內(nèi)所獲得的玻璃缺陷圖像進行處理并將圖像顯示在顯示器上；

步驟3對相機內(nèi)所獲得的玻璃缺陷圖像進行截取，將完整缺陷以及無缺陷圖像挑選出來，將檢測“缺陷圖像”歸一化處理，獲得的圖像尺寸為128×128，建立缺陷標準圖像數(shù)據(jù)集，形成實驗樣本；

步驟4將樣本基于多尺度卷積神經(jīng)網(wǎng)絡(luò)模型進行訓練和驗證，并采用Softmax和SVM分類器進行對比實驗，并標簽化6類缺陷；

步驟5從標準樣本圖像數(shù)據(jù)集中每類隨機選取圖像成為測試樣本，對模型檢測玻璃缺陷圖片分類結(jié)果及準確度進行分析。

3.2 數(shù)據(jù)采集及預(yù)處理

蓋板玻璃生產(chǎn)廠中缺陷圖像基于機器視覺技術(shù)采集，一般采用由CCD相機和圖像采集卡組成，通過CCD相機獲得玻璃圖像，然后進行圖像數(shù)據(jù)的接收和傳輸，對相機內(nèi)所獲得的玻璃缺陷圖像進行處理，將處理后的圖像顯示在顯示器上。本文所用數(shù)據(jù)集均通過此類圖像采集單元獲取，取自于專門生產(chǎn)蓋板玻璃的某玻璃工廠，從不同的生產(chǎn)批次中抽取2萬多張原始樣本圖像。

不同光照強度、光照方向等條件下采集的玻璃表面缺陷圖像存在差距，因此，對原始圖像進行歸一化預(yù)處理。本文采用128×128像素的滑動窗口對整幅CCD采集的玻璃缺陷圖像進行截取，將完整缺陷以及無缺陷圖像挑選出來，建立玻璃表面缺陷標準圖像數(shù)據(jù)集，達到6萬多張標準樣本圖像。為了提高模型訓練的質(zhì)量，本文通過旋轉(zhuǎn)方式人為地擴展了標準圖像數(shù)據(jù)集，總共達到12萬多張標準樣本圖像數(shù)據(jù)集，其中包含劃痕缺陷、裂縫缺陷、異色缺陷、漏光缺陷、氣泡缺陷、雜質(zhì)缺陷圖像(如圖7)。將獲得的標準樣本圖像數(shù)據(jù)集按一定的比例分成訓練集、驗證集與測試集3部分(如表2所示)。

表2 標準缺陷圖像數(shù)據(jù)集

數(shù)據(jù)集劃痕裂縫漏光氣泡異色雜質(zhì)總張數(shù)訓練集13 00013 00013 00013 00013 00013 00078 000驗證集6 5006 5006 5006 5006 5006 50039 000測試集1 0001 0001 0001 0001 0001 0006 000

本實驗將對獲得的標準樣本圖像進行多尺度像素的采樣，通過尺度不變特征變換算法(Scale-invariant feature transform, SIFT)獲得高斯差分金字塔圖像(如圖8)，具體步驟見1.2節(jié)高斯差分金字塔分解節(jié)所述。本實驗主要針對蓋板玻璃常見缺陷：劃痕、裂縫、異色、漏光、氣泡、雜質(zhì)這6種缺陷進行識別檢測。

3.3 模型訓練與驗證

本文實驗設(shè)計的神經(jīng)網(wǎng)絡(luò)模型MCNN基于Caffe深度學習的開源框架進行，Caffe提供了用于訓練、測試、微調(diào)和開發(fā)模型的完整工具包，并且模型與相應(yīng)優(yōu)化都是以文本形式而非代碼形式給出。

本文對多尺度卷積神經(jīng)網(wǎng)絡(luò)模型MCNN采用兩種不同的分類器(Softmax和SVM)進行實驗對比，兩者采用的模型訓練步驟不同，下面給出兩者在MCNN模型訓練測試時的步驟：

(1)基于MCNN+Softmax模型的蓋板玻璃表面缺陷檢測訓練測試步驟如下：

步驟1采用128×128像素的滑動窗口對整幅CCD采集的玻璃缺陷圖像進行截取，將完整缺陷挑選出來，進行圖像歸一化，得到標準的缺陷圖片，整理成標準缺陷數(shù)據(jù)集；

步驟2將標準缺陷圖像進行SIFT提取高斯差分金字塔圖像，得到用于訓練多尺度卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集；

步驟3將獲得的多分辨率圖像訓練數(shù)據(jù)集直接輸入網(wǎng)絡(luò)，通過Slice層將得到的4張多尺度圖像分來，分別進行卷積來提取特征。使用“Gaussian”初始化網(wǎng)絡(luò)權(quán)值，其中偏置設(shè)置為“Constant”；

步驟4從訓練集中選擇一個batch訓練樣本，輸入到網(wǎng)絡(luò)中；

步驟5樣本通過各層間的映射向前傳播，直至Concat進行特征合并，然后繼續(xù)向前傳播直至輸出層，得到實際輸出向量；

步驟6計算實際輸出向量與標簽之間的誤差，若誤差小于一個預(yù)先設(shè)定的閾值(或者訓練迭代次數(shù)達到預(yù)定閾值)，停止網(wǎng)絡(luò)訓練，否則網(wǎng)絡(luò)繼續(xù)進行；

步驟7按照誤差代價最小原則，通過反向傳播對整個網(wǎng)絡(luò)模型的權(quán)值參數(shù)進行調(diào)優(yōu)；

步驟8重新回到步驟4，繼續(xù)訓練下去；

步驟9隨機選取的測試數(shù)據(jù)集，將其輸入至已訓練好的模型(卷積核集合和網(wǎng)絡(luò)權(quán)值參數(shù)等)中進行識別檢測。

(2)基于MCNN+SVM模型的蓋板玻璃表面缺陷檢測訓練測試步驟如下：

步驟1保存MCNN+Softmax已經(jīng)訓練好的網(wǎng)絡(luò)模型，將多分辨率圖像訓練數(shù)據(jù)集代入到訓練好的模型中獲得對應(yīng)的特征向量；

步驟2將特征向量作為SVM訓練數(shù)據(jù)集，將訓練數(shù)據(jù)集分成6種進行抽取，均是某種缺陷對應(yīng)剩余其他缺陷這種形式(總共要識別6種缺陷)；

步驟3分別使用這6種訓練數(shù)據(jù)集對6個二分類支持向量機SVM進行訓練，將訓練好的6個SVM分類器進行保存；

步驟4測試時同樣將測試數(shù)據(jù)集的圖像數(shù)據(jù)轉(zhuǎn)換為特征向量，利用已訓練訓練好的SVM分類器對其進行預(yù)測分類，將獲得6個值中最大的一個作為分類結(jié)果。

本文構(gòu)建的多尺度缺陷圖像檢測模型均采用的是有監(jiān)督訓練方式，其訓練圖像集均由(缺陷圖像，類別標簽)的向量對構(gòu)成，其中“缺陷圖像”均為歸一化圖像，經(jīng)過歸一化之后獲得的圖像尺寸為128×128，“類別標簽”表示輸入缺陷圖像的分類標簽，分為“劃痕”、“裂縫”、“異色”、“漏光”、“氣泡”、“雜質(zhì)”6類。

基于設(shè)計的多尺度卷積神經(jīng)網(wǎng)絡(luò)缺陷圖像檢測模型，表3給出了進行系統(tǒng)訓練的部分參數(shù)配置。在訓練中，Data層輸入的圖像是固定尺寸128×128的RGB圖像，對于訓練集做的預(yù)處理為減去每個像素平均RGB值。選擇是11×11、5×5、3×3的局部感受野的濾波器(捕捉左/右，上/下，中心的概念的最小尺寸)，卷積的步長分別固定為4、1、2個像素。池化層采用的是最大池化，選擇3×3的像素區(qū)域，步長為2。針對不同網(wǎng)絡(luò)結(jié)構(gòu)和不同深度的卷積神經(jīng)網(wǎng)絡(luò)均采用的是3個全鏈接(FC)層，前兩層有4 096個通道，第3層為6種缺陷分類。

最終正式訓練網(wǎng)絡(luò)參數(shù)設(shè)置如下：權(quán)重衰減(weight decay)為0.0005，記憶因子(momentum)為0.9，學習速率(learning rate)為0.001，學習策略(learning policy)為step。選用的小批量訓練尺寸(batch size)為64。歸一化因子(scale)采用GPU模式加速訓練過程，最大訓練迭代次數(shù)為10 000次。

如圖9所示為MCNN+Softmax模型網(wǎng)絡(luò)訓練過程的準確率曲線、訓練損失曲線與驗證損失曲線。從圖9中可以看出，隨著迭代次數(shù)的增加，模型在驗證集上的準確率不斷上升，損失不斷下降，模型達到了很好的收斂，并在迭代次數(shù)7 000次達到98.4%左右。

表3 缺陷圖像檢測系統(tǒng)訓練的部分參數(shù)配置

名稱類別局部感受野大小/步長Conv1Convolution11×11/4pooling1Maxpooling3×3/2Conv2Convolution5×5/1pooling2Max pooling3×3/2Conv3Convolution3×3/1pooling3Max pooling3×3/2FC7Fully connectionFC8Fully connectionFC9Fully connection

直接使用迭代次數(shù)為7 000次的已收斂的model文件，將得到的多尺度圖像訓練數(shù)據(jù)帶入訓練好的此模型中，得到相應(yīng)的特征向量，得到訓練SVM分類器的訓練數(shù)據(jù)集。將得到的訓練數(shù)據(jù)集分為6種抽取方式，對6個二分類支持向量機SVM進行訓練。

3.4 模型測試與評估

對于MCNN+Softmax網(wǎng)絡(luò)模型而言，直接將模型所訓練與驗證的已收斂迭代次數(shù)為7 000次所得model文件用于測試樣本，再次在訓練集上對網(wǎng)絡(luò)模型上確認泛化效果。從標準樣本圖像數(shù)據(jù)集中每類隨機選取1 000張圖像成為測試樣本，使用混淆矩陣表示模型在測試集上的分類結(jié)果、實際分類情況測得值以及分類結(jié)果準確度，如表4所示。

表4 MCNN+Softmax模型測試分類結(jié)果

針對MCNN+SVM網(wǎng)絡(luò)模型，進行測試時需將測試數(shù)據(jù)集的圖像數(shù)據(jù)轉(zhuǎn)換成特征向量，然后運用已經(jīng)訓練好的6個二分類SVM分類器進行預(yù)測分類，得到的6個結(jié)果中最大的那個就是預(yù)測所屬類別。同樣用混淆矩陣對其分類結(jié)果進行分析(如表5)。

將表4和表5進行對比可以發(fā)現(xiàn)，針對玻璃缺陷圖像分類而言，使用Softmax要比SVM分類器的效果要好。對于每一類缺陷的查準率和查全率，使用Softmax分類均比SVM要高，最后的整體準確率Softmax同樣比SVM要高。

表5 MCNN+SVM模型測試分類結(jié)果

3.5 實驗結(jié)果分析

本文還將多尺度卷積神經(jīng)網(wǎng)絡(luò)MCNN與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)CNN進行特征提取的方法進行對比。使用相同的分類器Softmax，實質(zhì)上CNN+Softmax訓練和測試的過程與MCNN+Softmax相同，使用的數(shù)據(jù)集也一致，因此網(wǎng)絡(luò)僅是對比試驗，這里的網(wǎng)絡(luò)參數(shù)不再贅述，最后同樣用混淆矩陣對其分類結(jié)果進行分析，如表6所示。

表6 CNN+softmax模型測試分類結(jié)果

對模型評價，查準率(準確率)和查全率(召回率)的重要程度相同，因此使用F1對這3個不同的實驗?zāi)Ｐ头椒ㄟM行度量，F(xiàn)1定義為查準率(準確率)和查全率(召回率)的調(diào)和平均：

(7)

(8)

其中：P表示的是查準率(準確率)，R表示的是查全率(召回率)。

將這3個不同模型的F1值進行計算得出表7。

表7 不同模型測試F1值對比結(jié)果 %

從表7中可以明顯看出，對比MCNN+SVM與MCNN+Softmax，MCNN使用兩種不同的分類器，發(fā)現(xiàn)使用MCNN+Softmax模型時，每種缺陷的F1值都有所提高，整體的分類準確率提高了2.48%。說明采用不同的分類器，對識別準確率有一定的影響，Softmax分類器的效果更佳，這主要是因為采用一對多的方式對SVM分類器進行分類，數(shù)據(jù)集的不平衡可能會引起一些偏差等原因。然后，對比MCNN+Softmax與CNN+Softmax這兩個模型，無論是每種缺陷的F1值，還是整體的分類準確率上，本文采用的MCNN均比傳統(tǒng)CNN的準確率高，尤其是在劃痕缺陷和雜質(zhì)缺陷圖像識別準確率的提高上幅度比較大，F(xiàn)1值均提高了5.0%以上，這主要是因為多分辨率多尺度的圖像采樣預(yù)處理，使得圖像的特征能夠更好地被提取。

4 結(jié)束語

本文提出一種基于多尺度卷積神經(jīng)網(wǎng)絡(luò)MCNN模型，并對該模型進行了可行性驗證，通過某玻璃廠生產(chǎn)的玻璃產(chǎn)品實際數(shù)據(jù)進行缺陷檢測應(yīng)用試驗與分析，實驗中基于MCNN模型分別使用不同的分類器SVM和Softmax進行對比，結(jié)果發(fā)現(xiàn)分類器Softmax的效果更好，整體識別準確率較高。除此之外，將多尺度卷積神經(jīng)網(wǎng)絡(luò)MCNN與一般卷積神經(jīng)網(wǎng)絡(luò)CNN進行對比，采用相同的分類器Softmax，發(fā)現(xiàn)在MCNN模型在每一類型的缺陷的識別準確率上都有所提高，整體識別準確率達到98.4%，而CNN模型的整體識別率僅92.08%，可見MCNN較傳統(tǒng)CNN在玻璃表面缺陷檢測應(yīng)用中優(yōu)勢較為明顯。

此外，基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計的多尺度卷積神經(jīng)網(wǎng)絡(luò)對玻璃缺陷圖像進行識別檢測，與傳統(tǒng)的玻璃缺陷檢測方法對比，此方法利用卷積神經(jīng)網(wǎng)絡(luò)可以避免傳統(tǒng)圖像檢測方法中的復雜的圖像預(yù)處理和特征提取等過程，能夠大大減小圖像預(yù)處理以及人工特征提取的誤差，多尺度卷積神經(jīng)網(wǎng)絡(luò)對比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)明顯提高了玻璃缺陷識別準確率，這對于玻璃生產(chǎn)行業(yè)的產(chǎn)品缺陷檢驗應(yīng)用具有現(xiàn)實意義。