張振華 陸金桂 李浩然

(南京工業(yè)大學(xué)機(jī)械與動(dòng)力工程學(xué)院 江蘇 南京 211816)

0 引 言

光學(xué)薄膜是一類(lèi)光學(xué)介質(zhì)材料，目前已廣泛應(yīng)用于液晶電視、手機(jī)屏幕、太陽(yáng)能電板等產(chǎn)品中。由于生產(chǎn)中的多方面原因，導(dǎo)致光學(xué)薄膜表面出現(xiàn)氣泡、刮傷、涂料不均等缺陷，這些缺陷不但降低了光學(xué)薄膜表面質(zhì)量，也降低了產(chǎn)品的性能,不同種類(lèi)的缺陷須采取不同的處理辦法。隨著用戶(hù)對(duì)于產(chǎn)品質(zhì)量要求的提高，對(duì)于光學(xué)薄膜生產(chǎn)技術(shù)和缺陷檢測(cè)技術(shù)的要求也越來(lái)越高。

目前主要采取人工模式來(lái)對(duì)光學(xué)薄膜表面缺陷進(jìn)行檢測(cè)，但人工判斷效率低下,受人主觀(guān)性影響大且人工成本較高[1]。隨著計(jì)算機(jī)技術(shù)的發(fā)展，以圖像識(shí)別技術(shù)來(lái)檢測(cè)產(chǎn)品成為可能[2],以圖像處理技術(shù)檢測(cè)缺陷有檢測(cè)速度快、成本較低和檢測(cè)結(jié)果較為穩(wěn)定等優(yōu)勢(shì)[3]。傳統(tǒng)圖像識(shí)別的算法如BP神經(jīng)網(wǎng)絡(luò)[4-5]在進(jìn)行圖像識(shí)別時(shí)需要復(fù)雜的圖像預(yù)處理過(guò)程，通過(guò)從圖像中提取例如Hu不變矩[6]、灰度共生矩[7]等特征數(shù)據(jù)來(lái)進(jìn)行圖像的識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)(CNN)由于其感受野理論[8],使其擁有類(lèi)似于人類(lèi)的圖像處理方式，漸漸被廣泛應(yīng)用于圖像處理中。卷積神經(jīng)網(wǎng)絡(luò)可以直接對(duì)圖像進(jìn)行學(xué)習(xí)，提取圖像特征，不需要復(fù)雜的預(yù)處理過(guò)程，在圖像識(shí)別中對(duì)目標(biāo)具有較好的平移、縮放和旋轉(zhuǎn)不變性[9]。LeCun等[10]首先運(yùn)用CNN完成了對(duì)數(shù)字的識(shí)別；Lawrence等[11]將CNN用于人臉識(shí)別上并取得較好的識(shí)別效果；Ji等[12]以CNN實(shí)現(xiàn)了人體動(dòng)作的識(shí)別；劉孟軻等[13]運(yùn)用CNN實(shí)現(xiàn)了軌道表面缺陷的檢測(cè)；徐珊珊等[14]以CNN檢測(cè)了木材表面的缺陷。但由于卷積神經(jīng)網(wǎng)絡(luò)的特性[15]，對(duì)于不同的識(shí)別目標(biāo)往往需要采用不同的網(wǎng)絡(luò)結(jié)構(gòu)，且需要采用不同的激活函數(shù)來(lái)進(jìn)行匹配，從而提高識(shí)別效率和精度。

由于光學(xué)薄膜圖像對(duì)比度較低，缺陷較小，難以直接進(jìn)行，為提高識(shí)別效率和精度以改進(jìn)的局部二值模擬(LBP)算法對(duì)圖像進(jìn)行簡(jiǎn)單的預(yù)處理。后采用具有雙通道、多尺寸卷積核的卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行特征提取，并配以改進(jìn)的ReLU函數(shù)作為傳遞函數(shù)，提高訓(xùn)練精度和效率。在輸出層，使用支持向量機(jī)(SVM)替代Softmax分類(lèi)器，提高計(jì)算效率和準(zhǔn)確率。利用該方法對(duì)光學(xué)薄膜缺陷進(jìn)行識(shí)別，統(tǒng)計(jì)其識(shí)別率，并與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)方法進(jìn)行對(duì)比。

1 光學(xué)薄膜缺陷種類(lèi)分析

光學(xué)薄膜生產(chǎn)通常采用物理氣相沉積法[16]，其工藝基本過(guò)程為：清潔零件，清潔真空室，抽真空和零件加溫，膜厚儀調(diào)整，離子束轟擊，膜料預(yù)熔，鍍膜，鍍后處理等。每一步工藝流程都會(huì)影響薄膜的質(zhì)量，討論光學(xué)薄膜常見(jiàn)的表面缺陷并研究其產(chǎn)生原因。

(1) 氣泡：氣泡的產(chǎn)生主要由于真空度不夠。由于剩余氣體在機(jī)器中出現(xiàn)導(dǎo)致在鍍膜成型時(shí)膜料分子與氣體同時(shí)到達(dá)基片上，從而在鍍成薄膜的時(shí)候形成了氣泡。

(2) 涂料不均：涂料不均也是由于真空度的影響。由于剩余氣體的緣故導(dǎo)致在濺射過(guò)程中膜料原子和分子與氣體分子相撞，致使有部分膜料氣體無(wú)法到達(dá)基材表面或有些膜料氣體因?yàn)橄嘧哺淖兎较蚨^(guò)多地沉積在了一處形成涂料不均。

(3) 壓痕：壓痕的問(wèn)題一般是由于鍍膜后處理產(chǎn)生，以壓輥對(duì)薄膜進(jìn)行輥壓的時(shí)候由于壓力的不均勻，有些部分壓力過(guò)重有些部分壓力過(guò)輕，導(dǎo)致原料從壓力較高處向壓力較低處流動(dòng)，形成了壓痕。

(4) 刮傷：刮傷主要是由于機(jī)械傳動(dòng)機(jī)構(gòu)所導(dǎo)致。機(jī)械傳動(dòng)機(jī)構(gòu)的表面粗糙造成了薄膜表面出現(xiàn)刮傷，也可能是基材過(guò)于粗糙。

(5) 白點(diǎn)：白點(diǎn)主要由原有材料的問(wèn)題導(dǎo)致。原有材料中含有反射率不同的雜質(zhì)，導(dǎo)致成品之后會(huì)在薄膜中存在一些較其他部分較為明亮的小點(diǎn)。

對(duì)于缺陷種類(lèi)的研究可看出不同的缺陷成因基本不相同，所以在生產(chǎn)檢測(cè)中如果能有效地檢測(cè)并識(shí)別缺陷的種類(lèi)，對(duì)于對(duì)應(yīng)調(diào)整生產(chǎn)設(shè)備的問(wèn)題有很大的幫助。

2 基于改進(jìn)的LBP算法的圖像預(yù)處理

雖然卷積神經(jīng)網(wǎng)絡(luò)可直接讀取圖像進(jìn)行識(shí)別不需復(fù)雜的預(yù)處理過(guò)程，但由于光學(xué)薄膜缺陷區(qū)域像素特征與背景區(qū)域像素特征非常相似，并且缺陷區(qū)域面積相對(duì)較小，直接識(shí)別會(huì)嚴(yán)重影響識(shí)別效率和精度，故采用改進(jìn)的LBP算法對(duì)其進(jìn)行簡(jiǎn)單的缺陷分割預(yù)處理，便于識(shí)別。

2.1 LBP算法

LBP算法由Ojala等[17]提出，其原理是在灰度圖像中，對(duì)像素點(diǎn)(P,R)鄰域采樣，R(R>0)為鄰域半徑，P(P>0)為鄰域像素總數(shù)，P個(gè)鄰域像素均勻分布在半徑為R的圓周上，如圖1所示。

圖1 不同P、R值的LBP圓環(huán)形鄰域

以中心像素點(diǎn)像素值gc為閾值對(duì)鄰域各像素點(diǎn)像素值gi(i=0,1,…,P-1)做二值化處理，然后根據(jù)不同位置像素權(quán)重相乘，乘積之和即為L(zhǎng)BP值。

(1)

(2)

由于傳統(tǒng)LBP算法對(duì)于像素的變化十分敏感，雖能很好地檢測(cè)出缺陷，但往往會(huì)將圖像背景中灰度波動(dòng)區(qū)域誤識(shí)別為缺陷，故需要采取一定的改進(jìn)方法使其對(duì)背景的波動(dòng)有一定的魯棒性。

2.2 改進(jìn)的LBP算法

(3)

圖像方差為：

(4)

以此計(jì)算各小塊方差和圖像全圖方差，后將小塊方差與全圖方差進(jìn)行對(duì)比，將方差大于全圖方差的小塊視為缺陷引起的灰度變化，采用傳統(tǒng)LBP方法選取小塊中心像素為閾值進(jìn)行LBP處理；方差小于全圖方差小塊視為背景區(qū)域，以全圖灰度均值作為閾值進(jìn)行LBP處理。改進(jìn)的LBP算法流程如圖2所示。

圖2 改進(jìn)的LBP算法流程

采用該方法對(duì)圖像進(jìn)行簡(jiǎn)單的預(yù)處理，以氣泡和涂料不均圖像為例，效果圖和與LBP方法對(duì)比如圖3所示。

(a) 氣泡 (b) LBP處理 (c) 改進(jìn)LBP處理

(d) 涂料不均 (e) LBP處理 (f) 改進(jìn)LBP處理圖3 圖像預(yù)處理效果圖

3 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)

3.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、激活函數(shù)、池化層、全連接層組成，卷積層通過(guò)卷積核對(duì)圖像的特征進(jìn)行提取，對(duì)于不同的物體的圖像往往需要不同的卷積核來(lái)提取特征。

激活函數(shù)即為神經(jīng)元之間輸入和輸出之間映射關(guān)系的表達(dá)，通常激活函數(shù)對(duì)輸入進(jìn)行映射變化從而得到輸出，同時(shí)在映射過(guò)程中不會(huì)改變特征圖的尺寸。激活函數(shù)一般采用非線(xiàn)性函數(shù)，如ReLU函數(shù)、Sigmoid函數(shù)和tanh函數(shù)等。

池化層通常跟在卷積層之后，一層卷積層配合一層池化層，池化層將相近的特征進(jìn)行合并，以此來(lái)減少卷積層輸出的特征圖大小，減少計(jì)算量的同時(shí)，防止過(guò)擬合現(xiàn)象。

通常情況，卷積神經(jīng)網(wǎng)絡(luò)采用一個(gè)卷積層后連接一個(gè)池化層的方式加強(qiáng)網(wǎng)絡(luò)性能，并以多個(gè)卷積層和池化層的方式來(lái)提高精確度。而在網(wǎng)絡(luò)中所有層之間都是完全連接的，導(dǎo)致存在大量的參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)通過(guò)共享權(quán)重將相同權(quán)重用于相同的層中，減少了計(jì)算量，也能提高網(wǎng)絡(luò)性能。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

3.2 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)的單通道卷積神經(jīng)網(wǎng)絡(luò)為了豐富所提取特征的來(lái)源和層次，往往采用添加卷積層的方法，但若一味地添加卷積層會(huì)導(dǎo)致網(wǎng)絡(luò)層數(shù)過(guò)高，妨礙數(shù)據(jù)信息的傳播，訓(xùn)練較為困難。所以，為了在充分提取圖像的特征和訓(xùn)練難度之間取得平衡，本文設(shè)計(jì)了雙通道結(jié)構(gòu)，兩通道分別使用不同尺寸卷積核，提取到不同層次的特征，豐富特征輸入。

第一層通道卷積核尺寸： 3×3，5×5，9×9；第二層通道卷積核尺寸：5×5，7×7，10×10。第一層通道，小尺寸卷積核感受野小，側(cè)重提取輸入圖像的局部特征；第二層通道，大尺寸卷積核感受野大，側(cè)重提取圖像的全局特征。最后兩層通道所提取的特征被融合形成多方位多角度的融合特征，可以更加充分體現(xiàn)樣本圖像特性。

與單通道卷積神經(jīng)網(wǎng)絡(luò)相比，雙通道卷積神經(jīng)網(wǎng)絡(luò)所提取的圖像特征抽象程度更高，表達(dá)能力更強(qiáng)，圖像特征豐富，尤其對(duì)樣本數(shù)量不夠充分的小樣本分類(lèi)問(wèn)題特別適用。本文模型結(jié)構(gòu)如圖5所示。

圖5 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

本文采用輸入圖片統(tǒng)一大小為128×128的分辨率，本文模型包含6個(gè)卷積層(C1，C2，C3，C4，C5，C6)，6個(gè)池化層(P1，P2，P3，P4，P5，P6)，兩個(gè)全連接層(F1,F2)以及SVM分類(lèi)器。池化層以均值池化的方法得到池化結(jié)果。

第一個(gè)子卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為：卷積層C1由16個(gè)9×9的卷積核進(jìn)行卷積，得到16個(gè)不同的特征圖，則得到C1的大小為120×120×16，后由池化層P1對(duì)卷積層C1以2×2的單元進(jìn)行池化操作，將C1的特征圖由120×120×16轉(zhuǎn)化為P1的60×60×16。再以32個(gè)5×5的卷積核對(duì)P1進(jìn)行卷積，得到由56×56×32個(gè)特征圖組成的卷積層C2，再以2×2的單元對(duì)C2進(jìn)行池化操作，得到由28×28×32個(gè)特征圖組成的池化層P2。最后對(duì)池化層P2采用64個(gè)3×3的卷積核進(jìn)行卷積得到26×26×64結(jié)構(gòu)的卷積層C3，以2×2的單元對(duì)C3進(jìn)行采樣操作，得到第一個(gè)子卷積神經(jīng)網(wǎng)絡(luò)的最終池化層P3，其包含64個(gè)13×13的特征圖。

第二個(gè)子卷積神經(jīng)網(wǎng)絡(luò)采取結(jié)構(gòu)為：以16個(gè)7×7的卷積核進(jìn)行卷積操作，得到16個(gè)122×122的特征圖，組成卷積層C4，后采用2×2的池化單元對(duì)卷積層C4進(jìn)行池化操作得到P4為61×61×16。再以32個(gè)10×10的卷積核對(duì)P4進(jìn)行卷積處理，得到32個(gè)52×52的特征圖，組成了卷積層C5，以2×2的單元進(jìn)行池化操作得到P5為26×26×32。最后以64個(gè)5×5的單元對(duì)P5進(jìn)行卷積，得到卷積層C6包含64個(gè)22×22的特征圖，以2×2的池化單元對(duì)C6進(jìn)行池化最終得到第二個(gè)子卷積神經(jīng)網(wǎng)絡(luò)的池化層P6為11×11×64。

全連接層F1的輸入來(lái)自?xún)蓚€(gè)子卷積神經(jīng)網(wǎng)絡(luò)的最終池化層P3和P6，如式(5)所示，綜合提取得到全連接層包含512個(gè)特征，F(xiàn)1與F2采用全連接的方法。

(5)

在輸出層，使用支持向量機(jī)替代Softmax分類(lèi)器，可以提高計(jì)算效率和準(zhǔn)確率，快速收斂，獲得最優(yōu)值。

3.3 改進(jìn)激活函數(shù)

激活函數(shù)在卷積神經(jīng)網(wǎng)絡(luò)中通過(guò)非線(xiàn)性函數(shù)將激活的神經(jīng)元特征映射出來(lái)，即在網(wǎng)絡(luò)中傳遞信號(hào)，是神經(jīng)網(wǎng)絡(luò)解決問(wèn)題的關(guān)鍵。常用的激活函數(shù)有Sigmoid函數(shù)、tanh函數(shù)、ReLU函數(shù)等，但這些函數(shù)或多或少都有些缺陷。Sigmoid函數(shù)和tanh函數(shù)易出現(xiàn)梯度彌散的問(wèn)題；ReLU函數(shù)是分段的線(xiàn)性非飽和函數(shù)，是目前運(yùn)用較為廣泛的激活函數(shù)，相比Sigmoid函數(shù)和tanh函數(shù)有了很大的進(jìn)步，但是其在運(yùn)行時(shí)會(huì)將一部分神經(jīng)元的輸出設(shè)為0，會(huì)造成神經(jīng)網(wǎng)絡(luò)稀疏問(wèn)題。本文對(duì)光學(xué)薄膜缺陷進(jìn)行識(shí)別，由于光學(xué)薄膜缺陷種類(lèi)較多且有些特征較為接近，需要對(duì)圖像特征的映射更加精確。

Softplus函數(shù)也是非飽和線(xiàn)性函數(shù)，其數(shù)學(xué)表達(dá)式如式(6)所示，與ReLU函數(shù)相比稀疏性較差，收斂速度比ReLU函數(shù)慢，但ReLU函數(shù)過(guò)分的強(qiáng)制稀疏往往會(huì)導(dǎo)致模型錯(cuò)誤率的增高，其數(shù)學(xué)表達(dá)式如式(7)所示。本文采取兩個(gè)函數(shù)各自的優(yōu)點(diǎn)，構(gòu)造一個(gè)非飽和線(xiàn)性的激活函數(shù)用于神經(jīng)網(wǎng)絡(luò)的輸入輸出映射，以期提高識(shí)別率。

f(x)=loge(1+ex)

(6)

(7)

在進(jìn)行輸入輸出的映射時(shí)，由于ReLU函數(shù)將小于0的部分都強(qiáng)制輸出為0，使小于0的神經(jīng)元都處于非激活狀態(tài)，導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)受阻。本文引入Softplus函數(shù)，對(duì)小于0的部分使用Softplus函數(shù)來(lái)進(jìn)行處理。當(dāng)x=0時(shí)，Softplus函數(shù)的取值為ln2，為了保證組合函數(shù)的連貫性將Softplus函數(shù)減去ln2，使函數(shù)連貫。對(duì)于大于0的部分依舊采用ReLU函數(shù)進(jìn)行處理，以此方法改進(jìn)ReLU函數(shù)會(huì)造成神經(jīng)網(wǎng)絡(luò)過(guò)度稀疏的問(wèn)題，綜合得到的改進(jìn)激活函數(shù)公式如式(8)所示，其導(dǎo)數(shù)如式(9)所示。

(8)

(9)

以此操作保留了ReLU函數(shù)收斂較快，不易丟失有用特征的優(yōu)點(diǎn)，同時(shí)通過(guò)使用Softplus函數(shù)保留了小于0部分神經(jīng)元的特征信息，提高了信息的獲取量，避免模型欠擬合。改進(jìn)的激活函數(shù)圖像如圖6所示。

圖6 改進(jìn)的激活函數(shù)圖像

3.4 使用SVM代替Softmax分類(lèi)器

卷積神經(jīng)網(wǎng)絡(luò)具有較好的特征提取能力，但其分類(lèi)效果一般，卷積神經(jīng)網(wǎng)絡(luò)通常采用Softmax分類(lèi)器。支持向量機(jī)具有較好的泛化性能，它可以在學(xué)習(xí)能力與模型復(fù)雜度之間取得最佳平衡。支持向量機(jī)能較好解決機(jī)器學(xué)習(xí)算法經(jīng)常遇到的小樣本、局部極值、高維數(shù)問(wèn)題。

將SVM代替Softmax分類(lèi)器并與卷積神經(jīng)網(wǎng)絡(luò)組成CNN-SVM模型，可以充分利用兩者的優(yōu)點(diǎn)。其工作過(guò)程為：將樣本輸入到卷積神經(jīng)網(wǎng)絡(luò)中，利用CNN強(qiáng)大的特征提取能力，得到多尺度特征向量，然后將這些特征向量輸入SVM中，經(jīng)二次訓(xùn)練，得到CNN-SVM模型。

本文數(shù)據(jù)集包含1 500幅圖片，屬于小樣本數(shù)據(jù)集，而卷積神經(jīng)網(wǎng)絡(luò)需要大量樣本才可以充分訓(xùn)練好模型中的權(quán)重，而SVM的參數(shù)較少，在數(shù)據(jù)不充分的小樣本情況下，也可以很好地完成分類(lèi)問(wèn)題。因此面對(duì)小樣本時(shí)，CNN-SVM模型因結(jié)合了CNN的特征提取性能和SVM的分類(lèi)性能，更具有適應(yīng)性。

卷積神經(jīng)網(wǎng)絡(luò)通過(guò)梯度下降法更新模型權(quán)重，當(dāng)學(xué)習(xí)率等各項(xiàng)參數(shù)沒(méi)有調(diào)試精確時(shí)，模型容易陷入局部極小值，導(dǎo)致最終分類(lèi)效果不理想。而SVM采用最小化結(jié)構(gòu)風(fēng)險(xiǎn)原則，并采用最大化間隔方法，可以避免陷入局部極小值，彌補(bǔ)了卷積神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)。

Softmax分類(lèi)器在對(duì)目標(biāo)樣本分類(lèi)時(shí)，若目標(biāo)樣本的分類(lèi)概率大于0.9則認(rèn)為分類(lèi)正確，但此時(shí)損失函數(shù)仍然繼續(xù)計(jì)算，僅在分類(lèi)概率接近1時(shí)才會(huì)終止計(jì)算，這種情況下運(yùn)行時(shí)間會(huì)更長(zhǎng)；而SVM的側(cè)重點(diǎn)在于被錯(cuò)誤分類(lèi)的目標(biāo)樣本，對(duì)分類(lèi)正確的目標(biāo)樣本不再計(jì)算，因此使用SVM分類(lèi)器可以提高計(jì)算效率，縮短訓(xùn)練時(shí)間，識(shí)別效果更好。

4 實(shí) 驗(yàn)

實(shí)驗(yàn)采用單核CPU:3.30 GHz，內(nèi)存4 GB，GPU為NVIDIA GTX960，操作系統(tǒng)為64位Windows 7系統(tǒng)，使用MATLAB 2016a編寫(xiě)算法。采用1 500幅光學(xué)薄膜缺陷圖片作為數(shù)據(jù)庫(kù)，氣泡、涂料不均、白點(diǎn)、壓痕、刮傷各缺陷圖片300幅。隨機(jī)選取1 200幅光學(xué)薄膜缺陷圖像作為訓(xùn)練集(各缺陷240幅)，剩余300幅光學(xué)薄膜圖像作為驗(yàn)證測(cè)試集。再對(duì)驗(yàn)證集分別進(jìn)行旋轉(zhuǎn)操作，旋轉(zhuǎn)角度分別為旋轉(zhuǎn)45°、90°、135°、180°，進(jìn)行一共5組實(shí)驗(yàn)。

將數(shù)據(jù)集復(fù)制為兩份，一份采用傳統(tǒng)的LBP算法進(jìn)行預(yù)處理，一份采用改進(jìn)的LBP算法進(jìn)行預(yù)處理。改進(jìn)的LBP算法預(yù)處理效果如圖7所示。

(a) 氣泡 (b) 涂料不均 (c) 壓痕

參與實(shí)驗(yàn)的各卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和所使用的預(yù)處理算法如表1所示。

表1 各卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)以及所使用的預(yù)處理算法

實(shí)驗(yàn)結(jié)果如圖8、表2、表3所示。

圖8 不同模型分類(lèi)準(zhǔn)確率對(duì)比

表2 不同模型平均分類(lèi)準(zhǔn)確率對(duì)比 %

表3 不同模型訓(xùn)練時(shí)間對(duì)比 s

從實(shí)驗(yàn)結(jié)果中可看出，改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)光學(xué)薄膜缺陷的識(shí)別率有了明顯的提高，無(wú)論是將圖像做了多少度的旋轉(zhuǎn)，本文方法始終保持較高的識(shí)別率，且識(shí)別率波動(dòng)不大，說(shuō)明本文算法對(duì)旋轉(zhuǎn)、平移有較好的魯棒性。

對(duì)比本文方法和CNN1可以發(fā)現(xiàn)，本文采用改進(jìn)的預(yù)處理算法，通過(guò)設(shè)計(jì)雙通道模型，使用Softplus函數(shù)改進(jìn)ReLU函數(shù)，并且使用SVM代替Softmax分類(lèi)器構(gòu)建新的CNN模型，其分類(lèi)準(zhǔn)確率、訓(xùn)練時(shí)間較傳統(tǒng)的CNN模型均有顯著改善，平均分類(lèi)準(zhǔn)確率提高了8.6百分點(diǎn)，訓(xùn)練時(shí)間縮短了16 s，充分驗(yàn)證了本文設(shè)計(jì)的預(yù)處理算法、改進(jìn)的CNN模型對(duì)光學(xué)薄膜缺陷檢測(cè)的適用性。

對(duì)比本文方法和CNN2，在使用相同預(yù)處理算法、相同雙通道結(jié)構(gòu)、相同激活函數(shù)的前提條件下，使用SVM分類(lèi)器替代Softmax分類(lèi)器的識(shí)別模型，準(zhǔn)確率提高了3.2個(gè)百分點(diǎn)，訓(xùn)練時(shí)間縮短了19 s。這是因?yàn)閷?duì)于分類(lèi)概率大于0.9的目標(biāo)樣本，SVM分類(lèi)器不再處理，而Softmax分類(lèi)器的損失函數(shù)仍然繼續(xù)計(jì)算，因此使用SVM分類(lèi)器大幅度縮短訓(xùn)練時(shí)間，提高網(wǎng)絡(luò)模型泛化能力。

對(duì)比本文方法和CNN3，在使用相同的雙通道結(jié)構(gòu)，相同的激活函數(shù)、相同的分類(lèi)器的前提條件下，使用改進(jìn)的LBP算法進(jìn)行預(yù)處理的識(shí)別實(shí)驗(yàn)，平均分類(lèi)準(zhǔn)確率提高了4.6百分點(diǎn)，這是因?yàn)楦倪M(jìn)的LBP算法準(zhǔn)確地將輸入圖像中的目標(biāo)物分割出來(lái)，提高了輸入圖像的質(zhì)量。這證明了改進(jìn)的LBP算法對(duì)提高模型分類(lèi)準(zhǔn)確率的有效性。

5 結(jié) 語(yǔ)

1) 本文設(shè)計(jì)了適用于光學(xué)薄膜表面缺陷識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)光學(xué)薄膜圖像進(jìn)行簡(jiǎn)單的預(yù)處理，將處理后的圖像輸入改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，并最終完成對(duì)光學(xué)薄膜缺陷的識(shí)別檢測(cè)。

2) 以改進(jìn)的LBP算法對(duì)光學(xué)薄膜缺陷圖像進(jìn)行預(yù)處理。雖然卷積神經(jīng)網(wǎng)絡(luò)可以直接讀取圖片進(jìn)行識(shí)別，不需要復(fù)雜的預(yù)處理階段，但光學(xué)薄膜缺陷對(duì)比度較低，直接識(shí)別難度較大。通過(guò)將光學(xué)薄膜圖像分塊，計(jì)算小塊方差和全圖方差，對(duì)方差大于全圖方差的小塊采用中間像素灰度作為L(zhǎng)BP閾值；小于全圖方差的小塊以全圖像素灰度均值作為L(zhǎng)BP閾值。以該方法很好地完成了光學(xué)薄膜圖像預(yù)處理過(guò)程。實(shí)驗(yàn)結(jié)果表明，在使用相同的CNN模型前提下，使用改進(jìn)的LBP算法進(jìn)行預(yù)處理的缺陷識(shí)別實(shí)驗(yàn)，平均分類(lèi)準(zhǔn)確率提高了4.6百分點(diǎn)。

3) 以設(shè)置雙通道、不同尺寸卷積核的方式將卷積神經(jīng)網(wǎng)絡(luò)分為兩個(gè)不相關(guān)的子部分，通過(guò)不同尺寸卷積核提取的圖像特征最終在全連接層匯總。為進(jìn)一步提高識(shí)別精度，以ReLU函數(shù)和Softplus函數(shù)取優(yōu)，構(gòu)建了改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)激活函數(shù)，用于映射輸入和輸出之間的關(guān)系。為了提升計(jì)算效率和準(zhǔn)確率，使用SVM分類(lèi)器替代Softmax分類(lèi)器。最終以1 500幅光學(xué)薄膜圖像對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，通過(guò)與其他3種卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比，本文所提卷積神經(jīng)網(wǎng)絡(luò)在光學(xué)薄膜缺陷的識(shí)別率以及計(jì)算效率上有了明顯的提高，相對(duì)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)，平均識(shí)別率提高了8.6個(gè)百分點(diǎn)，訓(xùn)練時(shí)間縮短了16 s，證明了該方法在光學(xué)薄膜缺陷識(shí)別中的優(yōu)越性和可行性。