亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于MobileNetV2的圓形指針式儀表識(shí)別系統(tǒng)

        2021-04-20 14:07:40李慧慧張李軒
        計(jì)算機(jī)應(yīng)用 2021年4期
        關(guān)鍵詞:指針式圓形儀表

        李慧慧,閆 坤*,張李軒,劉 威,李 執(zhí)

        (1.桂林電子科技大學(xué)信息與通信學(xué)院,廣西桂林 541004;2.衛(wèi)星導(dǎo)航定位與位置服務(wù)國(guó)家地方聯(lián)合工程研究中心(桂林電子科技大學(xué)),廣西桂林 541004)

        0 引言

        電力、化工等領(lǐng)域存在數(shù)量龐大的儀表用來(lái)記錄現(xiàn)場(chǎng)狀況和生產(chǎn)數(shù)據(jù)[1],由于電磁干擾等環(huán)境因素的影響,工業(yè)生產(chǎn)普遍采用指針式儀表[2]。指針式儀表讀數(shù)識(shí)別主要依靠專業(yè)人員定期進(jìn)行現(xiàn)場(chǎng)巡檢,該工作方式易受到人眼分辨能力、工作人員熟練程度、視覺(jué)疲勞等主觀因素的影響,檢測(cè)效率較低且難以保證數(shù)據(jù)的準(zhǔn)確性。而在高輻射、強(qiáng)噪聲、高低溫等不適宜近距離測(cè)量環(huán)境內(nèi),儀表的采集和讀取是一項(xiàng)非常艱巨的任務(wù)[3]。隨著我國(guó)工業(yè)領(lǐng)域從勞動(dòng)密集型向科技密集型不斷轉(zhuǎn)變,傳統(tǒng)人工抄表方式亟需轉(zhuǎn)向基于機(jī)器視覺(jué)的智能識(shí)別,以提高生產(chǎn)效率[4]。因此,實(shí)現(xiàn)指針式儀表的自動(dòng)識(shí)別和檢測(cè)具有重要的現(xiàn)實(shí)意義及市場(chǎng)價(jià)值。

        關(guān)于指針式儀表智能識(shí)別的課題,國(guó)外研究較早并取得了一定的成果[5-6]。葡萄牙里斯本技術(shù)大學(xué)的Alegria 等[7]采用減影法提取指針圖像,再利用Hough 變換確定指針的偏轉(zhuǎn)角度,但這種方法需要在相同環(huán)境下獲取兩個(gè)讀數(shù)不同的表盤指針。Vázquezfernández 等[8]通過(guò)調(diào)整相機(jī)位置定位指針式儀表的旋轉(zhuǎn)中心,獲取固定大小圖像。相較于國(guó)外指針式儀表智能識(shí)別的研究進(jìn)展,國(guó)內(nèi)的研究進(jìn)展較慢。孫婷等[9]提出基于二維伽馬函數(shù)的儀表識(shí)別方法,能夠適應(yīng)不同光照、不同類型的儀表指針定位,且識(shí)別的正確率達(dá)到94%;張雪飛等[10]根據(jù)尺度不變特征點(diǎn)匹配方法研究統(tǒng)一自動(dòng)識(shí)別讀數(shù)的算法框架,能夠快速識(shí)別多類指針式儀表。盛慶華等[11]針對(duì)現(xiàn)有指針式儀表自動(dòng)讀數(shù)對(duì)圖像采集條件要求比較苛刻的缺陷,提出了一種基于雙重霍夫空間投票的指針式儀表自動(dòng)讀數(shù)方法,可以達(dá)到92%的識(shí)別率。隨著深度學(xué)習(xí)的發(fā)展,一批學(xué)者將深度學(xué)習(xí)方法用于指針式儀表的識(shí)別課題研究中。萬(wàn)吉林等[12]提出了一種基于Faster R-CNN(Faster Region-Convolutional Neural Network)和U-Net 的儀表識(shí)別方法,漏檢率為2.86%,能達(dá)到較高的識(shí)別準(zhǔn)確率。周楊浩等[13]利用全卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行語(yǔ)義分割以檢測(cè)儀表位置并提取儀表部分的圖像。

        圓形指針式儀表自動(dòng)檢測(cè)與識(shí)別大多基于預(yù)先獲取的儀表圖像,采用Hough變換算法進(jìn)行儀表定位[14],這種方法前期需要大量?jī)x表目標(biāo)的記錄與相機(jī)的標(biāo)定工作,以保證所得儀表圖像的質(zhì)量,因此每次儀表位置發(fā)生變化都需要重新進(jìn)行測(cè)量與標(biāo)定。這類方法普適性、穩(wěn)定性較差,尤其在復(fù)雜場(chǎng)景下,單一圓形Hough變換應(yīng)用受限。針對(duì)這種缺陷,可采用深度學(xué)習(xí)目標(biāo)檢測(cè)算法,但伴隨著海量參數(shù)復(fù)雜運(yùn)算等問(wèn)題。為解決以上問(wèn)題,本文提出了一種基于預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型與圓形Hough變換相結(jié)合的圓形儀表智能檢測(cè)和識(shí)別系統(tǒng),用于復(fù)雜場(chǎng)景下圓形指針式儀表檢測(cè)和識(shí)別。

        該系統(tǒng)首先采用圓形Hough 變換提取圓形區(qū)域,將所得圓形區(qū)域轉(zhuǎn)換為基于預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型的輸入,通過(guò)圓形Hough 變換,降低復(fù)雜場(chǎng)景內(nèi)其他非圓形區(qū)域的資源占用。MobileNetV2網(wǎng)絡(luò)模型是一種輕量型的網(wǎng)絡(luò)模型[15],該模型參數(shù)較少,可快速訓(xùn)練出指定任務(wù)的模型,并且可以很好地運(yùn)行在移動(dòng)端設(shè)備和嵌入式設(shè)備中,為工業(yè)圓形指針式儀表識(shí)別奠定了非常好的基礎(chǔ)。因此采用基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型與圓形Hough 變換相結(jié)合的圓形儀表智能檢測(cè)和識(shí)別系統(tǒng),既能夠高效地將本文方法落實(shí)到工業(yè)指針式儀表識(shí)別中,同時(shí)也能達(dá)到非常高的識(shí)別率,可有效優(yōu)化工廠人員結(jié)構(gòu),提高工廠工作效率,降低人工干預(yù)誤差。

        1 復(fù)雜場(chǎng)景下圓形儀表智能識(shí)別系統(tǒng)

        針對(duì)復(fù)雜場(chǎng)景下圓形指針式儀表的檢測(cè)與識(shí)別,本文提出一種基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型與圓形Hough 變換相結(jié)合的圓形儀表智能檢測(cè)和識(shí)別系統(tǒng),該系統(tǒng)如圖1所示。

        圖1 圓形指針式儀表智能檢測(cè)和識(shí)別系統(tǒng)示意圖Fig.1 Schemmatic diagram of intelligent detection and recognition system for circular pointer instrument

        首先,通過(guò)攝像頭采集工業(yè)工廠中圓形指針式儀表的圖像,采用圓形Hough 變換方法確定多個(gè)圓形區(qū)域的圓心及半徑,根據(jù)圓心和半徑設(shè)置相應(yīng)的圓形掩膜,提取對(duì)應(yīng)圓形區(qū)域,實(shí)現(xiàn)對(duì)圓形區(qū)域的目標(biāo)檢測(cè)。然后,將該目標(biāo)檢測(cè)的圖像作為改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型的輸入??紤]到遷移學(xué)習(xí)對(duì)網(wǎng)絡(luò)模型的優(yōu)勢(shì),本文對(duì)預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型進(jìn)行修改,然后重新訓(xùn)練得到一個(gè)網(wǎng)絡(luò)模型,最后在測(cè)試數(shù)據(jù)集上進(jìn)行測(cè)試,對(duì)圓形指針式儀表進(jìn)行識(shí)別。圓形指針式儀表自動(dòng)檢測(cè)和識(shí)別系統(tǒng)的流程如圖2所示。

        圖2 圓形指針式儀表自動(dòng)檢測(cè)和識(shí)別系統(tǒng)的流程Fig.2 Flowchart of automatic detection and identification system of circular pointer type instrumen

        1.1 基于Hough變換的圓形區(qū)域檢測(cè)

        計(jì)算機(jī)視覺(jué)任務(wù)中幾何圖形(如直線段、圓形、三角形、四邊形等)的識(shí)別是復(fù)雜場(chǎng)景圖像分析理解的基礎(chǔ)[16],圓形是其中一個(gè)重要的研究領(lǐng)域,比如:醫(yī)學(xué)檢驗(yàn)中對(duì)胎兒小腦的檢測(cè)[17]、交通領(lǐng)域中對(duì)圓形交通標(biāo)記的識(shí)別[18]、人臉識(shí)別中對(duì)瞳孔與虹膜的定位、芯片制造業(yè)中光掩膜基板的定位等都需要識(shí)別圖像中的圓形目標(biāo)。比較典型的圓形類目標(biāo)檢測(cè)算法有幾何判斷法、目標(biāo)函數(shù)優(yōu)化法、模板匹配法和Hough 變換[19]。復(fù)雜場(chǎng)景內(nèi)采集的圖像樣本數(shù)據(jù),往往受噪聲、遮擋、照明變化的影響較大,結(jié)合不同圓形類目標(biāo)檢測(cè)算法的利弊及實(shí)際運(yùn)用需求,本文選用圓形Hough 變換提取輸入圖像內(nèi)的所有圓形區(qū)域。

        1.2 圓形指針式儀表目標(biāo)識(shí)別

        1.2.1 深度分離卷積

        深度分離卷積[20]是MobileNetV2 網(wǎng)絡(luò)模型中非常關(guān)鍵的一個(gè)結(jié)構(gòu),該結(jié)構(gòu)利用分解卷積運(yùn)算符代替完整的卷積算子,因式分解將標(biāo)準(zhǔn)卷積分為兩個(gè)分卷積:第一層為深度卷積,對(duì)輸入數(shù)據(jù)的單通道進(jìn)行輕量級(jí)濾波;第二層為逐點(diǎn)卷積,計(jì)算輸入通道特性以構(gòu)建新特征向量。

        標(biāo)準(zhǔn)卷積Li的輸入尺寸為hi×ωi×di,應(yīng)用標(biāo)準(zhǔn)卷積核K∈Rk×k×di×dj產(chǎn)生輸出Lj為hi×ωi×dj。

        1)標(biāo)準(zhǔn)卷積的計(jì)算消耗為hi×ωi×di×dj×k×k。

        2)拆分后深度分離卷積計(jì)算消耗為hi×ωi×di(k2+dj)。其中:hi×ωi×di為卷積輸入尺寸;k×k×di×dj中k×k為卷積核大?。籨j為卷積核的個(gè)數(shù)。

        MobileNetV2 網(wǎng)絡(luò)模型中使用卷積核大小為3× 3 時(shí),與標(biāo)準(zhǔn)卷積相比計(jì)算量減少為原來(lái)的1/9~1/8,但是精度上基本沒(méi)有什么損失。

        1.2.2 反向殘差網(wǎng)絡(luò)

        反向殘差網(wǎng)絡(luò)[21]結(jié)構(gòu)先通過(guò)擴(kuò)展層來(lái)擴(kuò)展維度,再用深度分離卷積提取特征,最后使用投影層來(lái)壓縮數(shù)據(jù),讓網(wǎng)絡(luò)重新變小,整個(gè)網(wǎng)絡(luò)中間胖、兩頭窄,呈沙漏形狀,因此將這樣的結(jié)構(gòu)稱為反向殘差網(wǎng)絡(luò)。該網(wǎng)絡(luò)中的擴(kuò)展層,使用1×1 的網(wǎng)絡(luò)結(jié)構(gòu),將低維空間映射到高維空間,而投影層也是使用1×1的網(wǎng)絡(luò)結(jié)構(gòu)將高維空間映射到低維空間。如果一個(gè)張量維度越低,卷積層的乘法計(jì)算量就越小,整個(gè)網(wǎng)絡(luò)的計(jì)算速度就會(huì)特別快,因此該網(wǎng)絡(luò)首先將特征張量輸入到擴(kuò)展層進(jìn)行特征提取,然后再將經(jīng)過(guò)深度分離卷積提取的特征通過(guò)投影層返回到原來(lái)的空間維度,同時(shí)添加殘差連接以有效利用不同位置之間的信息,具體的反向殘差網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

        圖3 反向殘差網(wǎng)絡(luò)Fig.3 Inverted residual network

        1.2.3 基于MobileNetV2的遷移學(xué)習(xí)

        遷移學(xué)習(xí)[22]是將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識(shí)或模式應(yīng)用到不同但相關(guān)的領(lǐng)域中,從相關(guān)領(lǐng)域中遷移標(biāo)注數(shù)據(jù)或知識(shí)結(jié)構(gòu),完成或改進(jìn)目標(biāo)任務(wù)的學(xué)習(xí)效果。本文提出的圓形指針式儀表檢測(cè)和識(shí)別系統(tǒng)已基于ImageNet學(xué)習(xí)了豐富的特征表示,通過(guò)遷移學(xué)習(xí)無(wú)形中擴(kuò)充了訓(xùn)練數(shù)據(jù),使得模型泛化能力更好。

        MobileNetV2 是一種輕量型神經(jīng)網(wǎng)絡(luò),本文系統(tǒng)在保留MobileNetV2 網(wǎng)絡(luò)模型中深度分離卷積和反向殘差網(wǎng)絡(luò)的同時(shí),對(duì)該網(wǎng)絡(luò)模型進(jìn)行改造,刪減一些不必要的卷積層,并對(duì)最后的全連接層進(jìn)行調(diào)整,使得該網(wǎng)絡(luò)模型能夠適用于本文的研究任務(wù),實(shí)現(xiàn)對(duì)圓形指針儀表的識(shí)別。該模型由于結(jié)構(gòu)的特殊性,網(wǎng)絡(luò)模型的參數(shù)大幅減少,計(jì)算復(fù)雜度大幅降低,因此能夠運(yùn)行在移動(dòng)端或嵌入式端,可以滿足工業(yè)對(duì)指針式儀表檢測(cè)和識(shí)別的需求。

        2 實(shí)驗(yàn)與結(jié)果分析

        本文首先通過(guò)圓形Hough 變換對(duì)圓形區(qū)域進(jìn)行目標(biāo)檢測(cè),然后將檢測(cè)出來(lái)的圓形目標(biāo)利用本文提出的基于預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型進(jìn)行分類識(shí)別,判斷該圓形目標(biāo)是否為圓形指針式儀表。

        2.1 基于圓形Hough變換的圓形區(qū)域檢測(cè)

        首先,對(duì)輸入圖像按照一定比例進(jìn)行縮小,以減少Hough變換運(yùn)算量;然后,利用圓形Hough變換檢測(cè)到的圓形區(qū)域信息,結(jié)合線性變換關(guān)系,在原圖相應(yīng)位置構(gòu)造圓形掩模,檢測(cè)并提取對(duì)應(yīng)圓形區(qū)域。以圖4 為例:先利用圓形Hough 變換檢測(cè)圖4(a)中的所有圓形區(qū)域,并提取所有圓形區(qū)域的半徑與圓心坐標(biāo)參數(shù),如表1所示;再根據(jù)表1信息構(gòu)造圓形掩模,提取對(duì)應(yīng)圓形區(qū)域,結(jié)果如圖4(b)~(d)所示。

        表1 輸入圖像內(nèi)圓形區(qū)域的圓心及半徑Tab.1 Radii and centers of circular areas in input image

        圖4 圓形Hough變換結(jié)果Fig.4 Results of circular Hough transform

        2.2 數(shù)據(jù)集和評(píng)價(jià)指標(biāo)

        本文實(shí)驗(yàn)數(shù)據(jù)是從工廠采集的圓形指針式儀表圖像,通過(guò)圓形Hough變換檢測(cè)到的圓形區(qū)域構(gòu)建數(shù)據(jù)集。該數(shù)據(jù)集含1 030 個(gè)圓形指針式儀表以及1 303 個(gè)圓形圖像但是不屬于圓形指針式儀表,以圖5所示圖像為例。

        本文將采集的數(shù)據(jù)按照8∶1∶1 的比例隨機(jī)劃分為訓(xùn)練數(shù)據(jù)集、測(cè)試數(shù)據(jù)集和評(píng)估數(shù)據(jù)集,訓(xùn)練數(shù)據(jù)集中圓形指針式儀表的個(gè)數(shù)為824,非圓形指針式儀表的個(gè)數(shù)為1 042,用于訓(xùn)練改進(jìn)預(yù)訓(xùn)練MobileNetV2模型;測(cè)試數(shù)據(jù)集和評(píng)估數(shù)據(jù)集中圓形指針式儀表的個(gè)數(shù)分別為103和103,非圓形指針式儀表的個(gè)數(shù)分別為130 和131。其中,測(cè)試集用于測(cè)試該模型性能;評(píng)估數(shù)據(jù)集用于預(yù)測(cè)某一個(gè)圖像是否是圓形指針式儀表,以評(píng)估該模型的泛化能力。具體的數(shù)據(jù)分布如表2所示。

        表2 數(shù)據(jù)集分布Tab.2 Dataset distribution

        在圖像目標(biāo)識(shí)別與分割任務(wù)中,混淆矩陣[23]是最常用的評(píng)價(jià)指標(biāo)之一,可反映數(shù)據(jù)的真實(shí)類別和預(yù)測(cè)類別的數(shù)量分布,如表3所示。表3中:TP為真陽(yáng)性(True Positive)、FP為假陽(yáng)性(False Positive)、FN為假陰性(False Negative)、TN為真陰性(True Negative)。

        表3 混淆矩陣Tab.3 Confusion matrix

        本文實(shí)驗(yàn)樣本取自實(shí)際的工業(yè)場(chǎng)景,樣本采集成本較高導(dǎo)致樣本數(shù)量較少,且樣本類別存在不均衡性。單一取樣劃分?jǐn)?shù)據(jù)集只能代表當(dāng)次局部數(shù)據(jù)的實(shí)驗(yàn)結(jié)果,因此本文分別進(jìn)行9次隨機(jī)取樣構(gòu)建9個(gè)由不同樣本數(shù)據(jù)構(gòu)成的數(shù)據(jù)集,在已訓(xùn)練好的模型上進(jìn)行測(cè)試,得到針對(duì)9 個(gè)不同樣本數(shù)據(jù)集的混淆矩陣,最后將9 個(gè)混淆矩陣加權(quán)取平均得到平均混淆矩陣,以客觀反映網(wǎng)絡(luò)模型的泛化能力。

        圖5 圓形指針式儀表數(shù)據(jù)和非指針式儀表數(shù)據(jù)Fig.5 Circular pointer instrument data and circular non-pointer instrument data

        2.3 基于改進(jìn)MobileNetV2網(wǎng)絡(luò)模型的圓形指針式儀表識(shí)別

        圖6 為基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型的圓形指針式儀表識(shí)別實(shí)驗(yàn)結(jié)果。從圖6 中可以看出,該模型在圓形指針式儀表識(shí)別任務(wù)中收斂較快,在訓(xùn)練和測(cè)試階段均能夠獲得較高的識(shí)別率,尤其在測(cè)試數(shù)據(jù)集上當(dāng)訓(xùn)練的epoch 達(dá)到40 時(shí),基本可以100%識(shí)別出該圖像是否屬于圓形指針式儀表。在模型訓(xùn)練階段,訓(xùn)練損失值和準(zhǔn)確率曲線存在一定的抖動(dòng),但識(shí)別率保持在98.8%~100%。通過(guò)觀察測(cè)試數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn),已訓(xùn)練好的網(wǎng)絡(luò)模型能夠非??斓厥諗浚诘?0個(gè)epoch 時(shí)就已經(jīng)完全收斂,圓形指針式儀表的識(shí)別率可以達(dá)到100%。

        最后對(duì)評(píng)估數(shù)據(jù)集內(nèi)的圖片進(jìn)行預(yù)測(cè),對(duì)比預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽,其中實(shí)際標(biāo)簽已知,進(jìn)而衡量該模型的泛化能力。評(píng)估數(shù)據(jù)集在已訓(xùn)練好的改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型上的混淆矩陣如圖7所示。

        從圖7 可以清晰地發(fā)現(xiàn),該模型能夠非常好地?cái)M合評(píng)估數(shù)據(jù)集中的數(shù)據(jù),可以將圓形指針式儀表和其他圓形圖形完全區(qū)分開(kāi),但是由于每一次進(jìn)行實(shí)驗(yàn)都會(huì)隨機(jī)按照8∶1∶1 的比例劃分?jǐn)?shù)據(jù)集,某一次實(shí)驗(yàn)的評(píng)估數(shù)據(jù)只能代表局部數(shù)據(jù)的實(shí)驗(yàn)結(jié)果,不能反映所有待評(píng)估圖片數(shù)據(jù),因此本文在已訓(xùn)練好模型的基礎(chǔ)上,隨機(jī)劃分?jǐn)?shù)據(jù)集對(duì)評(píng)估數(shù)據(jù)集進(jìn)行9 次實(shí)驗(yàn),得到9個(gè)評(píng)估數(shù)據(jù)集的混淆矩陣,結(jié)果如圖8所示。

        圖6 基于預(yù)訓(xùn)練改進(jìn)MobileNetV2網(wǎng)絡(luò)模型的實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of improved pre-trained MobileNetV2 network model

        圖7 評(píng)估數(shù)據(jù)集的混淆矩陣Fig.7 Confusion matrix of evaluation dataset

        從圖8(a)、(b)、(e)、(f)、(g)中可以看到,其中有一個(gè)圓形指針式儀表的圖像被誤判為非圓形指針式儀表的圖像。通過(guò)觀察被誤判為非圓形指針的圖像,發(fā)現(xiàn)該圖像存在模糊,可能是由于采集數(shù)據(jù)時(shí)設(shè)備抖動(dòng)造成采集的數(shù)據(jù)存在模糊,造成本次識(shí)別任務(wù)發(fā)生誤判。模糊圓形指針式儀表圖像和正常圓形指針式儀表圖像如圖9 所示。為客觀反映所提模型的性能優(yōu)劣,本文提出平均混淆矩陣概念,將9 次實(shí)驗(yàn)得到的9 個(gè)混淆矩陣?yán)奂尤∑骄玫狡骄煜仃?,降低?shí)驗(yàn)評(píng)估數(shù)據(jù)集隨機(jī)劃分帶來(lái)的誤差,平均混淆矩陣如圖10所示。

        通過(guò)平均混淆矩陣得到TP=103,F(xiàn)P=0,F(xiàn)N=0.56,TN=130.44。同時(shí)計(jì)算了基于改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型的圓形指針式儀表識(shí)別任務(wù)下的準(zhǔn)確率Acc(Accuracy)、精準(zhǔn)率P(Precision)、召回率R(Recall)和F1(F1-Score)指標(biāo),計(jì)算結(jié)果如下:

        精準(zhǔn)率和召回率是二分類任務(wù)中重要的兩個(gè)度量標(biāo)準(zhǔn),F(xiàn)1-Score 值表示精準(zhǔn)率和召回率的調(diào)和平均,三者均可評(píng)估該模型的識(shí)別性能??梢钥闯觯夯诟倪M(jìn)MobileNetV2網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中的準(zhǔn)確率可以達(dá)到99.76%。

        圖8 隨機(jī)9次實(shí)驗(yàn)中評(píng)估數(shù)據(jù)集的混淆矩陣Fig.8 Confusion matrices of evaluation dataset in 9 random experiments

        圖9 數(shù)據(jù)集中模糊圓形指針式儀表和正常圓形指針式儀表Fig.9 Fuzzy circular pointer instrument and normal circular pointer instrument in dataset

        圖10 平均混淆矩陣Fig.10 Average confusion matrix

        2.4 性能分析

        本文分析了6 種不同網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中的識(shí)別率(Accuracy,Acc)、模型參數(shù)量(Parameters)、模型計(jì)算量(MAdd),結(jié)果如表4所示。

        通過(guò)對(duì)比發(fā)現(xiàn),這些模型很難同時(shí)實(shí)現(xiàn)較高的識(shí)別率、較少的模型參數(shù)量和較小的模型計(jì)算量,識(shí)別率往往與復(fù)雜度及計(jì)算量成正比。通過(guò)對(duì)比表4 中六種不同模型的指標(biāo)可知,從識(shí)別的準(zhǔn)確率上來(lái)看ResNet50 模型和MobileNetV2 模型可100%識(shí)別出圓形指針式儀表,但是ResNet50 模型的參數(shù)量(Parameters)和模型計(jì)算量(MAdd)分別為23.51× 106和8 215.55× 106,而MobileNetV2 模型的參數(shù)量(Parameters)和模型計(jì)算量(MAdd)分別為2.23× 106和624.134 × 106。MobileNetV2模型的參數(shù)和模型計(jì)算量遠(yuǎn)低于ResNet50模型,因此Mobilenetvv2 網(wǎng)絡(luò)模型訓(xùn)練的速度遠(yuǎn)快于ResNet50 網(wǎng)絡(luò)模型,更便于部署在移動(dòng)端或嵌入式設(shè)備中,實(shí)現(xiàn)工業(yè)級(jí)圓形指針式儀表檢測(cè)和識(shí)別。

        表4 六種不同網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中的性能Tab.4 Performance of six different network models in circular pointer instrument recognition task

        如果僅從模型的參數(shù)量和模型計(jì)算量的角度來(lái)看,ShuffleNet網(wǎng)絡(luò)模型的模型參數(shù)量和模型計(jì)算量分別為1.26 ×106和295.71× 106,相較于MobileNetV2 模型的參數(shù)量和模型計(jì)算量更低,但是也帶來(lái)了識(shí)別率的下降,ShuffleNet 網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別的任務(wù)中識(shí)別率只能達(dá)到99.16%。因此在圓形指針式儀表識(shí)別的任務(wù)中,本文提出的改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型在工業(yè)級(jí)圓形指針式儀表識(shí)別任務(wù)中既能以較少的參數(shù)和模型計(jì)算量訓(xùn)練出該模型,又能出色完成指針式儀表識(shí)別任務(wù)。

        為了驗(yàn)證本文提出的基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型在工業(yè)級(jí)圓形指針式儀表識(shí)別任務(wù)中的優(yōu)勢(shì),對(duì)比了改進(jìn)預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型和未預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型之間的差異,結(jié)果如圖11所示。

        圖11 預(yù)訓(xùn)練和未預(yù)訓(xùn)練MobileNetV2網(wǎng)絡(luò)模型性能對(duì)比Fig.11 Performance comparison of MobileNetV2 network models with or without pre-training

        遷移學(xué)習(xí)能夠解決由于自身數(shù)據(jù)集的數(shù)量偏少而帶來(lái)的性能上的弊端,通過(guò)加載預(yù)訓(xùn)練模型將已訓(xùn)練好模型的權(quán)重遷移到自己的網(wǎng)絡(luò)模型中。本文提出的改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型就是基于ImageNet 數(shù)據(jù)集上的預(yù)訓(xùn)練模型。

        基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中可以100% 識(shí)別出儀表,而未預(yù)訓(xùn)練的MobileNetV2 網(wǎng)絡(luò)模型在圓形指針式儀表識(shí)別任務(wù)中只能達(dá)到99.61%。經(jīng)對(duì)比可發(fā)現(xiàn),除了ResNet50 網(wǎng)絡(luò)模型外,基于改進(jìn)未預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型的識(shí)別率依然比其他4種網(wǎng)絡(luò)模型更高,進(jìn)一步驗(yàn)證了本文提出的基于改進(jìn)MobileNetV2 網(wǎng)絡(luò)模型在工業(yè)級(jí)圓形指針儀表識(shí)別任務(wù)中的性能較優(yōu)。

        從圖11 中還可以看出,基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型在測(cè)試階段的初始識(shí)別率可以達(dá)到99.5%,性能與未預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型收斂時(shí)的識(shí)別率相近。同時(shí)基于預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型收斂速度明顯要比未預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型快,預(yù)訓(xùn)練模型在第30 個(gè)epoch 時(shí)就基本已經(jīng)收斂了,而未預(yù)訓(xùn)練模型在第40 個(gè)epoch 時(shí)才剛開(kāi)始收斂,且模型的識(shí)別率存在小幅度的跳變。

        3 結(jié)語(yǔ)

        本文提出了一種基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型與圓形Hough變換相結(jié)合的圓形指針式儀表智能檢測(cè)和識(shí)別系統(tǒng),旨在工業(yè)環(huán)境中運(yùn)用深度學(xué)習(xí)算法解決指針式儀表識(shí)別參數(shù)量大、計(jì)算量大、檢測(cè)精度較低的問(wèn)題??紤]到圓形指針式儀表的外觀是圓形區(qū)域特征,引用圓形Hough 變換能夠排除待檢測(cè)圖像中的非圓形區(qū)域干擾,然后基于改進(jìn)預(yù)訓(xùn)練MobileNetV2 網(wǎng)絡(luò)模型對(duì)圓形儀表進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明該系統(tǒng)在工業(yè)級(jí)圓形指針式儀表識(shí)別任務(wù)中表現(xiàn)較優(yōu),在保證高準(zhǔn)確率的前提下,同時(shí)擁有較低的模型參數(shù)量和模型計(jì)算量,本文所提系統(tǒng)可為輕量級(jí)嵌入式終端提供決策參考。在后續(xù)的工作中,可針對(duì)攝像頭抖動(dòng)及如何將該模型部署到移動(dòng)端或嵌入式設(shè)備中的問(wèn)題,進(jìn)行進(jìn)一步的探討與優(yōu)化。

        猜你喜歡
        指針式圓形儀表
        ◆ 儀表
        不同摟草方式對(duì)苜蓿草品質(zhì)的影響
        ◆ 儀表
        儀表
        為什么窨井蓋大多都是圓形的
        肥皂泡為什么是圓形?
        圓形題
        圓形變身喵星人
        淺談指針式萬(wàn)用表的測(cè)量方法與使用要點(diǎn)
        基于提升小波變換的指針式儀表圖像邊緣檢測(cè)
        大胆欧美熟妇xxbbwwbw高潮了| 男人天堂插插综合搜索| 日韩精品视频在线观看无| 亚洲 欧美 日韩 国产综合 在线| gv天堂gv无码男同在线观看| 亚洲精品中文字幕无码蜜桃| 亚洲αⅴ无码乱码在线观看性色| 久青青草视频手机在线免费观看| 少妇被躁到高潮和人狍大战| 亚洲av综合色区无码一区| 好日子在线观看视频大全免费动漫| 日本大片免费观看完整视频| 国产激情视频在线| 国产自拍一区二区三区| 欧美肥婆性猛交xxxx| 亚洲精品国产第一区二区尤物| 国产人澡人澡澡澡人碰视频| 日韩女同一区二区三区久久| 国产18禁黄网站免费观看| 欧美一性一乱一交一视频| 欧美粗大无套gay| 成人亚洲欧美久久久久| 中文字幕文字幕一区二区| 狠狠色噜噜狠狠狠777米奇| 日本大片在线看黄a∨免费| 午夜无码熟熟妇丰满人妻| 蜜桃av中文字幕在线观看| 日韩精品久久无码中文字幕 | 人人妻人人狠人人爽| 日韩好片一区二区在线看| 日韩国产成人精品视频| 日韩av在线不卡一二三区| 日韩在线观看入口一二三四| 欧美怡红院免费全部视频| 日本精品a在线观看| 精品一区二区亚洲一二三区| 久久精品国产亚洲av成人文字| 国产精久久一区二区三区| 亚洲精品成人网站在线观看 | 亚洲中文字幕无码卡通动漫野外 | 免费的一级毛片|