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

        ?

        基于量子卷積神經(jīng)網(wǎng)絡(luò)算法的微小零件識別

        2021-07-06 02:12:44丁澤慶
        食品與機械 2021年6期
        關(guān)鍵詞:模型

        何 瑞 丁澤慶

        (1.黃河水利職業(yè)技術(shù)學(xué)院,河南 開封 475004;2.南陽技師學(xué)院,河南 南陽 473000)

        微小零件的尺寸較小,不便于人工接觸與識別。食品機械中的微小零件對產(chǎn)品的質(zhì)量起決定作用,如飲料灌裝設(shè)備中的軌跡控制軸承零件可以保證其生產(chǎn)線平穩(wěn),使得灌裝具有一致性[1];腐竹切割刀具的零件是腐竹切割質(zhì)量的關(guān)鍵因素[2]。

        機器視覺具有效率高、非接觸式識別微小零件,可全檢機械零件加工生產(chǎn)線。神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)屬于監(jiān)督式學(xué)習(xí)算法[3],其識別效果良好,被廣泛應(yīng)用于零件識別等領(lǐng)域,但是零件識別過程中需要較多的神經(jīng)元,計算數(shù)據(jù)量大且需要較多訓(xùn)練樣本。將小波變換與神經(jīng)網(wǎng)絡(luò)結(jié)合(WTNN)[4],需要人工提取微小零件圖像特征,特征提取的效果直接影響識別精度,同時在包含多目標的零件圖像中無法進行有效提取。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network, CNN)具有更強的提取特征能力[5],其網(wǎng)絡(luò)結(jié)構(gòu)通過局部連接實現(xiàn),能夠降低訓(xùn)練時需要的微小零件特征參數(shù)數(shù)量,由于采用誤差反向傳播算法進行訓(xùn)練,卷積神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、訓(xùn)練成本高、泛化能力弱等缺陷。豐富功能階段卷積神經(jīng)網(wǎng)絡(luò)算法(Rich feature hierarchies CNN,R-CNN)[6]在零件檢測過程中分3個階段:候選、提取特征信息和圖像分類,各階段相互分離,使得算法檢測過程復(fù)雜,耗時較多,不便于優(yōu)化。Faster R-CNN在一定程度上降低了卷積神經(jīng)網(wǎng)絡(luò)算法檢測過程中的復(fù)雜度[7],但其檢測速度有待提高。運用卷積神經(jīng)網(wǎng)絡(luò)的級聯(lián)結(jié)構(gòu)YOLOv4算法[8],其檢測速度相較于R-CNN有了很大的提升,但其檢測正確率較低,尤其是對于復(fù)雜場景和小目標物體的檢測。

        文章擬將量子算法和卷積神經(jīng)網(wǎng)絡(luò)算法(Quantum Convolution Neural Network, QCNN)結(jié)合,設(shè)計量子卷積神經(jīng)網(wǎng)絡(luò)輸入層、隱藏層以及輸出層量子門模型,并進行微小零件識別仿真試驗,旨在為解決工業(yè)中對微小零件的快速、準確識別提供依據(jù)。

        1 量子卷積神經(jīng)網(wǎng)絡(luò)算法

        1.1 量子計算

        量子計算單位是量子比特,其狀態(tài)通過|0〉、|1〉或者疊加態(tài)構(gòu)成:

        |φ〉=α|0〉+β|1〉,

        (1)

        式中:

        α、β——|0〉、|1〉狀態(tài)的概率幅,且|α|2+|β|2=1。

        1.2 量子卷積神經(jīng)網(wǎng)絡(luò)設(shè)計

        1.2.1 量子卷積神經(jīng)網(wǎng)絡(luò)表示層模型 量子卷積神經(jīng)網(wǎng)絡(luò)由表示層、卷積層、池化層、全連接層、輸出層組成,其中卷積層、池化層、全連接層可通過隱含層表示[9-10]。為了使得輸出與輸入能夠映射相關(guān)性,通過量子受限玻爾茲曼網(wǎng)絡(luò),表示層模型結(jié)構(gòu)如圖1所示。

        圖1 表示層模型

        表示層模型神經(jīng)元經(jīng)過4部分操作實現(xiàn):輸入由|xn〉量子比特表示、相位移動由Hadamard門與旋轉(zhuǎn)門R(θl)實現(xiàn)、聚合由Σ操作、輸出結(jié)果。多級神經(jīng)網(wǎng)絡(luò)表示層模型中,每一級表示層神經(jīng)元輸出結(jié)果作為下一級表示層神經(jīng)元的輸入,下一級依次需要經(jīng)過輸入、相位移動、聚合、輸出4個過程,這樣避免了相位移動、聚合的單一性,使得神經(jīng)網(wǎng)絡(luò)充分學(xué)習(xí),能夠增加微小零件識別的準確率。

        卷積神經(jīng)網(wǎng)絡(luò)邏輯運算主要通過Hadamard門和旋轉(zhuǎn)門實現(xiàn),Hadamard門主要是使量子態(tài)旋轉(zhuǎn)和反射,即對卷積神經(jīng)網(wǎng)絡(luò)的權(quán)值矩陣進行初始運算,其表達式為:

        (2)

        按式(3)計算量子門旋轉(zhuǎn):

        (3)

        式中:

        θ——量子旋轉(zhuǎn)角,rad。

        (4)

        則R(θ)實現(xiàn)了對|τ〉的相位旋轉(zhuǎn)。

        |xl〉經(jīng)過 Hadamard門和旋轉(zhuǎn)門R(θl)操作后,其結(jié)果為:

        (5)

        式中:

        聚合結(jié)果為:

        (6)

        當量子位處于|1〉狀態(tài),即量子神經(jīng)元的輸入輸出關(guān)系為:

        (7)

        式中:

        當量子位處于|0〉狀態(tài),即量子神經(jīng)元的輸入輸出關(guān)系為:

        (8)

        1.2.2 隱藏層神經(jīng)元模型 隱藏層神經(jīng)元量子門模型設(shè)計如圖2所示。

        為輸入,rl為第l層的通道數(shù),為卷積輸出

        1.2.3 輸出層神經(jīng)元模型 當對量子態(tài)進行提取時,量子態(tài)坍縮到一個具體的態(tài)上[11],為了避免卷積結(jié)果被破壞,輸出層神經(jīng)元線路模型設(shè)計如圖3所示。

        |x1〉,|x2〉,…,|xK〉為輸出層的輸入,|y1〉,|y2〉,…,|yK〉為輸出層的分類輸出結(jié)果

        在輸出層神經(jīng)元量子門模型中,|x1〉經(jīng)過Hadamard門操作后,可根據(jù)需要自由選擇量子態(tài)|0〉或者|1〉進行運算,為充分進行神經(jīng)網(wǎng)絡(luò)權(quán)值更新,需要再次經(jīng)Hadamard門操作后,最終輸出分類結(jié)果。

        1.3 參數(shù)優(yōu)化

        1.3.1 激活函數(shù)優(yōu)化 表示層到隱含層的激活函數(shù)、隱含層到輸出層的激活函數(shù)均采用修正線性激活函數(shù)ReLu如式(9)所示。

        u′=min[φmax,max(φmin,u)],

        (9)

        式中:

        φmin<0、φmax>1——激活函數(shù)ReLu邊緣常量值;

        u——輸入;

        u′——輸出。

        ReLu具有比動物神經(jīng)元模型接收信號更準確的激活模型,如圖4所示。

        圖4 激活函數(shù)示意圖

        與傳統(tǒng)的Sigmoid型激活函數(shù)相比,修正線性激活函數(shù)Relu無除法和指數(shù)運算,計算速度較快,同時ReLu函數(shù)能夠?qū)⒇摰募せ钪等勘硎緸榱?,使網(wǎng)絡(luò)產(chǎn)生稀疏性,并且當量子卷積神經(jīng)網(wǎng)絡(luò)算法用于訓(xùn)練網(wǎng)絡(luò)時,可以提升其收斂速度。

        1.3.2 旋轉(zhuǎn)角度、連接權(quán)值優(yōu)化 神經(jīng)網(wǎng)絡(luò)算法通過量子旋轉(zhuǎn)門更新時,旋轉(zhuǎn)門的角度與收斂速率有關(guān)。若旋轉(zhuǎn)角度值與期望值相差較大,此時需要增大旋轉(zhuǎn)角度,加快收斂;若旋轉(zhuǎn)角度值與期望值比較接近,此時需要減小旋轉(zhuǎn)角度,以避免早熟。假設(shè)訓(xùn)練誤差函數(shù)為:

        (10)

        式中:

        E——訓(xùn)練誤差值;

        ym——第m個神經(jīng)網(wǎng)絡(luò)輸出端的實際輸出。

        試驗要求訓(xùn)練誤差<10-3。

        隱藏層和輸出層量子旋轉(zhuǎn)門的旋轉(zhuǎn)角度分別為θ、ψ,其更新方式為:

        (11)

        式中:

        t——迭代步數(shù);

        η1∈(0,1)、η2∈(0,1)——學(xué)習(xí)速率。

        當訓(xùn)練誤差較大時,旋轉(zhuǎn)角度此時旋轉(zhuǎn)增加,加快收斂;否則進行相反操作。

        按式(12)計算連接權(quán)值。

        (12)

        式中:

        ω——連接權(quán)值;

        η3∈(0,1)——學(xué)習(xí)速率。

        微小零件識別的訓(xùn)練器使用量子算法優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的初始權(quán)值,然后生成多組固定初始權(quán)值的卷積神經(jīng)網(wǎng)絡(luò),并對多組卷積神經(jīng)網(wǎng)絡(luò)并行計算以獲得最優(yōu)訓(xùn)練器。

        2 微小零件識別過程

        2.1 微小零件的特征提取

        2.1.1 幾何特征提取 微小零件的形狀因子、球狀性、矩形度、圓形度是其自身的重要特征,通常由零件所占區(qū)域的邊界決定[12]。

        形狀因子為:

        (13)

        球狀性為:

        (14)

        矩形度為:

        (15)

        圓形度為:

        (16)

        式中:

        L——零件物輪廓周長,mm;

        L′——與零件對象具有相同面積的面積圓的周長,mm。

        當對圖像進行旋轉(zhuǎn)和平移時,微小零件的幾何特征不發(fā)生改變。在獲得零件的各個輪廓之后,幾何特征為對應(yīng)的輪廓內(nèi)區(qū)域的形狀因子、球狀性、矩形度和圓形度。

        2.1.2 形狀特征提取 由于零件加工后在傳送過程中非規(guī)則性放置,導(dǎo)致零件圖像位置和姿態(tài)不同,但是零件的Hu不變矩具有穩(wěn)定性,不因圖像的旋轉(zhuǎn)、縮放而改變,因此通過Hu不變矩作為零件的形狀特征來識別零件[13-15]。

        假設(shè)圖像大小為H×S,在(p+q)階的原點矩和中心矩分別為:

        (17)

        式中:

        f(h,s)——圖像在(h,s)處的灰度值;

        歸一化中心矩:

        (18)

        式中:

        p,q=0,1,2,…;

        利用二階和三階歸一化中心矩,可以獲得對平移、縮放、旋轉(zhuǎn)都不敏感的7個不變矩,如式(19)所示。

        (19)

        但是這7個不變矩的變化范圍較大,并且會出現(xiàn)負值,因此需要設(shè)計新的7個不變矩如式(20)所示。

        Φc=|lg?c|,

        (20)

        式中:

        c=1,2,…,7。

        根據(jù)零件圖像A和零件圖像B的幾何特征、形狀特征來識別零件A和零件B的相似度:

        ① 如果圖像A和圖像B的形狀因子、球狀性、矩形度和圓形度的差值均>10%,則認為圖像A與圖像B不相似。

        ② 如果圖像A和圖像B的形狀因子、球狀性、矩形度和圓形度的差值均<4%,則認為圖像A與圖像B高度相似,進行④。

        ③ 如果圖像A和圖像B的形狀因子、球狀性、矩形度和圓形度的差值為4%~10%,則認為圖像A與圖像B具有相似性,進行④。

        ④ 計算圖像A和圖像B的7個不變矩,如果圖像A和圖像B的 7個不變矩的差值均<5%,認為圖像A與圖像B相似,否則認為圖像A與圖像B不相似。

        識別流程中,根據(jù)訓(xùn)練過程所提取的幾何特征和形狀特征進行比較,通過圖像的相似度來判定待測零件的類別。

        2.2 識別流程

        量子卷積神經(jīng)網(wǎng)絡(luò)算法識別微小零件時,需要先進行量子卷積神經(jīng)網(wǎng)絡(luò)算法識別訓(xùn)練,當滿足訓(xùn)練誤差精度或訓(xùn)練次數(shù)時,即可獲得零件識別最優(yōu)模型,此時輸入零件圖像即可進行識別,其識別流程如圖5所示。

        圖5 識別流程圖

        3 試驗仿真

        3.1 試驗配置與訓(xùn)練結(jié)果

        通過工業(yè)相機在不同時段、視角、光照場景下采集獲得8種零件圖像(見圖6),由于零件圖像有7個不變矩以及4個幾何特征,因此輸入層節(jié)點數(shù)為11,輸出層節(jié)點數(shù)為8,隱含層節(jié)點數(shù)取10,初始化連接權(quán)值ω,旋轉(zhuǎn)角度θ和ψ為[0,2π]的隨機數(shù),最大迭代步數(shù)為500,分別進行40次仿真試驗。為了保證試驗結(jié)果的可靠性,在數(shù)據(jù)集制作過程中,通過旋轉(zhuǎn)不同角度、平移不同距離、縮放不同倍數(shù)、模擬零件堆疊、調(diào)整飽和度和曝光度等方式對數(shù)據(jù)進行擴充,并以此作為訓(xùn)練樣本。硬件環(huán)境為CPU為Intel I7-10700KF,3.80 GHz、內(nèi)存8 GB,GPU為Quadro P620,試驗運行系統(tǒng)為Windows7.0,程序運用C++和Open CV編寫,采集圖像大小為640×480。

        圖6 8種微小零件

        為了提高計算速度、減少存儲空間,對圖像進行JPEG格式壓縮,然后灰度變換以獲得連續(xù)、清晰的輪廓圖像,對零件圖像進行特征提取,量子卷積神經(jīng)網(wǎng)絡(luò)的期望輸出結(jié)果如表1所示。

        表1 零件圖像特征

        3.2 識別結(jié)果

        訓(xùn)練過程中,每種零件采集70幅圖像,共560幅圖像進行訓(xùn)練。訓(xùn)練結(jié)束后,采用QCNN算法對8種不同的零件進行識別,每種零件采集40幅圖像,共400幅圖像進行識別,每種算法測試40次,不同零件的識別準確率如圖7所示。

        由圖7可知,QCNN算法對規(guī)則的微小零件的識別準確率高于非規(guī)則的微小零件,這是因為規(guī)則的微小零件的幾何特征和形狀特征相對于非規(guī)則的微小零件更易于統(tǒng)計識別。從形態(tài)上看,零件7的外觀最簡單,所以最易于識別;零件8的結(jié)構(gòu)特征最為復(fù)雜,所以識別準確率較低。

        圖7 QCNN算法對8種零件的識別準確率

        增加訓(xùn)練樣本數(shù),每種零件采集90幅圖像,共720幅圖像進行訓(xùn)練,采用QCNN算法對8種不同的零件進行識別,每種零件采集40幅圖像,共400幅圖像進行識別,每種算法測試40次,不同零件的識別準確率如圖8所示。

        由圖8可知,增加訓(xùn)練樣本數(shù)時,各種規(guī)則、非規(guī)則的微小零件的識別準確率均有所提高,這是因為QCNN算法設(shè)計了量子卷積神經(jīng)網(wǎng)絡(luò)算法的各層模型,多次訓(xùn)練能夠獲得更加準確的卷積神經(jīng)網(wǎng)絡(luò)參數(shù);規(guī)則的微小零件識別準確率的提高程度高于非規(guī)則的微小零件,這是因為規(guī)則的微小零件相對于非規(guī)則的微小零件更易于訓(xùn)練、識別。

        圖8 QCNN算法對8種零件的識別準確率

        識別過程中每種零件的平均消耗時間如表2所示。

        由表2可知,QCNN算法識別各類零件圖像的耗時最少,其實時性較高,易于實現(xiàn)對批量零件的識別。

        表2 消耗時間

        4 結(jié)論

        針對微小零件尺寸識別過程中存在的問題,提出了一種基于量子卷積神經(jīng)網(wǎng)絡(luò)算法的微小零件尺寸檢測方法。設(shè)計了量子卷積神經(jīng)網(wǎng)絡(luò)算法的各層模型,同時優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)參數(shù),縮短了計算時間,提高了識別速度。微小零件尺寸識別中,存在識別準確率不能滿足實際工作需求的缺陷,采用改進量子卷積神經(jīng)網(wǎng)絡(luò)算法能夠提高識別準確率。而試驗只是針對簡單的微小零件進行識別,并未對復(fù)雜外觀的微小零件進行識別,這將是后續(xù)研究的重點。

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機模型
        提煉模型 突破難點
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
        3D打印中的模型分割與打包
        中国老熟女重囗味hdxx| 久久国产精品二区99| 男人的天堂av网站一区二区 | 亚洲av无码精品色午夜| 97免费人妻在线视频| 久久99久久99精品免观看女同| 国产一区二区三区日韩精品| 国产熟人精品一区二区| 欧美激情综合色综合啪啪五月 | 五月激情综合婷婷六月久久| 中文字幕v亚洲日本| 成人国产精品一区二区网站| 在线日韩中文字幕乱码视频| 国产高潮迭起久久av| 中文字字幕人妻中文| 熟女人妇交换俱乐部| 久久av高潮av喷水av无码| 精品av一区二区在线| 精品国产粉嫩内射白浆内射双马尾 | 精品亚洲国产成人av色哟哟| 少妇丰满大乳被男人揉捏视频| 中文字幕经典一区| 求网址日韩精品在线你懂的| 国产三级国产精品国产专区50| 爱性久久久久久久久| 国产香蕉尹人在线视频播放| 成年男人午夜视频在线看| 在线观看午夜视频一区二区| 樱花草在线播放免费中文| 欧美久久中文字幕| 韩国日本一区二区在线| 美女网站免费福利视频| 国产高清无码在线| 亚洲黄色大片在线观看| 肥老熟妇伦子伦456视频| 亚洲精品无码国模| 激情五月天俺也去综合网| 亚洲高清在线天堂精品| 野花社区视频www官网| 无码一区二区三区在| 中文字幕精品亚洲字幕|