李伯釗，徐同明，周 力，馮煥虎

（浪潮通用軟件有限公司，濟南 250101）

0 引言

近年來，我國鋼鐵行業(yè)發(fā)展取得重大成就，今年是“十四五”開局之年，作為國民經(jīng)濟的中流砥柱，鋼鐵行業(yè)發(fā)展同時面臨機遇和挑戰(zhàn)，尤其是如何追求高質(zhì)量的發(fā)展。在鋼材生產(chǎn)過程中，由于工藝限制，鋼材表面難免會出現(xiàn)諸如裂痕、摻雜和斑塊等各類缺陷[1]。進行合理的質(zhì)檢措施可盡早識別鋼材表面缺陷，及早返工返修，保證鋼材總體強度、抗腐蝕性和沖擊韌性等性能達標(biāo)。傳統(tǒng)質(zhì)檢措施工作量大，風(fēng)險高，易出錯，而與之相對的智能質(zhì)檢，主要通過機器視覺的方式進行。此過程降低了人力成本和勞動強度，全面優(yōu)化了鋼材表面質(zhì)檢效率。

因此，研究人員基于制造業(yè)場景的表面缺陷檢測進行了大量研究[2]，常用的方法有傳統(tǒng)圖像識別和機器學(xué)習(xí)兩種方式。二者的共性都是使用機器視覺技術(shù)對圖像進行采集，不同之處在于前者主要是使用微分，差分和濾波等算子進行一系列的數(shù)字圖像處理，最終得到識別結(jié)果[3，4]。而后者主要洞察大量圖像數(shù)據(jù)規(guī)律，通過機器學(xué)習(xí)訓(xùn)練模型，再調(diào)用模型進行識別。傳統(tǒng)圖像識別方法專注于特征提取，將算法成功應(yīng)用于表面缺陷識別中，且取得了較大成效，但也面臨著識別準(zhǔn)確率，速度和抗干擾能力等不足的現(xiàn)狀。隨著人工智能的蓬勃發(fā)展，機器學(xué)習(xí)逐漸成為表面缺陷識別的主流方法。機器學(xué)習(xí)是人工智能領(lǐng)域的重要分支，圍繞神經(jīng)網(wǎng)絡(luò)開展具體計算，而深度學(xué)習(xí)是以深度神經(jīng)網(wǎng)絡(luò)為代表的特征提取方法[5]。深度學(xué)習(xí)的迭代訓(xùn)練過程受模型結(jié)構(gòu)和訓(xùn)練參數(shù)的影響，訓(xùn)練后將模型以權(quán)重知識的形式進行存儲，完成后續(xù)識別任務(wù)。與傳統(tǒng)機器學(xué)習(xí)相比，深度學(xué)習(xí)具備更高的學(xué)習(xí)表征能力。文獻[6]建立了卷積神經(jīng)網(wǎng)絡(luò)模型，以進行帶鋼表面缺陷識別任務(wù)，并針對抑制模型過擬合展開研究；文獻[7]在InceptionV3的基礎(chǔ)上通過遷移學(xué)習(xí)，進行了熱軋鋼板表面缺陷識別工作，同時研究了訓(xùn)練批次對識別準(zhǔn)確率的影響；文獻[8]使用抗噪聲的超球體支持向量機分類模型進行鋼板表面缺陷識別，具備性能較高的效果；文獻[9]針對輪胎缺陷識別工作，建立了一種新型深度卷積稀疏編碼網(wǎng)絡(luò)，采用無監(jiān)督訓(xùn)練方式，降低了人工標(biāo)注主觀性，提高了識別準(zhǔn)確率；文獻[10]提出了一種改進的GoogLeNet算法，應(yīng)用于鋅渣識別場景中，并與其他深度神經(jīng)網(wǎng)絡(luò)模型進行了對比。以上文獻的思路均將深度學(xué)習(xí)成功應(yīng)用于制造業(yè)表面缺陷識別中，且達到了較高的識別準(zhǔn)確率。

綜合上述研究現(xiàn)狀，本文將基于認(rèn)知視覺和遷移學(xué)習(xí)，研究更為準(zhǔn)確、高速的端到端鋼材表面缺陷識別方法和視覺系統(tǒng)。首先建立鋼材表面缺陷識別數(shù)據(jù)集，并進行一系列預(yù)處理措施，其次設(shè)計應(yīng)用遷移學(xué)習(xí)的鋼材表面缺陷識別方法，然后進行鋼材表面缺陷識別實驗與對比分析，最后設(shè)計云邊端協(xié)同的鋼材表面缺陷識別認(rèn)知視覺系統(tǒng)，以驗證本文的研究內(nèi)容在鋼材表面缺陷識別領(lǐng)域中的優(yōu)勢。

1 鋼材表面缺陷數(shù)據(jù)集及預(yù)處理

鋼材表面缺陷識別數(shù)據(jù)集的建立是精準(zhǔn)識別的前提，本文采用東北大學(xué)的NEU surface defect database（以下簡稱NEU）數(shù)據(jù)集[11]，整套數(shù)據(jù)集共有1800張圖像，涵蓋了六種缺陷類別，分別是裂紋（Crazing，Cr），摻雜（Inclusion，In），斑塊（Paches，Pa），表面麻點（Pitted Surface，PS），壓入氧化鐵皮（Rolled-in Scale，RS）和劃痕（Scratches，Sc），每種類別有300張圖像，圖像尺寸均為200×200像素，數(shù)據(jù)集樣本示例如圖1所示。本數(shù)據(jù)集的主要特點是不同類之間的缺陷特征存在相似性，即使是同類別，也有若干差異，因此，需在數(shù)據(jù)集預(yù)處理，深度神經(jīng)網(wǎng)絡(luò)模型建立和模型訓(xùn)練等環(huán)節(jié)進行優(yōu)化改進，以提高識別效率和準(zhǔn)確度。

圖1 鋼材表面缺陷數(shù)據(jù)集樣本

當(dāng)在小數(shù)據(jù)集圖像上進行識別任務(wù)時，往往會出現(xiàn)過擬合的現(xiàn)象。即所訓(xùn)練模型有較大概率會使用不相關(guān)的特征來進行預(yù)測。一個模型能否實用，取決于其針對關(guān)鍵特征的學(xué)習(xí)能力。數(shù)據(jù)集增強策略等預(yù)處理措施對提升模型準(zhǔn)確率，泛化能力，降低損失和抑制過擬合等方面具備一定的促進作用。本文采用了剪切強度為0.2的逆時針剪切變換，幅度為0.2的隨機縮放，比例為0.2的水平和豎直偏移，隨機水平翻轉(zhuǎn)等數(shù)據(jù)集增強策略。這些數(shù)據(jù)集增強策略既可對數(shù)據(jù)集進行衍生擴充，又可弱化不相關(guān)的特征，為后續(xù)深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練奠定基礎(chǔ)。

2 鋼材表面缺陷識別方法

2.1 深度神經(jīng)網(wǎng)絡(luò)及遷移學(xué)習(xí)

深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）是多層人工神經(jīng)網(wǎng)絡(luò)的有機組合，至少具備一層隱藏神經(jīng)網(wǎng)絡(luò)[12]。與淺層次的神經(jīng)網(wǎng)絡(luò)相比，其抽象程度更高，特征提取過程無需人工干預(yù)，由底層到高層進行表示學(xué)習(xí)，并在計算機視覺，自然語言處理，缺陷檢測和語音識別等深度學(xué)習(xí)領(lǐng)域具備重要意義。深度神經(jīng)網(wǎng)絡(luò)分類廣泛，變體眾多，而其中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）較為典型，廣泛應(yīng)用于圖像檢測識別任務(wù)中[13]，即使是在小數(shù)據(jù)集場合也具備較好的泛化能力，且無需過多的手工特征工程。其卷積過程運算式可簡單表示為：

式(1)中，f為激活函數(shù)，Ry為特征映射區(qū)域，l為層數(shù)，vi-1x為前一層的輸入，wlxy為卷積過程中的卷積核，x和y分別為卷積核的長度和寬度，bly為偏移量，vly為當(dāng)前層的特征圖輸出向量。通常，CNN模型的建立過程遵循如下步驟[14]：1）卷積層（Convolutional Layer）初步提取圖像特征。2）池化層（Pooling Layer）進一步提取圖像關(guān)鍵特征。3）全連接層（Dense Layer）匯總卷積層和池化層提取到的所有特征。

4）輸出分類器以進行識別任務(wù)。

雖然CNN可應(yīng)用于圖像識別任務(wù)，但是由于制造業(yè)領(lǐng)域數(shù)據(jù)集存在獲取困難，特征不明顯等自身特殊性，以及訓(xùn)練過程對計算能力需求大等因素，直接使用CNN進行鋼材表面缺陷識別將具備一定難度。而遷移學(xué)習(xí)[15]正適宜解決此類問題，其本質(zhì)是由參考領(lǐng)域向目標(biāo)領(lǐng)域的學(xué)習(xí)表征，在預(yù)訓(xùn)練模型的基礎(chǔ)之上，再次訓(xùn)練針對新識別場景的模型，訓(xùn)練過程相對較快，模型泛化能力好，尤其適用于目標(biāo)數(shù)據(jù)量較小的識別任務(wù)，在制造業(yè)領(lǐng)域的應(yīng)用具備實際意義。

2.2 深度神經(jīng)網(wǎng)絡(luò)模型建立及優(yōu)化

常見的深度神經(jīng)網(wǎng)絡(luò)模型有AlexNet[16]，VGGNet[17]，InceptionNet[18]和ResNet[19]等，均可應(yīng)用遷移學(xué)習(xí)進行訓(xùn)練。本文使用VGG16卷積神經(jīng)網(wǎng)絡(luò)進行優(yōu)化建模，以完成鋼材表面缺陷識別任務(wù)。VGG16在ImageNet大型數(shù)據(jù)集上進行了預(yù)訓(xùn)練，在此基礎(chǔ)上進行遷移學(xué)習(xí)將具備較理想的識別效果。

VGG16的原生結(jié)構(gòu)如圖2所示，由13個卷積層，5個池化層和3個全連接層組成，圖2將卷積層，池化層和全連接層的標(biāo)號定為Conv，Pool和Dense。

圖2共有六部分，前五部分是卷積層和池化層的組合，其中第一部分包括2個卷積層和1個池化層，第二部分包括2個卷積層和1個池化層，第三部分包括3個卷積層和1個池化層，第四部分包括3個卷積層和1個池化層，第五部分包括3個卷積層和1個池化層。最后一部分是3個全連接層外加Softmax輸出。VGG16使用維度相同的卷積核進行特征提取，并組成深層次的，多參數(shù)的，擬合能力高的網(wǎng)絡(luò)模型，以達到較好的圖像識別效果。

圖2 VGG16模型結(jié)構(gòu)圖

先前提到全連接層的主要作用是匯總特征，即將輸出特征圖映射成向量，其計算式如式(2)所示，示意圖如圖3(a)所示。

圖3 全連接層與全局平均池化層對比

由于NEU數(shù)據(jù)集樣本數(shù)目較小，為抑制過擬合，本文在全局平均池化處理和Softmax之間加入隨機失活（Dropout）。未引入Dropout時的計算式為：

式(4)與式(3)相比，計算原理一致，但起始部分多了一個伯努利函數(shù)Bernoulli，作用于概率p，形成概率向量r(l)j，再與原始輸入y(l)相乘，得到新輸入，后續(xù)計算思路與式(3)相同。在不同的網(wǎng)絡(luò)結(jié)構(gòu)中，Dropout的作用機制也不同，對于VGG16模型，Dropout可將整個特征圖的通道進行隨機置零。

針對帶Softmax的輸出，本文選擇交叉熵?fù)p失函數(shù)進行VGG16模型的評估，加快收斂速度，計算式如下：

其中，c為交叉熵?fù)p失，n為輸出類別，x為輸入樣本，y為實際輸出，a為模型預(yù)測輸出。

深度神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的實質(zhì)是采用優(yōu)化方法得到最小的損失。因此，確定損失函數(shù)后，還要進行優(yōu)化函數(shù)的選型。本文使用Adam優(yōu)化方法，其與傳統(tǒng)隨機梯度下降法（Stochastic Gradient Descent，SGD）相比，學(xué)習(xí)率可自適應(yīng)，優(yōu)化過程更加靈活。Adam優(yōu)化方法的運算式可表示為：

其中，u和v為動量因數(shù)，lr為學(xué)習(xí)率，grakt為梯度，mt為對梯度的一階矩估計，nt為對梯度的二階矩估計，和為對矩估計的校正，從而形成近似對期望的無偏估計量，再結(jié)合式(10)即可對學(xué)習(xí)率施加一個動態(tài)的范圍Δθt。

采用Adam優(yōu)化方法后，訓(xùn)練過程中學(xué)習(xí)率不再一成不變，而是在約束范圍內(nèi)動態(tài)可調(diào)的。特別是在迭代后期，過大的學(xué)習(xí)率易引發(fā)損失值振蕩發(fā)散，此時應(yīng)采取動態(tài)改變學(xué)習(xí)率的策略進行微調(diào)。本文使用余弦退火策略動態(tài)改變學(xué)習(xí)率，計算式如下：

圖4 訓(xùn)練早停流程圖

在圖4中，持續(xù)監(jiān)測驗證集上的損失函數(shù)值，當(dāng)連續(xù)N個迭代（epoch）未下降時，則停止訓(xùn)練并存儲模型，否則將保持當(dāng)前學(xué)習(xí)率繼續(xù)訓(xùn)練。采用此種策略的好處是可及時獲取較優(yōu)模型，減少不必要的epoch，提升訓(xùn)練效率，避免隨著epoch的增加而發(fā)生過擬合的現(xiàn)象。

3 鋼材表面缺陷識別實驗與分析

3.1 實驗環(huán)境建立

為驗證所建立深度神經(jīng)網(wǎng)絡(luò)模型的實際準(zhǔn)確率和性能等，本文通過一系列遷移學(xué)習(xí)實驗進行測試驗證。實驗在Centos7操作系統(tǒng)進行，基于Google的TensorFlow框架，使用Python語言編碼，TensorFlow版本為2.0.0，Python版本為3.6.7。因VGG16參數(shù)較多，訓(xùn)練時間長，故使用NVIDIA 的RTX 2080Ti顯卡加速訓(xùn)練過程。

3.2 初始實驗結(jié)果及分析

本文將NEU數(shù)據(jù)集按照10：3：2的比例劃分，即對于每種缺陷類別的300張圖像而言，隨機選取200張作為訓(xùn)練集，60張作為測試集，40張作為驗證集。結(jié)合上文所建立VGG16模型進行初始實驗，初始參數(shù)批尺寸設(shè)為32，epochs設(shè)為50，學(xué)習(xí)率設(shè)為10-5，Dropout系數(shù)設(shè)為0.5。由于數(shù)據(jù)集規(guī)模較小，而VGG16模型熵容量較大，直接訓(xùn)練全部網(wǎng)絡(luò)易導(dǎo)致過擬合，故本文的實驗采用凍結(jié)部分模型層級和微調(diào)的方式完成遷移學(xué)習(xí)，即在遷移學(xué)習(xí)的基礎(chǔ)上進一步優(yōu)化網(wǎng)絡(luò)參數(shù)，訓(xùn)練新模型。本文所設(shè)計的VGG16模型共有19層，總參數(shù)為14717766，首先將凍結(jié)層數(shù)設(shè)為15，訓(xùn)練過程中的趨勢如圖5所示。

在圖5 中，驗證集上的損失值初始較高，在1.28～1.29之間，隨著epoch的增加，損失快速下降，準(zhǔn)確率也不斷提升，在第8個epoch后趨勢逐漸平穩(wěn)，最終模型收斂于第19個epoch，驗證集上的損失值在0.0933～0.0936之間，準(zhǔn)確率為98.06%。

圖5 訓(xùn)練過程中的趨勢圖

為進一步驗證初始實驗所訓(xùn)練模型對六類鋼材表面缺陷的具體識別效果，本文將模型在驗證集上的識別結(jié)果以混淆矩陣的形式表示，如表1所示。

表1 初始實驗結(jié)果在NEU數(shù)據(jù)集上的混淆矩陣

由表1可以看出，裂紋(Cr)，摻雜(In)，壓入氧化鐵皮(RS)和劃痕(Sc)達到了最佳識別效果，準(zhǔn)確率為100%。相對而言，斑塊(Pa)和表面麻點(PS)識別效果則不理想，也拉低了總體識別準(zhǔn)確率。尤其是表面麻點(PS)受光照影響，類間差異較大，各有兩張圖像被誤判為裂紋(Cr)和摻雜(In)。接下來將采用更豐富的數(shù)據(jù)集增強策略，并調(diào)節(jié)模型參數(shù)，進行對比實驗。

3.3 對比實驗結(jié)果及分析

為進一步驗證凍結(jié)層數(shù)目對識別結(jié)果的影響，本文以初始實驗為基礎(chǔ)，除依次減少VGG16凍結(jié)層數(shù)目外，其余參數(shù)保持不變，依次將凍結(jié)層數(shù)目設(shè)為13，11，7和4，實驗結(jié)果如表2所示，不同條件下的訓(xùn)練過程趨勢對比如圖6所示。

表2 凍結(jié)層數(shù)目改變后的實驗結(jié)果

圖6 不同條件下的訓(xùn)練過程趨勢對比圖

為使不同條件下的趨勢對比更清晰直觀，圖6適當(dāng)縮小了橫縱坐標(biāo)軸的范圍。而表2給出了不同凍結(jié)層數(shù)目下的訓(xùn)練參數(shù)，訓(xùn)練參數(shù)占總參數(shù)的百分比，驗證集上的損失值和驗證集上的準(zhǔn)確率。隨著凍結(jié)層數(shù)目的減少，驗證集準(zhǔn)確率整體呈現(xiàn)先上升后下降的趨勢。在凍結(jié)層數(shù)目為7的時候，模型識別效果為最優(yōu)，驗證集準(zhǔn)確率為99.92%，再增加凍結(jié)層數(shù)目時，驗證集準(zhǔn)確率略有下降。在同樣使用NEU數(shù)據(jù)集的同一前提下，文獻[6]的識別準(zhǔn)確率為99.5%，文獻[7]的識別準(zhǔn)確率為99.8%，文獻[8]的識別準(zhǔn)確率為98.52%。通過對比實驗，可得出以上文獻在NEU數(shù)據(jù)集上的識別準(zhǔn)確率均屬于較高的水平，本文所建立的VGG16模型在凍結(jié)部分層級后進行微調(diào)，也達到了較為理想的識別效果，且避免了訓(xùn)練全部網(wǎng)絡(luò)參數(shù)，在一定程度上提高了訓(xùn)練效率。

4 鋼材表面缺陷識別認(rèn)知視覺系統(tǒng)

4.1 系統(tǒng)云邊端協(xié)同架構(gòu)設(shè)計

為增強所研究鋼材表面缺陷識別方法的實用性，本文設(shè)計了鋼材表面缺陷識別認(rèn)知視覺系統(tǒng)，所設(shè)計系統(tǒng)基于云邊端協(xié)同思路，云邊端協(xié)同主要指云端，邊緣端和現(xiàn)場終端協(xié)同工作，有機統(tǒng)一，精準(zhǔn)閉環(huán)。系統(tǒng)云邊端協(xié)同架構(gòu)如圖7所示。

圖7 系統(tǒng)云邊端協(xié)同架構(gòu)設(shè)計

圖7按照“云端管控-邊緣智能-多端適配”的思路展現(xiàn)了系統(tǒng)云邊端協(xié)同架構(gòu)。云端實時性較低，主要實現(xiàn)管控類功能，包括模型訓(xùn)練，評估，管理和部署，對歷史識別結(jié)果進行數(shù)據(jù)分析，以及封裝諸如模型調(diào)用和數(shù)據(jù)訂閱等對外服務(wù)；邊緣端的主要任務(wù)是對現(xiàn)場圖像進行預(yù)處理，調(diào)用模型完成缺陷識別，根據(jù)識別結(jié)果進行工序流轉(zhuǎn)，實現(xiàn)智能調(diào)度，所調(diào)用模型可預(yù)先部署到邊緣端，當(dāng)識別結(jié)果置信度低于95%時，則將圖像傳至云端，調(diào)用部署在云端的模型進行二次識別，以提高識別準(zhǔn)確率，而云端圖像庫因此不斷豐富更新，進而定期訓(xùn)練新模型，以提高模型精度；現(xiàn)場終端以多種設(shè)備適配云端和邊緣端的不同功能，如云端的數(shù)據(jù)分析結(jié)果可在現(xiàn)場大屏進行可視化呈現(xiàn)，質(zhì)檢人員可通過現(xiàn)場看板完成缺陷檢測分析，而數(shù)控機床，可編程邏輯控制器（Programmable Logic Controller，PLC），人機界面（Human Machine Interface，HMI）和工業(yè)相機等設(shè)備組成了系統(tǒng)的視覺采集模塊，主要負(fù)責(zé)拍攝待識別鋼材表面圖像。

4.2 系統(tǒng)視覺采集模塊設(shè)計

系統(tǒng)視覺采集模塊由PLC，HMI和工業(yè)相機等設(shè)備組成。PLC作為控制器，對數(shù)控機床進行運動控制，機床各軸通過伺服電機驅(qū)動。在機床工作臺放置待檢測鋼材，主軸末端安裝工業(yè)相機，將G指令下發(fā)到PLC，拍攝待識別鋼材表面的各個部位圖像。HMI可以對視覺采集模塊進行總體控制，包括參數(shù)配置，各軸點動和機床示教等。

4.3 系統(tǒng)缺陷識別功能開發(fā)

本文在浪潮智能物聯(lián)網(wǎng)平臺（inIoT）中做了進一步技術(shù)驗證。inIoT位于浪潮“云+邊+端”智能制造總體架構(gòu)的邊緣端，涵蓋數(shù)據(jù)采集、設(shè)備建模、仿真監(jiān)控、預(yù)警分析和智能服務(wù)等模塊，建立設(shè)備運維精細化閉環(huán)，實現(xiàn)數(shù)字化車間管理，廣泛應(yīng)用于大型裝備，航空航天，船舶制造，橋梁工程和兵器裝備等行業(yè)中。而在inIoT中增添部分智能服務(wù)，對制造企業(yè)實現(xiàn)轉(zhuǎn)型升級具有重要意義。為此，本文基于Angular和Tornado框架在inIoT的生產(chǎn)檢驗?zāi)K中開發(fā)了智能檢驗功能，頁面如圖8所示。

圖8 inIoT智能檢驗功能頁面

圖8所示功能主要以圖形化的方式實現(xiàn)調(diào)用深度神經(jīng)網(wǎng)絡(luò)模型進行鋼材表面質(zhì)量檢驗的過程。頁面主要分為兩部分，左半?yún)^(qū)為圖像顯示區(qū)，負(fù)責(zé)顯示待檢圖像；右半?yún)^(qū)為結(jié)果顯示區(qū)，負(fù)責(zé)顯示置信度和檢驗時間等檢測結(jié)果，還可對鋼材表面質(zhì)量情況進行統(tǒng)計分析。智能檢驗功能將檢驗識別過程可視化，易于操作，人機交互性好，識別時間達到了毫秒級，既豐富了inIoT的功能，也將為云邊端協(xié)同系統(tǒng)在制造業(yè)場景表面缺陷識別中的應(yīng)用提供有效依據(jù)。

5 結(jié)語

1）針對傳統(tǒng)鋼材表面缺陷識別方式準(zhǔn)確率和效率較低的現(xiàn)狀，本文研究了一種高效準(zhǔn)確的鋼材表面缺陷識別方法，在VGG16的基礎(chǔ)上進行遷移學(xué)習(xí)。在研究過程中，采取了數(shù)據(jù)增強，引入全局平均池化，Dropout，動態(tài)改變學(xué)習(xí)率和訓(xùn)練早停等策略，以提高模型準(zhǔn)確率，降低損失和抑制過擬合現(xiàn)象。

2）通過對比實驗和鋼材表面缺陷識別認(rèn)知視覺系統(tǒng)設(shè)計的方式對鋼材表面缺陷識別過程進行了技術(shù)驗證。實驗采取凍結(jié)模型部分層級和微調(diào)的方式，測試了不同凍結(jié)層數(shù)目的識別效果，并與其他文獻進行了對比，實驗結(jié)果較為理想，準(zhǔn)確率達到了99.92%，所研究內(nèi)容也具備一定實用性。卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)等技術(shù)的應(yīng)用也不僅局限于鋼材表面缺陷識別，由于網(wǎng)絡(luò)對于特征的高效提取能力，其在多種自動化動態(tài)識別場景中也可提供一定借鑒。

3）本文的研究是在小數(shù)據(jù)集上進行的，在準(zhǔn)確率和性能等方面仍有較大提升空間。后續(xù)將加大數(shù)據(jù)量，優(yōu)化改進模型結(jié)構(gòu)和訓(xùn)練策略，并對比多種模型，得到更優(yōu)結(jié)果。