張翔 張守震

摘 要：基于深度學(xué)習(xí)方法對數(shù)據(jù)集進行特征提取。傳統(tǒng)的殘差神經(jīng)網(wǎng)絡(luò)有效解決了網(wǎng)絡(luò)層數(shù)過深帶來的梯度彌散問題，但是低網(wǎng)絡(luò)層高分辨率對圖像語義特征提取不足，高網(wǎng)絡(luò)層低分辨率對圖像細節(jié)特征提取不足，課題研究提出了一種多尺度特征融合的方式改進網(wǎng)絡(luò)，以提升特征提取的質(zhì)量。通過遷移學(xué)習(xí)的方式在PCB圖像數(shù)據(jù)集上訓(xùn)練該網(wǎng)絡(luò)并進行驗證，相比于其他神經(jīng)網(wǎng)絡(luò)得到明顯提升。對大規(guī)模數(shù)據(jù)集挖掘進行的研究有助于解決關(guān)聯(lián)規(guī)則挖掘時的內(nèi)存瓶頸問題，提高聚類算法的執(zhí)行效率以及結(jié)果的質(zhì)量，對以后相關(guān)的研究工作也有一定的借鑒意義。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);特征提取;深度學(xué)習(xí)

圖像數(shù)據(jù)集的內(nèi)容千變?nèi)f化，想要通過單一的一種特征很難描述出圖像完整的信息，借助某一個特征進行的圖像檢索的結(jié)果也并不十分滿意，所以可嘗試將不同的特征融合，采取多特征相結(jié)合的方式進行圖像檢測以提高準(zhǔn)確率。不同的特征能夠反映出不同部位的信息，整體信息和細節(jié)信息也都不一樣，因此特征也可以被分為全局特征和局部特征。在數(shù)據(jù)挖掘和知識發(fā)現(xiàn)中利用約束信息可以提高挖掘的效率、精度等等。事實上，對于大規(guī)模數(shù)據(jù)集而言，可能蘊含著巨大的關(guān)聯(lián)規(guī)則。如果盲目地進行挖掘，不僅效率很低，而且可能發(fā)現(xiàn)很多不相關(guān)的規(guī)則。利用約束，可以對具體的關(guān)聯(lián)規(guī)則挖掘任務(wù)進行定程度的控制，從而使挖掘

工作向著我們期望的方向發(fā)展。

一、神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集處理和缺陷檢測

PCB缺陷檢測的研究對象即PCB裸板的圖像數(shù)據(jù)，該圖像數(shù)據(jù)是由工業(yè)相機拍攝所得，成像結(jié)果極易受到拍照時的光照條件、溫度條件、空氣條件的影響，此外傳送帶履帶的抖動、拍攝相機的抖動都有可能導(dǎo)致 PCB 圖像的質(zhì)量，而 PCB 圖像數(shù)據(jù)的質(zhì)量直接影響了后續(xù)對于圖像中的缺陷進行識別定位分類的準(zhǔn)確程度，因此為了保證后續(xù)的深度學(xué)習(xí)算法的良好效果，需要對 PCB 圖像數(shù)據(jù)進行圖像預(yù)處理[1]，這一步驟十分關(guān)鍵。

PCB 圖像數(shù)據(jù)集來自于北京大學(xué)智能機器人開放實驗室免費公開提供的印刷電路板瑕疵數(shù)據(jù)集（http：//robotics.pkusz.edu.cn/resources/dataset/）。該數(shù)據(jù)集共包含 1386 張具有多種不同缺陷類型的原始 PCB 圖像，用于 PCB 圖像的缺陷檢測、分類和定位等問題的研究。

二、圖像數(shù)據(jù)集灰度化處理

三維顏色 RGB 空間由三原色紅綠藍（RGB）構(gòu)成，圖像可以理解為由三原色按照不同的比例疊加而成。對于相機拍攝得到的圖像進行數(shù)字離散化，則圖像中的每一個像素的像素值都在[0，225]的區(qū)間范圍內(nèi)，則圖像就可以轉(zhuǎn)變成一個三維數(shù)組[H，W，C]，其中 H 代表圖像的橫向量，W 代表圖像的列向量，C 代表圖像的通道數(shù)量，在 RGB 顏色空間下即為 RGB 三個通道，當(dāng)計算機對圖像數(shù)據(jù)進行操作時，就需要計算三個通道的像素值，運算量太大，因此可以將三個通道的彩色圖像轉(zhuǎn)變成單通道的灰度圖[3]，參數(shù)計算量會大大減少，這便是圖像灰度化，RGB 空間的灰度轉(zhuǎn)換的公式如式1 所示：

Gray（i， j） =0.29xR（i， j） +0.59xG（i， j） +0.11xB（i， j）? ? ? ? ?（1）

（一）灰度圖像均衡化消除

圖像直方圖[3]反映了圖像中不同亮度值的像素所占的比例，能夠直觀地看出圖像的亮度分布，但是對于單通道的灰度圖像來說，直方圖則反映了該圖像中不同灰度級出現(xiàn)的統(tǒng)計情況。圖像的灰度直方圖是一維離散函數(shù)，如式 2 所示：

h（k） =nk， k =0，1， ， 255? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（2）

其中， nk 表示為圖像的灰度值為 k 的像素點的個數(shù)，圖像的灰度級有 256 種。其中p（k）表示圖像像素中灰度值為k出現(xiàn)的概率。分別計算PCB數(shù)據(jù)集的原始圖像和灰度圖像的直方圖，得到的結(jié)果如圖1所示。

三、訓(xùn)練數(shù)據(jù)集的圖像實驗塊選擇

與那些在人工標(biāo)注真實角點位置的實際拍攝棋盤數(shù)據(jù)集上進行訓(xùn)練的基于深度學(xué)習(xí)的棋盤角度檢測方法不同[3]，我們的網(wǎng)絡(luò)在帶有真實亞像素角點位置的合成訓(xùn)練集上訓(xùn)練。

如果在訓(xùn)練時，我們僅對每個真實亞像素角點所在像素，取其15×15鄰域作為輸入圖像參與訓(xùn)練 （cn與 pc在同一像素內(nèi)），那么訓(xùn)練時的亞像素角點坐標(biāo)偏移量真實值 dx和 dy應(yīng)該在 [0.5，0.5） 范圍內(nèi)。在測試時，如果第一步的整數(shù)角點定位獲得了正確的整數(shù)位置，我們的網(wǎng)絡(luò)能夠正確進行后續(xù)的亞像素精調(diào)。但是如果測試時第一步的整數(shù)角點定位包含錯誤結(jié)果 （一般情況下是不可避免的），此時出現(xiàn)了訓(xùn)練時沒有的情況，輸入網(wǎng)絡(luò)的 15×15 圖像塊的中心像素并沒有包含亞像素角點，這種情況下我們的網(wǎng)絡(luò)將無法進行亞像素位置精調(diào)。

（一）測試數(shù)據(jù)集合成測試實驗

由于合成棋盤數(shù)據(jù)集的真實亞像素角點位置是已知的，我們能夠計算平均角點定位誤差MELE，此外我們也比較了棋盤角點檢測算法中最常用的MERE。我們首先對合成測試集進行了不同下采樣系數(shù)δ的雙三次下采樣，用來測試網(wǎng)絡(luò)的輸入圖像尺寸對結(jié)果的影響。在測試圖片具有不同分辨率，15×15的網(wǎng)絡(luò)輸入大小具有最低MED誤差，因此我們選擇15×15作為網(wǎng)絡(luò)輸入圖像塊的大小。不同亞像素角點檢測方法在不進行模糊，不同噪聲等級的合成測試集上的平均歐式重投影誤差 （MERE）如表1所示。

四、總結(jié)

對于原始的數(shù)據(jù)集圖像，往往因成像條件不同導(dǎo)致圖像特征不明顯，并伴隨產(chǎn)生很多噪聲，不能直接用于特征提取。本文采用將圖像灰度化，以摒棄色彩信息干擾，再對灰度圖進行直方圖均衡化以增強前景與后景的對比，最后通過高斯濾波等方式降低圖像的噪聲干擾，實現(xiàn)了神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集圖像突出特征，過濾噪聲的目的。由于用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的圖像數(shù)據(jù)集規(guī)模較小，且采用遷移學(xué)習(xí)的方法進行訓(xùn)練，而深度學(xué)習(xí)模型對于數(shù)據(jù)集的規(guī)模需求較大，因此訓(xùn)練的效果有限，后續(xù)可以對數(shù)據(jù)集進行全方位補充。

參考文獻：

[1]Zakria. 基于深度學(xué)習(xí)的快速車輛再識別研究[D].電子科技大學(xué)，2020.DOI：10.27005/d.cnki.gdzku.2020.004719.

[2]劉皓. 基于深度學(xué)習(xí)的行人再識別問題研究[D].合肥工業(yè)大學(xué)，2017.

[3]吳國清. 科學(xué)計算時變數(shù)據(jù)集的數(shù)據(jù)挖掘算法研究[D].中國工程物理研究院，2019.