论文研究-基于深度卷积特征和HOG特征融合的管道病害识别算法 .pdf

所需积分/C币:31 2019-08-15 11:12:01 752KB .PDF
86
收藏 收藏
举报

基于深度卷积特征和HOG特征融合的管道病害识别算法,杨东,杨峰,提出一种利用预训练VGGNet提取的图像特征和HOG特征融合,采用多类SVM识别管道病害的方法。本文利用迁移学习和特征融合的策略,在小样
山国武技论文在线 +≥ 代表得个样本标签,代表第个样本特征,为训练集人小。 分类模型设计 特征提取和 特征提取 本文提出的分炎模型特征提取分为两部分,预训练的 特征提取和特征提 取 由于管道病害的数据集很小,直接用小数据集训练 会出现过拟合等情况。所 以本文采用迁移学习的方法,用经过 上顶训练的 模型作为初始化模型参 数,将 输出类别修改为类。再次在小规模管道病害数据集上训练 模型。 Input VGGNet 预训练 模型 Out put 练 oN ++ 标签 段 图片 252563 特征提取 图 特征提取 在 上预训练的 模型经过管道病害小规模数据集的再次训练,对管道 病害测试集的准确率只能达到,这是由于 采用的 分类器需要大量样本 训练,在小规模训练集下, 分类器很容易过拟合。本文采用 模型第一个全 连接层的维输出作为的图片的特征,然后融合特征对模型进行训练。 本文在提取图片的特征时。考虑到单张病害图片识别的速度以及识别的准确率, 首先将图片缩小为 的灰度图像。然后用大小的窗口对图片提取特征, 获得每张图片的维特征。卜图为特征对不同病害的描述 山国武技论文在线 图裂缝特征 图裂缝特征 图悬挂物特征 图悬挂物征 图不同病害的征 分类器 本文模型分类器采用多分类分类器,为了实现同时进行多类别分类,模型采用 损失函数来实现多类别分类目的 损失函数见公式()、()。 ∑ 代表第个样本相对应的类别的得分,5代表剩余其他类别的得分,为训练集的规模,L 代表第个训练样本的总得分,代表训练样本的总得分。 为了防止模型岀现过拟合的情况,本文模型在损失函数中引入了正则化项,引入正则化 项既保证了分类器的准确分类,又保证了模型的泛化能力。加入正则化项的损失函数公式 如公式() ∑+川 木文模型分类器采用多分类分类器。由丁木文的样木数据集比较小, 在小 样本数据集上能有较好的识别效果。同吋,分类器的计算量比较小,在实际应用中 能更快的对病害进行识别。特征提取和分类器训练的整体沇程如图。 山国武技论文在线 Input VGGNet 顶训练 VGGNet 模型 Out put 标签 图片 特征提取 6维特征 1分类 器训练 图片 H0G特寺征 提取 图特征提取和分类器训练 试验结果与分析 实验数据 本文试验数据由训练集和测试集两部分组成。其中每部分由四类组成,分别为裂缝 )、空洞()、悬挂物( )、背景 )。由于本文编写 时实验室内的管道机器人还在硏发当中,无法获取真实的管道数据。所以本次试验采用实验 室内模拟的数据。表为样本组成的详细信息,表为部分模拟的图像数据. 表试验样本组成 样木种类 训练集 测试集 空洞 裂缝 悬挂物 背景 总计 表试验样本 样木种类 图像数据 空洞 山国武技论文在线 裂缝 甘边计小二兰 悬挂物 背景 实验过程 本文采用 的层网络结构,具体的网络结构参见本文图。首先从相关开源 网站上获取经 训练集训练好的 模型。将管道病害训练集图片调整为 大小,然后在小规模训练集冉次训练 模型。最后修改训练好的模型,将第 个全连接层()作为模型的输出。再次加载训练集,得到所有训练集的 特征 本文提取特征时,首先将图片大小调整为 ,后采用 大小的 提取特征,提取出的特征为维。图病害图片类间对应的 特征经过降维的波形图。图为病害类内对应的 特征经过降维的 波形图。 图片 图病害类间特征 山国武技论文在线 图片 图片 图病害类内特征 由图和图各个病害对应的波形可以看出 特征和 特征病害类内波形 具有定的相似性,病害类间波形区分明显。所以二者皆可作为分类器的特征,同时二者提 取特征的方法不同,两种特征融合到一起能更好的描述病害 实验结果及分析 本文试验时采用的平台基本配置如下表: 表实验平台配置 硬件名称 配置参数 内存 硬盘 机械硬盘 在相同的小规模训练集和测试集下,三种不同的算法在测试集上识别效果如下表。 表不同算法的实验效果对比 算法 特征和特 征融合 准确率 表不用算法的单张图片识别平均时间(秒) 算 特征和特 征融合 山国武技论文在线 半均用时 从表和表中可以看出,采用 特征和特征融合 算法的识别策略 在管道病害识别的整体准桷率上都眀显高于其他两种识别策略。同吋在单张图片识别吋间上 没有过于明显的提升。 对于上述改进算法的识别效果进一步分析,改进效果的提升体现在一些图片中病害信息 不全或者比较病害信息模糊的场景中,如下图 26178232):1 写十管 乱土管 0两5hi 图病害 图病害 佟病害 图病害图像 图的三幅病害图像, 特征和特征融合 算法均能准确的识别出病 害类別(模拟悬挂物),但其他两种算法均未识別到病害。 结论 本文提出的 特征和特征融合算法相对于其他两种算法在小规模数 据集的情况下提髙了病害识别的准确窣,同时试验证明本文提出的改进模型对图片病害信息 有较强的鲁棒性 参考文献 向征谭但良马争鸣改进的 性能比较计算机辅助设计与图形学学 报 张冬生支持向量机在分类问题中的应用研究黑龙江科技信息 宋佳蓉杨忠张大翼基于卷积神经网络和多类的交通标志识别应用科技 王方石王竖李兵王博基」深度属性学习的交通标志检测吉林大学学报工学版 黄琳张尤赛应用深层卷积神经內络的交通标志识别现代电子技术 郭显娥武伟刘春贵等多类分类算法的研究山西大同大学学报自然科学版

...展开详情
试读 8P 论文研究-基于深度卷积特征和HOG特征融合的管道病害识别算法 .pdf
立即下载 身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于深度卷积特征和HOG特征融合的管道病害识别算法 .pdf 31积分/C币 立即下载
1/8
论文研究-基于深度卷积特征和HOG特征融合的管道病害识别算法 .pdf第1页
论文研究-基于深度卷积特征和HOG特征融合的管道病害识别算法 .pdf第2页

试读结束, 可继续读1页

31积分/C币 立即下载