مذكرة لى فنغ الشبكة: هذه المقالة لحظات كما تقديم تلميذ مؤسس الذكي باو مي. تأسست حظة والشبكة الذكية في أكتوبر عام 2017، مع التركيز على رؤية الجهاز، وذلك أساسا من خلال ادارة العلاقات مع سحابة منصة لمساعدة تحسين مصنع الرؤية للتنمية والكفاءة الترقية. وعمل الدكتور باو مي الكمبيوتر تلميذ جامعة الشعب الصينية كمدير المنتج للحصول على 360 مهندسين R & D Qihoo.

I. الخلفية معرفة

مع التطور السريع لتكنولوجيا التشغيل الآلي، والعديد من المجالات تتطلب العمليات اليدوية لإكمال في الإنتاج الصناعي تدريجيا بدوره عن طريق آلة، والأتمتة الصناعية ستكون أكثر ويتم اطلاق سراح المزيد من العمال من العمل الشاق، بحيث يذهبون للعب أكثر قيمة كبيرة.

الكشف عن سطح المنتج العيب هو جزء هام من الإنتاج الصناعي، وجودة المنتج هي الخطوة الرئيسية في السيطرة على وسائل التكنولوجيا الكشف عن عيب يمكن تحسين فعالية جودة الإنتاج والكفاءة. أنواع ولكن نظرا لعوامل المعدات والتكنولوجيا الأخرى، وغالبا ما تختلف العيوب السطحية من المنتجات، مثل يظهر إنتاج النسيج الصينية وصمة عار أنواع مختلفة من العيوب، والضرر، وخدوش على المنتجات المعدنية، والشقوق، وغيرها من المخالفات، كما هو مبين أدناه العروض.

العيوب صورة واحدة المتنوعة ومختلف مظاهر الخلل ليست هي نفسها، لأتمتة يجعل من الصعب للكشف عن العيوب.

الثانية، الخوارزمية التقليدية

التقليدية سطح خوارزميات الكشف عن الخلل لتسهيل الكشف عن تكوين صورة حصلت عليها صورة ما قبل المعالجة، تليها طريقة تعلم الآلة الإحصائية لاستخراج ميزة صورة، وذلك لتحقيق الهدف من كشف العيب.

صورة تجهيزها عادة ما تضم معادلة الرسم البياني، وتصفية إزالة الضوضاء، وتدرج ثنائي وتصفيتها مرة أخرى عدة أجزاء، مفصولة للحصول على المعلومات المقدمة وصورة الخلفية يمكن أن تكون مبسطة، ثم استخدام مورفولوجيا الرياضي، تحويل فورييه، غابور تحويل الخوارزميات ونماذج تعلم آلة بمناسبة الانتهاء من الكشف عن العيوب.

حققت أعلى الطرق التقليدية في بعض التطبيقات النتائج جيدة، ولكن لا يزال هناك الكثير من النواقص. على سبيل المثال: صورة تجهيزها خطوة ويبلغ مداه المستهدفة قوي، وضعف قوة، وأكثر خوارزميات حسابية مثيرة للدهشة ولا يمكن أن تكون بدقة الكشف عن حجم الخلل والشكل. عمق التعلم من خلال التعلم يمكن تحديث البيانات مباشرة المعلمة، وتجنب تعقيد تصميم خوارزمية اليدوية العمليات، ولها قوة عالية جدا ودقة.

الثالث، وعمق التعلم

حاليا، استنادا تم تطبيق الدراسة الكشف عن عمق الخلل في البرامج الثابتة المعدنية، حقول نسيج قماش الحرير، وبناء الشقوق، والشقوق والصلب الأخرى، وحققت نتائج جيدة. ووصفت حالات محددة أدناه مع الإشارة إلى طرق تنفيذها.

3.1 عيب عيب التفتيش

مواد البناء (مثل البلاط المغناطيسي، وما إلى ذلك) التغيرات ظهور (مثل الشقوق أو التآكل) من هيكل المبنى وأمنها لا ينفصلان، وتعتمد على مفتشي الفحص البصري من القيود المفروضة على تأثير كبير، على النقيض من ذلك، والضرر الهيكلي على أساس رؤية الكمبيوتر الكشف عن أكثر موثوقية ومريحة.

أسرع RCNN المستخدمة تحقيق في هذه الوثيقة القريب المعالجة في الوقت الحقيقي للصورة، تتضمن العمارة كلها RPN وسريعة RCNN قسمين، كما هو مبين، وRPN سريع نفس RCNN شبكة CNN استخراج ملامح من الصورة أعلاه، فإن الهيكل الرئيسي الشكل التالي CNN العروض.

العمل RPN هو اقتراح الهدف مرشح، تكوين التخطيطي كما هو مبين في عملية التنفيذ FIG التي تضم:

بعد إدخال الصور، التي تم الحصول عليها باستخدام CNN في خصائص FIG.

خصائص كل من انزلاق CONV نافذة فيها خريطة ناقلات المدخلات وSoftmax وRegressor طبقة.

التنبؤ الإحداثيات عيب من المربع المحيط.

RCNN بسرعة للتأثير في الموقف عيب في الصورة لتحديد وتصنيف هيكل تدفق كما هو مبين في الشكل.

FIG استخراج ملامح من صورة المدخلات والحصول على منطقة الفائدة (العائد على الاستثمار)؛

العائد على الاستثمار في حوض السباحة، وميزة محسوبة مسبقا من الاهتمام في المنطقة وغطت FIG استخراج ناقلات ميزة من حجم ثابت.

ويصنف الناتج طبقة المدخلات ناقلات مرتبطة ارتباطا كاملا، والموقف من مربع الكائن احتساب المربع المحيط.

3.2 التالفة كشف الخلل

في السكك الحديدية المكهربة وغيرها من الصناعات، وهناك العديد تأثير هام على سلامة البرامج الثابتة، وهذه البرامج الثابتة عيب الكشف مهم جدا.

المؤلف باستخدام عمق تلفيفي العصبية الشبكة (DCNNs) شيدت غرامة من الخشنة للكشف عن سلسلة الشبكة، بما في ذلك المواقع الثابتة، عيب كشف وتصنيف ملزمة SSD، يولو طريقة شبكة أخرى، يظهر الإجراء تنفيذه أدناه.

(1) استخراج قفل

عن طريق السرعة والدقة جيدة إطار SSD الأداء، في صورة وضع ناتئ عقدة.

سريع العمارة توطين يولو إطار السحابات لتحديد موقع.

(2) البرامج الثابتة عيب كشف وتصنيف

ووفقا للمرحلة الثانية من الكشف عن قفل لتحديد الخلل.

وسائل DCNN مرة أخرى، والتصنيف (هيكل الشبكة تصنيف كما هو مبين أدناه) بنسبة 4 التفاف طبقة عيب.

DCNNs متانة جيدة والقدرة على التكيف، ويفضي إلى الكشف السريع، الأسلوب الحالي للكشف وتصنيف وبالتالي وجود احتمال جيدة في السحابات المعيبة.

الكشف عن الخلل 3.3 نقطة

بقعة الكشف عن خلل شائع في العديد من الصناعات، والمنسوجات، والخشب، والبلاط وغيرها، وعادة ما تستخدم تناسق نسيجه لتحقيق الغرض من الاختبار. في السنوات الأخيرة، واستخدام التعلم العميق تقنية الفحص البصري للكشف عن العيوب السطحية الصناعات ذات الصلة اجتذبت اهتماما واسعا.

صور هرم التسلسل الهرمي باستخدام مزيج من الأفكار والذات تلفيفي التشفير شبكة تقليل الضوضاء (CDAE) نفذت القماش صورة الملمس كشف خلل الهيكل العام هو مبين أدناه.

(1) مرحلة التدريب

صورة تجهيزها: إضاءة التطبيع، الضبابي الضوضاء الحد من الضوضاء الهرم وعمليات الاختزال، لتجنب الضوء وغيرها من العوامل،

التصحيح استخراج: استخراج التدريب التصحيح لكل طبقة الهرم شبكة CDAE.

تدريب نموذج: تدريب تصحيح باستخدام مستوى بكسل بناؤها كمؤشر على التنبؤ عيب المتبقية.

تحديد العتبة: عيوب نقطة ومعيارا هاما للتمييز نقاط مجانية عيب.

(2) نموذج اختبار المرحلة:

صورة تجهيزها: فقط للإضاءة التطبيع وعمليات الاختزال يمكن الهرم التمويه.

استخراج التصحيح: استخراج التصحيح للكشف عن الملمس.

هيكل النسيج المتبقي: استخراج المجالات المقبولة المحلية الشريحة نموذج المدربين، للتنبؤ لكل بكسل.

عيب تجزئة: تقسيم كل هرم طبقة FIG المتبقية.

تركيب: تركيب مستويات الهرم متعددة من المعلومات، من أجل تحسين متانة ودقة الكشف عن عيب.

وقد أظهرت من خلال التحليل والتجارب التي الاستفادة الكاملة من التعلم غير خاضعة للرقابة ومتعددة الوسائط نتائج استراتيجية التكامل، ويمكن تحسين متانة ودقة الكشف عن عيب.

الكشف عن الخلل 3.4 نقطة الصفر

المعينة عموما تستخدم لسطح كشف الخلل خدوش الكشف عن المعادن عيب المنتج، حيث أن تحسين نوعية الحياة والسلامة الشعب والمظهر الجمالي للدرجة متطلبات المنتج أصبحت أكثر تعقيدا، وبالتالي كشف بدقة مظهر المنتج علامات وغيرها من العيوب مهمة في عمليات الإنتاج.

كشف عيب باستخدام الهندسة المعمارية هو مبين في الشكل، والوصف التالي تبدأ لوحدة الكشف.

(1) الهندسة المعمارية CASAE

التلقائي اثنين من الترميز (AE) تتالي معا، حيث الترحيل باستخدام AE FCN هيكل الإطار، هناك طبقات من الالتواء، إزالة التفاف والقفز وصلات، والهيكل هو مبين أدناه.

(1) وحدة عتبة

وحدة منفصلة متصلة نهاية شبكة CASAE، إلى مزيد من صقل نتيجة التنبؤ لقناع.

(2) الكشف عن المنطقة عيب

جميع المناطق التي تم الحصول عليها عن طريق تقسيم العيوب الدلالات الممكنة، يتم استخدام تحليل سائل أخرى للعثور على الملف الشخصي عيب دقيق، مقيدة الحد الأدنى النهائي مساحة مستطيلة المستخرجة من الصورة.

IV موجز

هذه المقالة الأدب إشارة الحدود، لخص التيار الحالي من خلل تحقيق الكشف عن جزء من الأفكار. وعموما، فإن خوارزمية التعلم عيب عمق أساس يمكن تنفيذها بسرعة والكشف بدقة، ومجموعة واسعة من التطبيقات التي يمكن استخدامها بمرونة في البناء والمعادن والثابتة القماش أقمشة الحرير والعديد من الصناعات الأخرى في عملية الإنتاج.

شبكة لى فنغ

المراجع:

 تشا Y J وآخرون الحكم الفحص البصري الهيكلي استخدام التعلم العميق القائم على المنطقة للكشف عن أنواع الضرر متعددة. بمساعدة الحاسوب الهندسة المدنية والبنية التحتية، عام 2018.

 كشف الخلل تشن J وآخرون. التلقائي من السحابات على الجهاز دعم سلسال باستخدام الشبكة العصبية التلافيف عميق. IEEE المعاملات على الأجهزة والقياس، عام 2017.

 مي S آخرون نهج للتفتيش عيب الآلي على الأسطح بمادة دون رقيب التعلم القائم. IEEE المعاملات على الأجهزة والقياس، عام 2018.

 مي S العال. التلقائي كشف النسيج عيب مع نموذج تقليل الضوضاء التلافيف شبكة autoencoder متعددة الحجم. مجسات، 2018.

 تاو X آخرون الكشف التلقائي عن خلل سطح معدني والاعتراف مع الشبكات العصبية التلافيف. العلوم التطبيقية، 2018.

شبكة لى فنغ. شبكة لى فنغ.