[24]，如圖4-4所示。（a）傳統(tǒng)殘差塊（b）改進(jìn)殘差塊圖4-4Resnet中殘差塊實(shí)例從圖4-4（b）中可以看出，改進(jìn)后的殘差塊與inception結(jié)構(gòu)同樣采用1*1的卷積核來進(jìn)行維度的縮放，降低了參數(shù)的數(shù)量，更有利于計(jì)算。4.4汽車座椅缺陷檢測模型的訓(xùn)練結(jié)果在深度學(xué)習(xí)中、采用區(qū)塊選擇的檢測與判別算法中FasterRCNN是最為優(yōu)秀的。它與RCNNFastRCNN相比較而言，解決了在提取卷積特征值時(shí)那些復(fù)雜冗多操作，定義了RPN結(jié)構(gòu)，采用GPU共同進(jìn)行計(jì)算，極大的增加了運(yùn)算能力，與此同時(shí)使算法的檢測和判別的速度得到了極大的提高，而準(zhǔn)確度仍保持著之前的優(yōu)秀水平。由于本次實(shí)驗(yàn)中數(shù)據(jù)集較少，所以訓(xùn)練網(wǎng)絡(luò)模型時(shí)采取遷移學(xué)習(xí)的方法，通過使用經(jīng)過ResNet50網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，訓(xùn)練參數(shù)通過優(yōu)化調(diào)整，完成訓(xùn)練，并將訓(xùn)練好的模型保存為.pth格式。在構(gòu)建好了網(wǎng)絡(luò)的總體結(jié)構(gòu)后，分別對(duì)批次大小、卷積核大小、訓(xùn)練器的優(yōu)化器進(jìn)行了多次對(duì)比實(shí)驗(yàn)。batch_size設(shè)置為1~6進(jìn)行訓(xùn)練，發(fā)現(xiàn)在batch_size等于1的時(shí)候最合適。模型性能最好。根據(jù)試驗(yàn)結(jié)果表明。在根據(jù)預(yù)設(shè)結(jié)構(gòu)構(gòu)建好的10層殘差網(wǎng)絡(luò)上訓(xùn)練時(shí)，選用3×3的濾波器規(guī)模，采用一次7×7的池化操作，全連接后softmax輸出。數(shù)據(jù)集劃分方式比例為7：2：1的train_set、test_set集、validation_set比例。選取categorical_crossentropy作為loss、Adagrad作為optimizer時(shí)，網(wǎng)絡(luò)收斂最快。達(dá)到了89.74%的正確率。圖4-5成功識(shí)別結(jié)果圖5結(jié)論5.1工作總結(jié)隨著深度學(xué)習(xí)近些年來的快速發(fā)展以及機(jī)械生產(chǎn)自動(dòng)化日益增長的需求，深度學(xué)習(xí)在機(jī)械自動(dòng)化領(lǐng)域有著越來越多的應(yīng)用，例如自動(dòng)分類、人臉識(shí)別等不斷出現(xiàn)，而對(duì)于汽車座椅缺陷檢測，一直以來開發(fā)的系統(tǒng)還比較少見，因此本文汽車座椅缺陷檢測系統(tǒng)完成了以下工作：1.查詢文獻(xiàn)資料，對(duì)目前缺陷檢測識(shí)別算法進(jìn)行理解分析，最終選取卷積神經(jīng)網(wǎng)絡(luò)作為識(shí)別算法；2.針對(duì)訓(xùn)練數(shù)據(jù)量過少的問題，采用遷移學(xué)習(xí)的方法對(duì)預(yù)訓(xùn)練模型進(jìn)行fine-tuning，以提高識(shí)別準(zhǔn)確率，防止出現(xiàn)過擬合。并使用同一個(gè)數(shù)據(jù)集分別對(duì)Alexnet、GoogLeNet、ResNet50進(jìn)行訓(xùn)練，最終選擇準(zhǔn)確率最高的ResNet50作為識(shí)別模型，并將訓(xùn)練好的模型保存為.pth文件；3.搭建操作界面，進(jìn)行圖片的讀取、檢測、缺陷標(biāo)注輸出的過程。5.2未來展望本次實(shí)現(xiàn)針對(duì)座椅缺陷開發(fā)了一個(gè)檢測系統(tǒng)，雖然取得了一定的成果，但還有一些可以進(jìn)步的空間：1.座椅缺陷圖像數(shù)目過小，并且每種座椅形狀、顏色等外觀難以統(tǒng)一，導(dǎo)致識(shí)別模型無法達(dá)到一個(gè)很高的精度。對(duì)此可以選擇加大工廠的缺陷座椅數(shù)據(jù)采集量來補(bǔ)充數(shù)據(jù)集；2.在數(shù)據(jù)處理過程中會(huì)將座椅的縫線部分劃入缺陷范圍內(nèi)導(dǎo)致經(jīng)過遷移學(xué)習(xí)訓(xùn)練的識(shí)別模型識(shí)別效果有一定影響。對(duì)此可以選擇缺陷分塊標(biāo)注的方法；3.本次在線識(shí)別系統(tǒng)只能將采集到的病害圖片上傳至電腦再進(jìn)行識(shí)別，有一定的局限性，不能完成實(shí)時(shí)拍照上傳并識(shí)別。對(duì)此可以利用訓(xùn)練好的模型開發(fā)出適配移動(dòng)端的軟件，便于用戶隨時(shí)隨地完成識(shí)別。參考文獻(xiàn)王茵.計(jì)算機(jī)視覺在工業(yè)檢測中的應(yīng)用研究[D].貴州大學(xué),2007.C.Yeh,D.-B.Perng.EstablishingaDemeritCountReferenceStandardfortheClassificationandGradingofLeatherHides.2001,18(10):731-738.VasagamSN,MadhanB,ChandrasekaranB,etal.StudiesonselectiveDefectIdentificationofCrustleathersforComputerAidedGrading[J].Journal-AmericanLeatherChemistsAssociation,2013,108(6):210-220.VillarP,MoraM,GonzalezP.ANewApproachforWetBlueLeatherDefectSegmentation[M]//ProgressinPatternRecognition,ImageAnalysis,ComputerVision,andApplications.SpringerBerlinHeidelberg,2011.Du-MingTsai,Tse-YunHuang.Automatedsurfaceinspectionforstatisticaltextures.2003,21(4):307-323.KwonJW,ChooYY,ChoiHH,etal.Developmentofleatherqualitydiscriminationsystembytextureanalysis[C]//TenconIEEERegion10Conference.IEEE,2004.PedramGhamisi,MicaelS.Couceiro,JónAtliBenediktsson,NunoM.F.Ferreira.Anefficientmethodforsegmentationofimagesbasedonfractionalcalculusandnaturalselection[J].ExpertSystemsWithApplications,2012,39(16).MingHuwiHorng,TingWeiJiang,JinYiChen.MultilevelMinimumCrossEntropyThresholdSelectionbasedonHoneyBeeMatingOptimization[J].LectureNotesinEngineeringandComputerScience,2009,2174(1).JinhuiLan,YiliangZeng.Multi-thresholdimagesegmentationusingmaximumfuzzyentropybasedonanew2Dhistogram[J].Optik-InternationalJournalforLightandElectronOptics,2013,124(18).SobralJL.Optimisedfiltersfortexturedefectdetection[C]//IEEEInternationalConferenceonImageProcessing.IEEE,2006.FernandoLópez,JoséManuelPrats,FerrerA,etal.DefectDetectioninRandomColourTexturesUsingtheMIAT2DefectMaps[C]//InternationalConferenceImageAnalysisandRecognition.Springer,Berlin,Heidelberg,2006.于彩香,邱書波.用于皮革缺陷檢測的方法研究[J].皮革科學(xué)與工程,2008(02):24-27.朱凌云,嚴(yán)飛華,李汶松.基于視覺顯著度的皮革表面瑕疵檢測[J].計(jì)算機(jī)工程與科學(xué),2016,38(03):549-555.甄燕.基于圖像檢測技術(shù)的皮革缺陷檢測的分析[J].科技與企業(yè),2012(21):101+100.李健,韓瑋,鄭東.一種皮革表面缺陷檢測分類方法的研究[J].計(jì)算機(jī)測量與控制,2010,18(12):2733-2734+2747.張立保.基于區(qū)域增長的遙感影像視覺顯著目標(biāo)快速檢測[J].中國激光,2012,39(11):210-216.陳虹.基于紋理分析的皮革缺陷檢測的應(yīng)用研究[D].四川師范大學(xué),2011.萬長青.基于紅外熱像技術(shù)的汽車座椅皮革表面質(zhì)量檢測研究[D].沈陽工業(yè)大學(xué),2018.曹燕,李歡,王天寶.基于深度學(xué)習(xí)的目標(biāo)檢測算法研究綜述[J].計(jì)算機(jī)與現(xiàn)代化,2020(05):63-69.RenShaoqing,HeKaiming,GirshickRoss,SunJian.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks.[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2017,39(6).J.R.R.Uijlings,K.E.A.Sande,T.Gevers,A.W.M.Smeulders.SelectiveSearchforObjectRecognition[J].InternationalJournalofComputerVision