深度卷积网络压缩算法在焊缝识别中的应用

刘美菊; 运勃

doi:doi:10.3788/LOP56.051004

激光与光电子学进展, 2019, 56 (5): 051004, 网络出版: 2019-07-31

深度卷积网络压缩算法在焊缝识别中的应用下载： 1045次

Application of Deep Convolution Network Compression Algorithm in Weld Recognition

刘美菊运勃 ^*

作者单位

沈阳建筑大学信息与控制工程学院, 辽宁沈阳 110168

图 & 表

图 1. 焊接识别系统[9]

Fig. 1. Weld recognition system[9]

下载图片查看原文

图 2. 卷积计算示意图

Fig. 2. Schematic of convolution calculation

下载图片查看原文

图 3. 激活函数图像。(a) Sigmoid;(b) RELU

Fig. 3. Activation function images. (a) Sigmoid; (b) RELU

下载图片查看原文

图 4. 图像采集设备

Fig. 4. Image acquisition device

下载图片查看原文

图 5. 实验使用的卷积网络结构

Fig. 5. Convolution network structure used in experiments

下载图片查看原文

图 6. 工件1的标注

Fig. 6. Making labels for weldment 1

下载图片查看原文

图 7. 计算结果

Fig. 7. Computing result

下载图片查看原文

图 8. 模型识别率对比

Fig. 8. Recognition rate comparison among models

下载图片查看原文

图 9. 第二种工件

Fig. 9. Second weldment

下载图片查看原文

图 10. 焊接点标签

Fig. 10. Label of weldment point

下载图片查看原文

图 11. 混合测试结果折线图

Fig. 11. Polygon diagram of mixed test results

下载图片查看原文

表 1网络结构及超参数列表

Table1. Network structure and hyper-parameter list

Type of layers	Parameter
Convolution+activation function+pooling	C₆₄(3×3,S=1)+RELU+P_max(2×2,S=2)
Convolution+activation function+pooling	C₁₂₈(3×3,S=1)+RELU+P_max(2×2,S=2)
Convolution+activation function+pooling	C₂₅₆(3×3,S=1)+RELU+P_avg(2×2,S=2)
Convolution+activation function+pooling	C₅₁₂(3×3,S=1)+RELU+P_avg(2×2,S=2)
Convolution+activation function+pooling	C₅₁₂(3×3,S=1)+RELU+P_avg(2×2,S=2)
Full connetion+activation function	400 neutral units+RELU
Full connetion+activation function	400 neutral units+RELU
Loss function	Euclidean distance

查看原文

表 2模型大小与内存需求

Table2. Model size and memory requirements

Without compression		After compression		Compressionratio	Speed ratio	Loss /%
Maximum memoryrequirement /MB				Modelsize /MB	Maximum memoryrequirement /MB	Modelsize /MB
38	55.3	1.1	2.33	23.8	26.3	1.4

查看原文

表 3工件1的测试准确率

Table3. Test accuracy of weldment 1

Method	Accuracy /%
GS	94.3
SURF	92.4
HC	90.1
LSE	87.6
GH	93.3
GXN	97.5

查看原文

表 4多工件的测试结果

Table4. Test results of multiple weldments

Method	Accuracy /%
Method	Secondweldment test	Mixeddata test
GS	93.3	90.1
SURF	94.4	89.6
HC	87.5	86.7
LSE	94.3	88.2
GH	91.2	90.1
GXN	96.7	96.3

查看原文

表 5各种算法的时效性

Table5. Time consumption of each method

Method	Time /ms
GS	35
SURF	27
HC	17
LSE	39
GH	37
GXN	36

查看原文

刘美菊, 运勃. 深度卷积网络压缩算法在焊缝识别中的应用[J]. 激光与光电子学进展, 2019, 56(5): 051004. Meiju Liu, Bo Yun. Application of Deep Convolution Network Compression Algorithm in Weld Recognition[J]. Laser & Optoelectronics Progress, 2019, 56(5): 051004.

深度卷积网络压缩算法在焊缝识别中的应用下载： 1045次

图 1. 焊接识别系统[9]

Fig. 1. Weld recognition system[9]

图 2. 卷积计算示意图

Fig. 2. Schematic of convolution calculation

图 3. 激活函数图像。(a) Sigmoid;(b) RELU

Fig. 3. Activation function images. (a) Sigmoid; (b) RELU

图 4. 图像采集设备

Fig. 4. Image acquisition device

图 5. 实验使用的卷积网络结构

Fig. 5. Convolution network structure used in experiments

图 6. 工件1的标注

Fig. 6. Making labels for weldment 1

图 7. 计算结果

Fig. 7. Computing result

图 8. 模型识别率对比

Fig. 8. Recognition rate comparison among models

图 9. 第二种工件

Fig. 9. Second weldment

图 10. 焊接点标签

Fig. 10. Label of weldment point

图 11. 混合测试结果折线图

Fig. 11. Polygon diagram of mixed test results

表 1网络结构及超参数列表

Table1. Network structure and hyper-parameter list

表 2模型大小与内存需求

Table2. Model size and memory requirements

表 3工件1的测试准确率

Table3. Test accuracy of weldment 1

表 4多工件的测试结果

Table4. Test results of multiple weldments

表 5各种算法的时效性

Table5. Time consumption of each method

关于本站 Cookie 的使用提示

全站搜索

深度卷积网络压缩算法在焊缝识别中的应用 下载： 1045次

图 1. 焊接识别系统[9]

Fig. 1. Weld recognition system[9]

图 2. 卷积计算示意图

Fig. 2. Schematic of convolution calculation

图 3. 激活函数图像。(a) Sigmoid;(b) RELU

Fig. 3. Activation function images. (a) Sigmoid; (b) RELU

图 4. 图像采集设备

Fig. 4. Image acquisition device

图 5. 实验使用的卷积网络结构

Fig. 5. Convolution network structure used in experiments

图 6. 工件1的标注

Fig. 6. Making labels for weldment 1

图 7. 计算结果

Fig. 7. Computing result

图 8. 模型识别率对比

Fig. 8. Recognition rate comparison among models

图 9. 第二种工件

Fig. 9. Second weldment

图 10. 焊接点标签

Fig. 10. Label of weldment point

图 11. 混合测试结果折线图

Fig. 11. Polygon diagram of mixed test results

表 1网络结构及超参数列表

Table1. Network structure and hyper-parameter list

表 2模型大小与内存需求

Table2. Model size and memory requirements

表 3工件1的测试准确率

Table3. Test accuracy of weldment 1

表 4多工件的测试结果

Table4. Test results of multiple weldments

表 5各种算法的时效性

Table5. Time consumption of each method

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

深度卷积网络压缩算法在焊缝识别中的应用下载： 1045次