控制与决策

作者：闫涵,卢伟,吴玉虎

单位：大连理工大学 控制科学与工程学院,辽宁 大连 116024,,大连理工大学 控制科学与工程学院,辽宁 大连 116024,,大连理工大学 控制科学与工程学院,辽宁 大连 116024,

关键词：深度学习;图像识别;金属断口;轻量化网络;贝叶斯优化;Jetson Nano

基金：国家自然科学基金项目(62073056,61876029)；辽宁省应用基础研究计划项目(2023JH2/101300207)；大连市重点领域创新团队项目(2021RT14)；新疆维吾尔族自治区科技重大专项项目(2022A01001).

工业环境下金属断口图像识别是金属失效分析的重要一环,具有重要的研究意义.卷积神经网络(convolutional neural networks, CNN)已被证实在图像识别任务中是有效的,但是在工业环境下的金属断口图像识别仍然面临以下问题:1)金属断口图像具有较强的类内复杂性和类间相似性;2)现有CNN网络结构复杂,参数较多,很难部署在嵌入式设备上.针对上述问题,提出一种基于轻量化CNN的金属断口图像识别方法.首先,设计一种多特征融合的CNN模型结构来提升网络的特征提取能力,并给出一种混合剪枝算法对网络进行轻量化处理来降低算法复杂度;然后,将重要超参数搜索视为优化问题,利用贝叶斯优化(Bayesian optimization, BO)算法进行求解,实现模型设计和剪枝过程的自动化;接着,以金属断口图像数据集为例进行实验分析,实验结果表明所提出模型仅需3.82M的参数量即可实现97.56%的识别精度;最后,将训练好的模型部署到Jetson Nano嵌入式平台上,验证了所提出算法在实际应用中的可行性.

来源：2024年第9期

《控制与决策》期刊编辑部

查看控制与决策杂志2024年第9期