ISSN 0021-3454 (печатная версия)
ISSN 2500-0381 (онлайн версия)
Меню

3
Содержание
том 64 / Март, 2021
СТАТЬЯ

DOI 10.17586/0021-3454-2021-64-3-202-207

УДК 004.89

РАЗРАБОТКА СВЕРТОЧНОГО СЛОЯ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ ДЕФЕКТОВ МЕТАЛЛОПРОКАТА

Привезенцев Д. Г.
Муромский институт Владимирского государственного университета им. А. Г. и Н. Г. Столетовых, кафедра САПР ЭС; аспирант


Жизняков А. Л.
Муромский институт Владимирского государственного университета им. А. Г. и Н. Г. Столетовых, кафедра САПР ЭС; профессор, заведующий кафедрой


Титов Д. В.
Юго-Западный государственный университет, кафедра вычислительной техники, Курск; аспирант


Мортин К. В.
Муромский институт (филиал) ВлГУ; кафедра программной инженерии;


Аннотация. Рассматривается сверточный слой глубокой нейронной сети, предназначенный для определения дефектов металлопроката. Для определения дефекта предлагается использовать алгоритмы сегментации дефектоскопических изображений и несколько видов фильтрации внутри сверточного слоя. Фильтрация основана на применении комбинированных алгоритмов свертки с различными исходными масками. Для минимизации ошибки на выходе сверточного слоя используется функция активации GELU. Приведены результаты экспериментов.
Ключевые слова: дефектоскопическое изображение, сверточный слой, фильтрация, глубокая нейронная сеть, свертка

Список литературы:
  1. Бархатов В. А. Распознавание дефектов с помощью искусственной нейронной сети специального типа // Дефектоскопия. 2006. № 2. С. 28―39.
  2. Бархатов В. А. Обнаружение сигналов и их классификация с помощью распознавания образов // Дефектоскопия. 2006. № 4. С. 14―27.
  3. Бархатов В. А., Васильев В. А. Распознавание образов класса, заданного параметрически // Дефектоскопия. 2009. № 2. С. 3―17.
  4. Гурвич А. К. Оценка конфигурации дефектов металлопродукции с плоскопараллельными поверхностями усеченным дельта-методом // Контроль. Диагностика. 2013. № 10. С. 68―70.
  5. Краснощеков А. А., Соболь Б. В., Соловьев А. М. Идентификация трещиноподобных дефектов в упругих элементах конструкций на основе эволюционных алгоритмов // Дефектоскопия. 2011. № 6. С. 67―75.
  6. Никифорова Т. В. Техническая дефектоскопия на основе методов стохастической геометрии // Докл. 12-й Всерос. конф. „Математические методы распознавания образов“. М., 2005. С. 392―395.
  7. Бутенко В. В. Поиск объектов на изображении с использованием алгоритма адаптивного усиления // Молодой ученый. 2015. № 4. С. 52—56.
  8. Проблема поиска объектов на изображениях с помощью компьютерного зрения на основе информации о цвете / А. А. Артемов, М. В Кавалеров, Г. С. Кузнецов // Вестн. ПНИПУ. Электротехника, информационные технологии, системы управления. 2011. № 5.
  9. Акимов А. В., Сирота А. А. Модели и алгоритмы искусственного размножения данных для обучения алгоритмов распознавания лиц методом Виолы — Джонса // Компьютерная оптика. 2016. № 6. С. 899—906.
  10. Viola P., Jones M. Robust real time face detection // Intern. Journal of Computer Vision. 2004. N 57(2). P. 137—154.
  11. Girshick R. Fast R-CNN // Intern. Conf. on Computer Vision (ICC). 2015.
  12. Faster R-CNN: towards real-time object detection with region proposal networks / R. Girshick, R. Shaoqing, H. Kaiming // Neural Information Processing Systems (NIPS). 2015.
  13. Automatic ship detection based on RetinaNet using multi-resolution / Y. Wang, C. Wang , H. Zhan, G. Yingbo, S. Wei // Remote Sensing. 2019. N 11. P. 531.
  14. Silver D., Huang A., Maddison C. et al. Mastering the game of Go with deep neural networks and tree search // Nature. 2016. N 529(7587). P. 484—489.
  15. Wainberg M., Alipanahi B., Frey B. J. Are random forests truly the best classifiers? // J. of Machine Learning Research. 2016. N 17(110). P. 1—5.