DOI 10.17586/0021-3454-2021-64-3-202-207
УДК 004.89
РАЗРАБОТКА СВЕРТОЧНОГО СЛОЯ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ ДЕФЕКТОВ МЕТАЛЛОПРОКАТА
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; профессор
Мортин К. В.
Муромский институт (филиал) ВлГУ; кафедра программной инженерии;
Читать статью полностью
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:
Список литературы:
- Бархатов В. А. Распознавание дефектов с помощью искусственной нейронной сети специального типа // Дефектоскопия. 2006. № 2. С. 28―39.
- Бархатов В. А. Обнаружение сигналов и их классификация с помощью распознавания образов // Дефектоскопия. 2006. № 4. С. 14―27.
- Бархатов В. А., Васильев В. А. Распознавание образов класса, заданного параметрически // Дефектоскопия. 2009. № 2. С. 3―17.
- Гурвич А. К. Оценка конфигурации дефектов металлопродукции с плоскопараллельными поверхностями усеченным дельта-методом // Контроль. Диагностика. 2013. № 10. С. 68―70.
- 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.
- Никифорова Т. В. Техническая дефектоскопия на основе методов стохастической геометрии // Докл. 12-й Всерос. конф. „Математические методы распознавания образов“. М., 2005. С. 392―395.
- Бутенко В. В. Поиск объектов на изображении с использованием алгоритма адаптивного усиления // Молодой ученый. 2015. № 4. С. 52—56.
- 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.
- 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.
- Viola P., Jones M. Robust real time face detection // Intern. Journal of Computer Vision. 2004. N 57(2). P. 137—154.
- Girshick R. Fast R-CNN // Intern. Conf. on Computer Vision (ICC). 2015.
- Faster R-CNN: towards real-time object detection with region proposal networks / R. Girshick, R. Shaoqing, H. Kaiming // Neural Information Processing Systems (NIPS). 2015.
- 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.
- 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.
- 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.
