基于深度学习的零件分类研究

第6期（总第2〇5期）2017年12月

机械工程与自动化

MECHANICAL ENGINEERING&AUTOMATION N o. 6

D e c,

文章编号：167 2- M13 (2017) 06- 003 8- 02

基于深度学习的零件分类研究

岳孙平

(广东工业大学机电工程学院，广东广州510006)

摘要：深度学习是近年来人工智能领域的热点技术，它通过对复杂内容的提取，模拟人脑的分层结构，通过 训练不断调整参数来达到筒化的目的。介紹了深度学习的实现方法，利用自动编码器的方法进行图像分类的 研究，并利甩该模型对零件进行了分类实验。实验结果显示，通过增加训练样本可以增加识别.的准确率，但 对于实际应用环境.单纯的无监督深度学习方式还不能满足高准确度识别的需要■〇

关键词：深度学习；自动编码器；图像分类

中图分类号：T P18 文献标识码：A

〇引言

深度学习作为人I智能领域的最新成果之一I受 到了业界的广泛关注，已经成为图像搜索、语音识别、自然语言处理的优秀解决方案，也是近年来机器学习 领域重要的研究方向之一a不同f传统的神经网络，深度学习具有更深的模型结构，在每一层中通过对特征 的变换达到更加抽象的特征结构，解决了人工特征提取 耗时耗力的问题。深度学习有类似人类大脑的结构特 征，通过对底层的特征提取来表达图像所代表的含义。

1 深度学习

机器学习(Machine Learning)愚利用计算机獏拟 人类学习行为处理问题的科学。计算机通过模拟人脑 的思维结构获得新的知识，或者通过重新组织已获得 的知识来提升自身的性能[1]。机器学习在解决图像识 别、语音识别、数据预测、无人驾驶、基因组认知方面具 有一定的优势。图像识别的过程一般是：首先通过传 感器获得数据，经过预处理、特征提取、特征选择来获 得图片的特征;再利用这些特征进行分析、识别、推理 以及预测。传统手工选取特征是一种非常费时费力的 方法，因为提取的芷确率在很大程度上取决于个人的经 验以及运探度学习（Deep Learning)就是用来完成 特征选取的，它是一种不需要人参与的特征选取过程。

深度学习的本质是构建一种具有多种隐藏层的机 器学习模型，通过进行海量的数据训练，获取具有价值 的特征》最终实现正确的分类或准确的预测[2]。与传 统的浅层学习相比，深度学习具有以下特征：①注重模 型结构的深度，通常具有5层〜6层隐藏节点，多的甚 至有10多层节点；②将特征学习作为最重要的部分，通过逐层特征变换的方式将原样本的特征变换到一个 新的特征空间，从而提高分类或预测的可能性。图1为含多个隐藏层的深度学习模型，系统是由输入层、隐藏层、输出层组成的多层神经网络，只有相邻层节点之 间有连接，同一层节点以及跨层节点之间相互无连接。2自动编码器

自_动编码器(:Aut〇-Encod_e r)是深度学习的一种典 型模型，最早由Bourlard提出_它具备了人I神经 网络的特点。人工神经网络本身就是层次结构的系 统，如果给定一个神经网络，为了实现输入与输出尽可 能的相同，需要不断训练调整参数，得到每一层中的权 重。通过这种方式就可以得到输人Input的几种不同 表示，这些表示就是特征，自动编码器就是一种尽可能 复现输入信号的神经网络。为了实现这种复现，自动 编码器需要找到其中最具代表性的部分，提取原信息 当中的主要成分[4]。

输出层

隐藏层

输入层

图1含多个隐藏层的深度学习模型

图2为有标签的特征学习，输人的样本中包含^

组标签，通过对比S前输入与输出之间的差别来调整 参数从而最终达到收敛。

图2有标签的特征学习

图3是一种无标签的特征学习，在输人Input时

收稿 9綱：2Q:17-03,28;修订H期」2Q17-09-13

作者简介：岳孙平（199〇-),男，河南新郑人，在读硕：t研究生，研究方向：精密及超精密加3

L

2017年第6期岳孙平：基于深度学习的零件分类研究

• 39 •

uo 500 600 700 800 900 1 000

训练样本数

图

5样本数量与测试准确率特征图

本文使用基于深度学习的图片分类法为工业中的 零件识别提出了一种有效的解决方法。探索合适的深 度学习模型是值得研究的方向之一，在生产过程中不断 地得到更高的样本改进效率也是值得探索的方向。

参考文献：

[1] Yang Zhijuan? Niu Wennan? Peng Xiaojiang. An image-

based intelligent system for pointer instrument reading [C ]//IE E E International Conference on Information Sci­ence and Technology, [s. 1. ] ： IEEE?2014 ：780-783.

[2] Dong Y u，Hinton G ，Morgan N ，et al. Introduction to the

special section on deep learning for speech and language processing^J]. IEEE Transactions on Audio ，Speech，and Language Processing ? 2012 ? 20 (1) ： 4-6.

[3] Bourlard H ?Kamp Y. Auto-association by multilayer per­

ceptions and singular value decomposition[J]. Biological Cybernetics? 1988 ?59 (4-5) ： 291-294.

[4] 尚丽.稀疏编码算法及其应用研究[D ].合肥：中国科技大

学，2006:19-22.

[5] Hinton G ? Zemel R. Autoencoders? minimum description

length，and Helmholtz energy [C ]//Advances in Neural Information Processing Systems. Burlington? USA ： Mor­gan Kaufmann? 1994 ： 3-10.

[6] Vincent P ?Bengio Y ?Larochelle H ?et al. Stacked denois-

ing autoencoders ： learning useful representations in a deep network with a local denoising criterion [ J ]. Machine Learning Res ,2010,11(12) : 3371-3408.

4结语

本文介绍了深度学习的理论与实现方法，使用自 动编码器的方式完成图像分类，并应用于零件的识别。 实验证明在样本数量增加时对识别准确度具有一定的 帮助，在训练样本数量为1 〇〇〇时，准确率为80%左 右，但是还不足以满足目前应用的要求。达不到超高 准确率的原因主要有：①样本数量过少，由于零件种类 多，单个种类的零件样本数量明显不足，准确率很大程 度取决于测试样本与训练样本的相似程度；②采用了 无监督的训练方法，样本空间中没有包含标签数据，由 于算法的限制，无法达到更高的准确率。

增加一个E n coder 编码器，从而得到一个Code;在

C o d e 之后添加一个Decoder 解码器，从而获得输出的 信息；将输出的信息与输人信号进行比较，通过调整 Encoder 和Decoder 的参数，使得输出信息与输入信 号尽可能相似。当不断调整使得重构误差最小时，就 会得到输入信号的第一层表示。由于是无标签数据， 因此误差的来源就是重构后的信号与原输入信号之间 的变化，这个变化量越小越好[5]。第二层和第一层的 训练方式是相同的，将第一层的输出信号作为第二层的 输入信号，使用同样的方法最小化重构误差，从而得到 第二层的参数及第二层输入的Code，也就是原输入信 号的第二个表达。通过不断的迭代，将上一层的输出信 号作为下一层的输入信号就可以获得其他层的参数[6]。

图

3

无标签的特征学习

3实验分析及结论

本文实验采用的数据集是为不同零件拍摄的照 片，共1 000个训练样本和100个测试样本，采用 M A T L A B R 2015a 操作平台，图片分辨率为800 X 600,将每一幅图像转换为灰度图像，即像素的值为 0〜255。样本包含9种不同类型的零件，每种零件的 样本数量不完全相同，训练集和测试集不相交，图4给 出了该样本集的一些样图。

零件

1

零件

2

零件

3

^

m

^

零件

4 零件

5 零件

6

图

4零件样本集示例

为了探寻训练样本量与识别准确度的关系，我们 分别从训练集中选取一定数量的样本进行训练，再利 用测试集测试识别的准确率。分别进行6次实验，第 一次实验时从训练集中选取500个样本作为训练样 本，第二次实验选取600个样本，每次增加100个样 本，直到取满1〇〇〇个样本为止。根据实验结果，做出 测试样本平均准确率的特征曲线，如图5所示。

从实验结果中可以看出：随着样本数量的增加，识 别准确率会不断地增加，在样本空间达到1 〇〇〇时，准 确率接近80%。由于样本集较小，得到的准确率还不 能满足现代工业的生产需求。

Research on Part Classification Based on Deep Learning

YUE Sun-ping

(School of Electromechanical Engineering, Guangdong University of Technology, Guangzhou 510006, China)

Abstract ：

Deep learning is a hotspot technology in the field of artificial intelligence in recent years. Through the extraction of complex content，it simulates the hierarchical structure of the human brain and adjusts the parameters through training to achieve the purpose of simplification. This paper introduces the method of deep learning? uses the method of auto-encoder to realize the image classifica­tion? and uses this model to classify the parts. The experiment results show? it is possible to increase the accuracy of recognition by­increasing the training sample. However ? for the practical application environment ? the unsupervised training mode cannot meet the needs of high accuracy.Key words ：

deep learning ； auto-encoder ； image classification

4

2

8

6

4

8 8 8 7 7 7