基于卷積神經(jīng)網(wǎng)絡(luò)的漏液視覺檢測(cè)

李思寒，仇懷利*，吳 佳，沈 彥

(1.合肥工業(yè)大學(xué) 電子科學(xué)與應(yīng)用物理學(xué)院，安徽 合肥 230601；2.上海西派埃智能化系統(tǒng)有限公司，上海 200233)

1 引 言

在工業(yè)現(xiàn)場(chǎng)中，通常通過是否有液體滲漏至地面觀察管道設(shè)備是否破損?，F(xiàn)有的水漬檢測(cè)方法以人工為主，但人工方法受到巡檢效率有限、不夠客觀等因素的制約，因此需要監(jiān)控系統(tǒng)對(duì)可能發(fā)生泄露的地方進(jìn)行快速、精確地檢測(cè)。視頻監(jiān)控系統(tǒng)包含視頻監(jiān)控設(shè)備和與之配套的智能圖像識(shí)別算法。

針對(duì)漏液識(shí)別問題，目前主要采用傳統(tǒng)圖像處理中的圖像分割、邊緣檢測(cè)、紅外成像的方法。文獻(xiàn)[1]提出了利用激光掃描技術(shù)和圖像處理方法相結(jié)合實(shí)現(xiàn)自動(dòng)識(shí)別地鐵隧道滲漏水情況，但該方法算法復(fù)雜，實(shí)際工程現(xiàn)場(chǎng)應(yīng)用難度較高；文獻(xiàn)[2]提出了基于數(shù)字圖像和邊緣檢測(cè)的檢測(cè)算法并結(jié)合改進(jìn)的CTA算法結(jié)合對(duì)滲漏水病害進(jìn)行識(shí)別的方法，但該方法易受復(fù)雜背景干擾，系統(tǒng)魯棒性較差；文獻(xiàn)[3]提出通過紅外熱成像攝像頭檢測(cè)物體比熱容并根據(jù)水漬與普通物體的比熱容差異來檢測(cè)水漬，但紅外熱成像攝像頭設(shè)備費(fèi)用昂貴?？偟膩碚f，采用圖像處理的特定算法來檢測(cè)水漬能滿足特定場(chǎng)景檢測(cè)準(zhǔn)確率的需求，但是上述算法都存在系統(tǒng)魯棒性較差、耗時(shí)長(zhǎng)、難以適應(yīng)復(fù)雜場(chǎng)景以及設(shè)備價(jià)格較高的缺點(diǎn)。

為了解決這些問題，深度學(xué)習(xí)算法被引入到了圖像處理領(lǐng)域。其中最常用的是卷積神經(jīng)網(wǎng)絡(luò)(CNN)，它的特點(diǎn)是能夠提取輸入數(shù)據(jù)的高層抽象特征，目前已廣泛運(yùn)用于圖像處理領(lǐng)域中。文獻(xiàn)[4]提出采用卷積神經(jīng)網(wǎng)絡(luò)來識(shí)別道路裂縫，文獻(xiàn)[5]提出采用全卷積網(wǎng)絡(luò)(FCN)來檢測(cè)具有復(fù)雜環(huán)境的隧道幾何柱面滲水面積。總體來說，卷積神經(jīng)網(wǎng)絡(luò)算法善于對(duì)復(fù)雜環(huán)境進(jìn)行特征檢測(cè)[6-7]和識(shí)別[8]。

目前，基于深度學(xué)習(xí)的工業(yè)現(xiàn)場(chǎng)檢測(cè)識(shí)別方法主要有FCN-VGG16/19、Fast R-CNN、Yolo v3、Mask R-CNN等。由于本文所處工業(yè)環(huán)境相機(jī)拍攝角度固定，每個(gè)相機(jī)鏡頭固定拍攝每個(gè)管道連接處，所以只需判斷目標(biāo)位置是否含有水漬，即化簡(jiǎn)為圖像分類問題。

目前圖像分類領(lǐng)域主流的卷積神經(jīng)網(wǎng)絡(luò)模型除了本文所運(yùn)用的VGG網(wǎng)絡(luò)，還有Alexnet、Googlenet等。其中，Alexnet由Alex Krizhevesky等人在2012年提出，它在卷積神經(jīng)網(wǎng)絡(luò)中使用Relu非線性激活函數(shù)，通過多GPU的訓(xùn)練降低訓(xùn)練時(shí)間，并且采用了重疊池化，提高網(wǎng)絡(luò)精度，降低了過擬合現(xiàn)象的發(fā)生概率。但其相較于VGG網(wǎng)絡(luò)，卷積核較大，層級(jí)較淺。而Googlenet通過形成網(wǎng)絡(luò)內(nèi)更復(fù)雜的內(nèi)部架構(gòu)Inception，降低了計(jì)算所需資源和要求。該架構(gòu)的主要思想就是以卷積層構(gòu)成塊作為網(wǎng)絡(luò)的基礎(chǔ)，并找出最優(yōu)的結(jié)構(gòu)塊在空間上重復(fù)，對(duì)輸入圖像并行地執(zhí)行多個(gè)卷積運(yùn)算或池化操作，網(wǎng)絡(luò)參數(shù)較少[9]。由于Goodlenet模型含有兩面?zhèn)€輔助分類器，修改及訓(xùn)練時(shí)較為復(fù)雜繁瑣，不進(jìn)行精細(xì)分類的工業(yè)應(yīng)用時(shí)偏向于使用模型簡(jiǎn)單的VGG網(wǎng)絡(luò)模型。

本文采用CNN-VGG16模型檢測(cè)管道漏液，首先對(duì)樣本進(jìn)行數(shù)據(jù)增強(qiáng)，進(jìn)一步地豐富圖像訓(xùn)練集，提取多種圖像特征，泛化理論模型，再制作數(shù)據(jù)集，結(jié)合早停法對(duì)樣本進(jìn)行訓(xùn)練，最后通過實(shí)際工程應(yīng)用驗(yàn)證了本文分析的正確性和所提方案的有效性。

2 CNN卷積神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)是一類新興的多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法[10]，它在特征提取和建模上比淺層模型具有更好的泛化能力[11]。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)基礎(chǔ)模型含有輸入層(Input layers)、隱藏層(Hidden units)和輸出層(Output layers)，隱藏層可以含有很多層，每層可含有多個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)中的每個(gè)神經(jīng)元對(duì)其所有的輸入進(jìn)行加權(quán)求和，并添加一個(gè)被稱為偏置(Bias)的常數(shù)，然后通過一些非線性激活函數(shù)[12]來反饋結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)屬于神經(jīng)網(wǎng)絡(luò)的范疇，是目前深度學(xué)習(xí)技術(shù)領(lǐng)域中一種經(jīng)典而廣泛應(yīng)用的結(jié)構(gòu)，已經(jīng)在諸如圖像識(shí)別和分類的領(lǐng)域證明了其高效的能力。

一個(gè)典型的卷積網(wǎng)絡(luò)(圖1)通常有3層，第一層是卷積層，可作為卷積神經(jīng)網(wǎng)絡(luò)單獨(dú)使用；第二層是池化層，可以縮減模型大小，提高計(jì)算速度，同時(shí)提高所提取特征魯棒性；最后一層是全連接層，它的每一層是由許多神經(jīng)元組成的平鋪結(jié)構(gòu)，將特征整合到一起，輸出為一個(gè)值，減少特征位置對(duì)分類帶來的影響。

圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Structure diagram of convolutional neural network

2.1 CNN-VGG16模型

本文采用的卷積神經(jīng)網(wǎng)絡(luò)模型為VGG16[13]。在ICLR2015會(huì)議上首次提出VGG16模型，該模型可以達(dá)到92.7%的測(cè)試準(zhǔn)確度，處于ImageNet的前5位，它的數(shù)據(jù)集包括1 400萬張圖像，1 000個(gè)類別。

VGG16是一種深度卷積神經(jīng)網(wǎng)絡(luò)模型，16表示其深度，該模型在圖像分類等任務(wù)中取得了不錯(cuò)的效果[14]。

(1)

其中，D是深度，F(xiàn)是卷積核大小，b為偏置量，ωd,m,n表示卷積核在第d層第m行第n列的權(quán)重，xd,i+m,j+n表示圖像第d層第i+m行第j+n列的輸入元素，yi,j表示預(yù)測(cè)輸出的第i行第j列的圖像特征，f()為非線性激活函數(shù)，這里的f()為Relu激活函數(shù)。

池化層的池化方法采用尺度為2，步長(zhǎng)為2的最大池化(Maxpooling)方法，采用這種方法是因?yàn)閳D像具有靜態(tài)性，在一個(gè)區(qū)域內(nèi)有用特征可能在另一個(gè)區(qū)域內(nèi)適用。因此，為了描述較大的圖像，可以計(jì)算圖像上某個(gè)特定特征的最大值來代表這個(gè)區(qū)域的特征且最大池化[15]能保留更多紋理信息。Relu激活函數(shù)見公式(2)。

f(x)=max(0,x)

.

(2)

激活函數(shù)是為了使模型加入非線性因素，Relu函數(shù)具有單側(cè)抑制、相對(duì)廣的興奮邊界和稀疏激活性等優(yōu)點(diǎn)，是應(yīng)用最為廣泛的激活函數(shù)。

在分類問題中，全連接層常采用sigmoid或softmax。在二分類問題中，采用sigmoid作為最后的激活層；在多分類問題中，采用softmax作為最后的激活層。

sigmoid激活函數(shù)公式(3)如下：

(3)

其中，可以設(shè)置概率閾值作為分界，分入兩個(gè)類別中，求導(dǎo)簡(jiǎn)單，但易出現(xiàn)梯度消失。

softmax激活函數(shù)公式(4)如下：

(4)

其中，k表示類別數(shù)，j表示具體對(duì)應(yīng)的類別，計(jì)算概率最高類別的作為輸出結(jié)果。

VGG16模型中13層卷積層和5層池化層負(fù)責(zé)進(jìn)行圖像的特征提取和提升計(jì)算速度，最后3層全連接層完成分類任務(wù)。

2.2 早停法

訓(xùn)練一個(gè)神經(jīng)網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)參數(shù)會(huì)隨著模型復(fù)雜度的增加而增多，就容易產(chǎn)生過擬合現(xiàn)象[16]。為了避免這種現(xiàn)象，通常有兩個(gè)解決問題的方向：降低參數(shù)空間的維度或者降低每個(gè)維度上的有效規(guī)模。降低每個(gè)維度上的有效規(guī)模的方法主要是正則化，如權(quán)重衰變和早停法等。其中，早停法作為最有效的方法被廣泛采用。

早停法[17]的基本含義是指當(dāng)訓(xùn)練模型在驗(yàn)證集上的表現(xiàn)開始下降時(shí)停止繼續(xù)訓(xùn)練，這樣就能避免繼續(xù)訓(xùn)練導(dǎo)致過擬合。因此，如何選擇停止訓(xùn)練的時(shí)機(jī)成為早停法的關(guān)鍵問題。本文根據(jù)VGG網(wǎng)絡(luò)的特點(diǎn)，設(shè)置了自主停止方式：將標(biāo)記樣本按照比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，訓(xùn)練過程中驗(yàn)證集的損失函數(shù)在連續(xù)10個(gè)周期(即容忍程度為10)不下降時(shí)，程序停止并保存驗(yàn)證集損失函數(shù)最小時(shí)所對(duì)應(yīng)模型。

2.3 模型評(píng)價(jià)

訓(xùn)練完成后，需要判斷模型的好壞。一般使用兩個(gè)值來判斷模型的好壞：準(zhǔn)確率和損失函數(shù)。

從公式(1)可以看出，y是理想輸出的值即預(yù)測(cè)值，但是實(shí)際工程應(yīng)用中會(huì)存在一定的誤差。誤差在神經(jīng)網(wǎng)絡(luò)中用損失函數(shù)來表示，神經(jīng)網(wǎng)絡(luò)訓(xùn)練或者優(yōu)化的過程其實(shí)就是最小化損失函數(shù)的過程[18]，損失函數(shù)越小，說明模型的預(yù)測(cè)值越接近真實(shí)值。

準(zhǔn)確率在水漬檢測(cè)的分類問題中，是看預(yù)測(cè)的類別是否和真實(shí)的類別一致。一個(gè)N類任務(wù)的分類問題，其輸出是一個(gè)N維的向量，每一個(gè)向量代表一種類別，對(duì)應(yīng)的值則代表預(yù)測(cè)目標(biāo)屬于該類的概率。在輸出預(yù)測(cè)結(jié)果時(shí)，程序是自動(dòng)選擇概率最大的索引所對(duì)應(yīng)的標(biāo)簽作為最終預(yù)測(cè)的結(jié)果標(biāo)簽。

使用兩個(gè)值來判斷模型是因?yàn)閷?duì)于準(zhǔn)確率來說，只要預(yù)測(cè)結(jié)果大于0.5就可判斷為水漬，但對(duì)于損失函數(shù)來說，希望模型能夠100%預(yù)測(cè)。所以利用這兩種指標(biāo)來判斷模型，可以使得到的權(quán)重模型具有較好的魯棒性。

本文使用的損失函數(shù)為二分類交叉熵?fù)p失(sigmoid_cross_entropy loss)，公式如下：

(5)

但是在分類問題中，準(zhǔn)確率具有直觀性，但不可微，由于損失函數(shù)一個(gè)很好的性質(zhì)就是可微，可以求梯度，運(yùn)用反向傳播更新參數(shù)。所以在回歸任務(wù)中，準(zhǔn)確率就不可再用，只能使用損失函數(shù)。

3 工程實(shí)際應(yīng)用

3.1 系統(tǒng)搭建

近年來，隨著我國(guó)城鎮(zhèn)化程度的提高和超大城市的出現(xiàn)，城市污水處理成為了保障人民基本生活的重要環(huán)節(jié)。在污水處理廠中，通常需要觀察污水處理設(shè)備是否有液體泄露的現(xiàn)象，以防泄露出的污水或化學(xué)藥品使人們生命財(cái)產(chǎn)安全造成損失。

如圖2所示，漏液監(jiān)測(cè)系統(tǒng)由視頻環(huán)網(wǎng)、網(wǎng)絡(luò)交換設(shè)備、平臺(tái)服務(wù)器及漏液監(jiān)測(cè)管理平臺(tái)構(gòu)成。千兆視頻環(huán)網(wǎng)將監(jiān)控點(diǎn)完整覆蓋，定時(shí)采集監(jiān)控圖像上傳平臺(tái)服務(wù)器用于漏液預(yù)警分析。漏液監(jiān)測(cè)模型部署于平臺(tái)服務(wù)器，定時(shí)抓取圖像后分析當(dāng)前監(jiān)控點(diǎn)是否存在漏液情況，并將分析結(jié)果推送至漏液監(jiān)測(cè)管理平臺(tái)。當(dāng)發(fā)生分析結(jié)果為漏液時(shí)，監(jiān)測(cè)管理平臺(tái)向現(xiàn)場(chǎng)操作人員發(fā)出預(yù)警，并推送監(jiān)測(cè)點(diǎn)位置信息，由現(xiàn)場(chǎng)操作人員至對(duì)應(yīng)地點(diǎn)確認(rèn)是否存在漏液情況并及時(shí)進(jìn)行處理，從而保障工業(yè)現(xiàn)場(chǎng)安全。

圖2 污水處理廠漏液檢測(cè)系統(tǒng)Fig.2 Leakage detection system for sewage treatment plant

采用?？低暰W(wǎng)絡(luò)攝像頭獲取污水處理廠不同位置的圖像，地面情況如圖3所示。

圖3 污水處理廠地面圖Fig.3 Ground plan of sewage treatment plant

3.2 采用傳統(tǒng)圖像處理方法及結(jié)果分析

本文采用的傳統(tǒng)圖像處理方法：先基于閾值分割，通過設(shè)定閾值的大小將感興趣區(qū)域從背景中分割出來，但此方法易受到環(huán)境因素的影響，一般需要和其他分割法結(jié)合使用。本文在此基礎(chǔ)上采用k-means算法根據(jù)距離的相似性進(jìn)行聚類分割[19]。進(jìn)一步地，考慮到一般情況下不同區(qū)域的邊界的灰度值變化較大，本文還結(jié)合邊緣分割的方法采用Canny算子通過檢測(cè)區(qū)域的邊界從而達(dá)到分割圖像的目的。目前在實(shí)現(xiàn)邊緣分割的幾種算子中，Canny[20]算子因其不易受噪聲干擾、能夠檢測(cè)到真正的弱邊緣得到了廣泛應(yīng)用，是目前應(yīng)用效果較為理想的一種邊緣檢測(cè)算法。

利用上述傳統(tǒng)圖像處理方法對(duì)圖3(b)進(jìn)行漏液檢測(cè)，由圖4可以看出，在k=4時(shí)水漬和地面有明顯的分界。

圖4 k聚類和Canny算子邊緣提取結(jié)合效果Fig.4 Combined effect of k-means and Canny operator edge extraction

利用分割和邊緣檢測(cè)相結(jié)合的算法對(duì)含有管道等干擾物體多的地面圖像進(jìn)行處理，提取了過多噪聲信息而無法準(zhǔn)確地判斷是否含有水漬，且處理速度慢、沒有連續(xù)性。所以當(dāng)現(xiàn)場(chǎng)工作環(huán)境復(fù)雜、目標(biāo)物不規(guī)則、色差不大時(shí)，傳統(tǒng)的圖像處理方法無法準(zhǔn)確提取所需要的信息。

續(xù) 表

3.3 基于CNN-VGG16模型的圖像處理技術(shù)

本文利用python對(duì)原始圖像進(jìn)行數(shù)據(jù)增強(qiáng)。

在圖像分類任務(wù)中，對(duì)于輸入的圖像進(jìn)行一些簡(jiǎn)單的平移、縮放、顏色變換等，不會(huì)影響圖像的類別，從而豐富圖像訓(xùn)練集，提取圖像特征，防止過擬合，提高模型泛化能力。

本次實(shí)驗(yàn)共使用1 780張污水處理廠的地面圖像，其中有水漬圖像1 300張，無水漬圖像480張。將兩個(gè)分類的圖像打亂重新排序，并從各自類別中隨機(jī)選取70%作為訓(xùn)練樣本，20%的圖片作為模型質(zhì)量驗(yàn)證樣本，10%作為測(cè)試樣本。有水漬圖像設(shè)為類別1，無水漬圖像設(shè)為類別2。

本次用于運(yùn)算的計(jì)算機(jī)配置是：Intel Core i9-9900K，32 GB內(nèi)存。采用VGG16模型，利用python語言完成。

本文采用的VGG16模型具體工程應(yīng)用的運(yùn)行過程如表1所示。

表1 VGG16模型運(yùn)行過程表Tab.1 VGG16 model running process table

從表1具體運(yùn)行過程中可以看出，以池化層作為分界，VGG16有6個(gè)塊結(jié)構(gòu)，每個(gè)塊結(jié)構(gòu)中的通道數(shù)相同。卷積層通道數(shù)分別為64，64，128，128，256，256，256，512，512，512，直到512時(shí)不再增加。隨著通道數(shù)的增加，可以提取出更多的圖像信息。

池化(block5_pool)后利用Flatten將維度壓縮成1維，完成向全連接層的過渡，最后兩層是由Relu激活的全連接層和由sigmoid激活的全連接層。

由于最后輸出的類別數(shù)為2，即判斷該視場(chǎng)區(qū)域內(nèi)是否含有水漬，所以本文使用sigmoid作為最后全連接層的激活函數(shù)，輸出為類別1或類別2。

本文在訓(xùn)練時(shí)將VGG16模型與早停法相結(jié)合，驗(yàn)證集損失函數(shù)達(dá)到10個(gè)容忍周期不下降時(shí)，訓(xùn)練自動(dòng)停止，避免了由于訓(xùn)練次數(shù)過多從而產(chǎn)生的參數(shù)過多造成權(quán)重模型過擬合的狀態(tài)，提升了訓(xùn)練時(shí)間，節(jié)約了訓(xùn)練成本。

在工程應(yīng)用過程中，迭代次數(shù)(epoch)設(shè)置為100(即不發(fā)生早停時(shí)最高迭代100次)，調(diào)整每次訓(xùn)練所需要的樣本數(shù)(barch_size)。一個(gè)迭代次數(shù)等于所有訓(xùn)練樣本的一次正向傳播加一次反向傳播。具體模型運(yùn)行結(jié)果見圖5和表2，其中，loss表示訓(xùn)練集損失函數(shù)，acc表示訓(xùn)練集準(zhǔn)確率，val_loss表示驗(yàn)證集的損失函數(shù)，val_acc表示驗(yàn)證集的準(zhǔn)確率，最后使用測(cè)試的部分來驗(yàn)證準(zhǔn)確度(test_acc)。圖5的(a)～(d)分別是不同參數(shù)時(shí)損失函數(shù)和準(zhǔn)確率的走勢(shì)圖，其中(a)和(b)barch_size=20,epoch=96，(c)和(d)barch_size=40,epoch=83。

通過對(duì)比圖5(a)和(c)、(b)和(d)折線走勢(shì)可以看到，在一定范圍內(nèi)，每次選取的樣本數(shù)量在一定范圍內(nèi)變大，其確定的下降方向越準(zhǔn)，模型收斂的越快，引起訓(xùn)練震蕩越小。在每次訓(xùn)練所需要的樣本數(shù)相同時(shí)，迭代次數(shù)越多，模型整體走勢(shì)越平穩(wěn)，最后越趨近于理想狀態(tài)，本文的模型魯棒性越好。根據(jù)表2可知，每次選取樣本數(shù)為40、迭代次數(shù)為83時(shí)，訓(xùn)練集準(zhǔn)確率最高，損失函數(shù)最小，測(cè)試集的準(zhǔn)確率最高，即訓(xùn)練好的模型性能最好。

圖5 評(píng)價(jià)模型標(biāo)準(zhǔn)參數(shù)走勢(shì)圖。(a) barch-size=20,epoch=96時(shí)訓(xùn)練集和驗(yàn)征集的損失函數(shù);(b) barch-size=20,epoch=96時(shí)訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率;(c) barch-size=40,epoch=83時(shí)訓(xùn)練集和驗(yàn)證集的損失函數(shù);(d) barch-size=40,epoch=83時(shí)訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率。Fig.5 Trend chart of standard parameters of evaluation model.(a) Loss and val_loss at barch,size=20,epoch=96;(b) Acc and val_acc at barch-size=20,epoch=96;(c) Loss and val_loss at barch-size=40,epoch=83;(d) Aoc and val_acc at barch-size=40,epoch=83.

表2 各參數(shù)對(duì)模型的影響Tab.2 Influence of various parameters on the model

3.4 對(duì)比實(shí)驗(yàn)

本文采用多種模型對(duì)工業(yè)現(xiàn)場(chǎng)進(jìn)行漏液識(shí)別，識(shí)別結(jié)果如表3所示。

表3為訓(xùn)練集、驗(yàn)證集、測(cè)試集均相同，每次樣本數(shù)為40，最高迭代次數(shù)為100時(shí)，卷積神經(jīng)網(wǎng)絡(luò)不同圖像分類模型結(jié)合早停法的結(jié)果對(duì)比。

表3 不同模型結(jié)果對(duì)比Tab.3 Comparison of results of different models

由表3可知，Alexnet模型測(cè)試準(zhǔn)確率最低，VGG16模型測(cè)試準(zhǔn)確率與Googlenet相近，訓(xùn)練集準(zhǔn)確率和損失函數(shù)值均較好，且驗(yàn)證集和測(cè)試集都達(dá)到了最優(yōu)，權(quán)重模型處于適度擬合狀態(tài)。本文從現(xiàn)場(chǎng)隨機(jī)拍攝200張作為樣本總量進(jìn)行多種模型結(jié)果預(yù)測(cè)，顯示結(jié)果為類別1和類別2，預(yù)測(cè)結(jié)果見表4。

表4 基于不同模型的實(shí)際預(yù)測(cè)結(jié)果Tab.4 Actual prediction results based on different model

表4是利用不同方法對(duì)無分類的混合數(shù)據(jù)集進(jìn)行逐個(gè)識(shí)別，達(dá)到應(yīng)用模型并預(yù)測(cè)結(jié)果的作用，利用傳統(tǒng)圖像處理方法預(yù)測(cè)的準(zhǔn)確率為65.6%，準(zhǔn)確率較低。通過仔細(xì)觀察判斷錯(cuò)誤圖可以發(fā)現(xiàn)，在顏色差別不大的區(qū)域、外界光照較強(qiáng)形成的高反射區(qū)域或水泥地面破損造成類似水漬印記的區(qū)域，預(yù)測(cè)失誤的可能性均很大。本文方法的準(zhǔn)確率為97.0%，類別判斷準(zhǔn)確率很高。

對(duì)于安全性能要求比較低的現(xiàn)場(chǎng)，一般拍攝間隔設(shè)置為5 min。對(duì)于安全性能要求較高的現(xiàn)場(chǎng)，一般拍攝時(shí)間間隔設(shè)置為2 s。本文各個(gè)模型預(yù)測(cè)時(shí)間見表5。

由表5可知，本文所提方法預(yù)測(cè)時(shí)間最短，單張平均預(yù)測(cè)時(shí)間約為0.2 s，因此預(yù)測(cè)時(shí)間遠(yuǎn)低于圖像采集時(shí)間間隔，本文所提算法完全能夠滿足工業(yè)現(xiàn)場(chǎng)實(shí)時(shí)檢測(cè)需求。

表5 不同模型的實(shí)際預(yù)測(cè)時(shí)間Tab.5 Actual prediction time of different models

綜上所述，VGG16模型訓(xùn)練集準(zhǔn)確率和損失函數(shù)值均較好，且驗(yàn)證集和測(cè)試集都達(dá)到了最優(yōu)，其測(cè)試準(zhǔn)確率與Googlenet相近，預(yù)測(cè)結(jié)果相同，預(yù)測(cè)時(shí)間最短，最適合檢測(cè)工業(yè)現(xiàn)場(chǎng)的漏液情況。

4 結(jié) 論

綜上所述，圖像處理的方法適用于視野范圍內(nèi)所含物體較少，背景較簡(jiǎn)單的目標(biāo)物提取。該方法具有一定的直觀性，但是在處理受復(fù)雜背景或者光照等環(huán)境因素影響較大的圖像時(shí)，算法繁瑣且不易實(shí)現(xiàn)。而基于CNN的深度學(xué)習(xí)模型對(duì)復(fù)雜的環(huán)境進(jìn)行水漬檢測(cè)，可以大幅提升檢測(cè)的準(zhǔn)確性。本文通過工業(yè)現(xiàn)場(chǎng)應(yīng)用和基于深度學(xué)習(xí)的多種算法進(jìn)行對(duì)比實(shí)驗(yàn)，進(jìn)一步驗(yàn)證了VGG16結(jié)合早停法的模型的有效性，其訓(xùn)練準(zhǔn)確率可以達(dá)到99.44%，預(yù)測(cè)準(zhǔn)確率達(dá)到97.0%，單張預(yù)測(cè)時(shí)間最短約為0.2 s，且原理較為簡(jiǎn)單，易于實(shí)現(xiàn)，設(shè)備較便宜，可以滿足工業(yè)現(xiàn)場(chǎng)檢測(cè)的需求。