刘志勇 周 曼 赵浴阳 杨鲁江 施方展 戴玲玲

（浙江中控技术股份有限公司）

流程工业现场存在不少需要图像分类的场景，如传送带载料检测、反应釜中反应物料位检测等。 在这些图像分类过程中，一个重要的问题是如何确保训练出的模型能够正确学习不同类型物体的不同特征。 常常会发生因为所选用的模型不能学习到图像中的特征部位，导致模型的泛化性能难以达到应用要求。

基于Keras 的卷积神经网络可视化［1］方法可以用来确定图像的哪部分对模型结果起到了关键作用，同时定位图像中物体的位置，从而有助于了解哪些特征正在指导模型对图像进行分类决策。 笔者对流程工业现场的图像数据进行重点类激活热力图可视化处理，在获得正确的分类关注位置后，再利用AlexNet、VGG 等基础模型进行迁移学习［2］训练，最终对图像进行合理分类，以期取得较好的识别效果。

1 卷积神经网络可视化

卷 积 神 经 网 络［3，4］（Convolutional Neural Network，CNN）是一种前馈神经网络，它通过卷积、池化及激活等操作，能够较好地学习空间上关联的特征。 然而，深度卷积神经网络一直被人们称为“黑盒子”，它没有办法通过文字被形象清楚地描述出来。 直到2013 年，纽约大学的Zeiler M D 和Fergus R 用可视化的方法揭示出了CNN 的每一层识别出了什么特征［3］，也揭开了CNN 的神秘面纱。

基于Keras 的卷积神经网络可视化通常有3种方法：卷积核输出的可视化、卷积核的可视化和类激活热力图可视化。 笔者将重点介绍类激活热力图可视化，并将它应用于流程工业现场图像的分类识别。……