倪 凡，曾 路，黄莉雅

（贵州电网有限责任公司信息中心，贵州贵阳 550003）

卷积神经网络是深度学习领域的代表性应用算法，包含完整的卷积计算行为，具有前馈型神经网络的全部应用优势。输入层作为卷积神经网络的顶层信息处理单元，可同时区分多组应用信息参量[1-2]。

缺陷图像是指像素信息不完整的图像，必须在模糊节点的转接配合下，才能实现对参量数据的提取与识别[3]。传统间隔脉冲型图像整合系统利用“十字定位”法确定缺陷数据所在区域，再通过梯度方向匹配的方式，计算与原始图像匹配的信息处理权限。但此方法的节点识别准度水平过低，易导致图像数据在单位时间内出现快速累积的变化趋势。为解决此问题，设计一种基于卷积神经网络模型的缺陷图像分级学习系统，在CNN 框架、光电编码器等硬件设备结构的支持下，实现对应用数据库集中化管理。

1 缺陷图像分级学习系统硬件

缺陷图像分级学习系统的硬件执行环境，由CNN 网络框架、光电编码器、分级化处理模块3 部分组成，具体搭建方法如下。

1.1 CNN网络框架

CNN 网络框架是缺陷图像学习系统光电编码器、分级化处理模块的连接附属模板，可同时判定缺陷图像信息输入与输出的关系，一方面可调整系统内部的数据存储带宽，另一方面也可将必要学习权值参量记录在相关存储结构中[4]。图像数据存储器作为CNN 网络框架的起始执行结构，可将内部暂存的缺陷图像信息传输至并行计算单元中，在卷积神经网络FPGA 原则的作用下，建立与片上存储单元间的物理连接。……