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。标准接口存在于CNN 网络框架中部，始终与系统学习主机保持兼容性连接关系，在缺陷图像输入、输出数据均保持稳定的情况下，卷积神经网络内的分级化权值则可得到精准匹配，直至学习主机完成对所有缺陷图像数据的实时记录[5-6]。

CNN 网络框架如图1 所示。

图1 CNN网络框架图

1.2 光电编码器

光电编码器隶属于CNN 网络框架的缺陷图像数据处理结构，由内部编码体、外部保护结构共同组成，如图2 所示。其中，内部编码结构以光电转换器作为核心搭建元件，当缺陷图像学习编码区快速转动时，转换器结构会自发选择合适的信息连接区间，一方面将与缺陷图像相关的数据信息完全整合起来，另一方面可借助传输信道实现该元件与系统网络学习框架间的实用连接[7-8]。外部保护结构包含一个支撑框架和多个图像隔断层，前者可在光电编码器执行工作的情况下，保持结构体的应用稳定，后者存在于光电编码器的不同学习区间中，可在阻隔非必要缺陷图像信息参量的同时，将必要图像数据编辑成完整的传输信息结构体。

图2 光电编码器结构图

1.3 分级化处理模块

分级化处理模块是缺陷图像学习系统的最末级硬件执行元件，负责实现图像输入端与图像输出端间的数据转码连接，包含缓冲器、存储器、控制器等多个执行元件结构，如图3 所示。

图3 分级化处理模块结构图

当缺陷图像信息进入数据缓冲器后，分级化控制元件直接开启与系统学习控制器的实用连接。在缺陷图像编码原则的作用下，数据存储器、卷积执行器等多个硬件执行设备自发连接成完整的分级化处理单元[9-10]。对准电路作为系统中唯一的电子输出元件，可按照缺陷图像信息的实际传输需求，选择性连接分级化处理模块中的数据执行单元，在实现必要信息参量学习处理的同时，缓解缺陷应用节点中的数据识别压力。

2 缺陷图像分级学习系统软件

在硬件执行环境的支持下，按照图像缺陷区间划分、必要学习节点提取、数据库管理的操作流程，完成必要软件执行环境搭建，两相结合，实现基于卷积神经网络模型缺陷图像分级学习系统的顺利应用。

2.1 图像缺陷区间划分

缺陷区间是指在完整学习图像中，两个边界模糊节点间的实际位移距离，在卷积神经网络模型中，该项物理量受到节点信息承载量、数据学习速率两项实用条件的直接影响[11-12]。节点信息承载量常表示为，在整个系统执行时间内，该项物理量始终保持相对稳定的变化趋势，出于实用性考虑，在最大识别权限δ1、最小识别权限δ0的作用下，参数体自身的均值水平一直保持不变。数据学习速率常表示为随系统执行周期时间的延长，该项物理量始终保持不断增大的变化趋势，与其他物理量相比，依然具备一定的实用稳定性。结合上述物理量，可将待学习图像的缺陷区间划分定义式表示为：

式中，ΔT 代表系统单位执行时长的平均变化量，vmax代表缺陷图像数据的最大学习识别效率值。

2.2 必要学习节点提取

必要学习节点提取可在图像缺陷区间内，实现对待学习数据的调度与安排。通常情况下，随着系统内缺陷图像信息的不断累积，数据学习所需的等待时间也会逐渐延长，直至将所有信息参量完全整合成可供系统直接调取的应用形式[13-14]。假设在待整合缺陷图像数据总量不超过yˉ的情况下，系统始终保持良好的信息学习能力，而随着卷积神经网络运行时间的延长，一部分数据参量首先经过光电编码器，从散点信息的形式转化为包状压缩形式；其次，图像缺陷区间逐渐缩小，与之相关的待学习数据信息总量也随之下降。设wmax代表与系统节点匹配的最大信息学习权限值，wmin代表与系统节点匹配的最小信息学习权限值，联立式（1），可将必要学习节点的提取表达式定义为：

式中，λ 代表缺陷图像信息的编码转化系数，q代表系统所能承受的缺陷图像数据信息总量。

2.3 数据库管理

数据库管理是基于卷积神经网络模型缺陷图像分级学习系统搭建的末尾处理环节，可在SQL、PL/SQL、TNS、FTP、TELNET 等多个执行软件的作用下，实现在Oracle 主机中的缺陷图像信息整合，在多个文件日志并存的情况下，通过数据分级的方式，完成多个学习节点间的缺陷图像数据识别与处理[15]。总的来说，TNS 软件是各级数据库单元间的连接节点，可同时获取系统控制平台与Oracle 主机中的缺陷图像数据，随着JDBC 学习模式的不断完善，Web应用逐渐成为系统学习客户端中的程序化应用主体。当图像信息累积到既定数值水平后，所有执行软件同时开启连接状态，以保证系统学习指令的顺利运行[16-17]。至此，实现了各项软硬件执行结构的搭建，在卷积神经网络模型的支持下，完成新型缺陷图像分级学习系统设计。

图4 数据库管理模式

3 系统应用能力检测

为验证基于卷积神经网络模型缺陷图像分级学习系统的实际应用能力，设计如下对比实验。选取一噪点率较高的模糊图像作为实验对象，以搭载新型学习系统的控制设备作为实验组主机，以搭载间隔脉冲型图像整合系统的控制设备作为对照组主机，在既定实验时间内，分别记录实验组、对照组相关实验指标的具体变化情况。

将图5 所示图像输入分析软件中，根据不同噪点处色差、色温、对比度等参量的变化情况，确定数据累积量、节点识别准度的实际数值水平。

图5 待处理缺陷图像

以10 min 作为单位实验时长，分别记录在6 个单位时长内，应用实验组、对照组学习系统后，缺陷图像数据累积量的实际变化情况，实验详情如表1所示。

表1 缺陷图像数据累积量对比表

分析表1 可知，实验组缺陷图像数据累积量在前5个单位时长内，始终保持不断增大的变化趋势，从第55 min开始，出现持续性下降，全局最大值达到5.3×108t，与理想化极值6.7×108t相比，下降了1.4×108t；对照组缺陷图像数据累积量在前3 个单位时长内持续增大，从第4 个单位时长开始，出现明显的下降趋势，全局最大值达到8.0×108t，与理想化极值6.7×108t相比，上升了1.3×108t，远超于实验组数值水平。综上可知，应用基于卷积神经网络模型的分级学习系统，可达到抑制缺陷图像数据在单位时间内累积量的目的。

节点识别准度是描述缺陷图像分级化学习能力的重要指标，通常情况下，前者的数值水平越大，后者的学习能力也就越强，反之则越弱。表2 反映了实验组、对照组节点识别准度的具体变化情况。

表2 节点识别准度对比表

分析表2 可知，随着实验时间的延长，实验组节点识别准度在小幅上升趋势后，开始保持波动性稳定状态，全局最大值达到86%，与理想化极值64%相比，上升了22%；对照组节点识别准度在整个实验过程中，始终保持上升、下降交替出现的变化趋势，全局最大值仅达到59%，与理想化极值64%相比，下降了5%，更远低于实验组数值水平。综上可知，应用基于卷积神经网络模型的分级学习系统，可在控制缺陷图像数据累积量的同时，实现对学习节点识别准度的提升。

4 结束语

通常情况下，一维卷积神经网络的输入层只能接收一维与二维数组信息，且所有一维数组都只能保持频谱或时间采样的处理形式。多维数组则可以包含多个物理通道，可在接收输入层信息参量的同时，调节整个卷积神经网络内的信息连接关系。与间隔脉冲型图像整合系统相比，基于卷积神经网络模型的缺陷图像分级学习系统采用CNN 框架形式，可在联合光电编码器与分级化处理模块的基础上，完成对必要学习节点的提取与处理。从实用性角度来看，缺陷图像数据在单位时间内的累积总量开始大幅下降，而节点识别准度却明显提升，有效解决了由节点模糊识别行为带来的局部性图像缺陷问题。