基于AlexNet模型遷移學(xué)習(xí)的混凝土砂率的圖像檢測(cè)

孫 鵬

（中國(guó)海洋大學(xué)，山東 青島 266100）

基于人工智能快速發(fā)展的背景和對(duì)混凝土生產(chǎn)質(zhì)量檢測(cè)中因檢測(cè)不及時(shí)而引發(fā)建筑質(zhì)量問(wèn)題的思考，以AlexNet模型和遷移學(xué)習(xí)的相關(guān)理論知識(shí)作支撐，開(kāi)展對(duì)混凝土砂率檢測(cè)的研究，是及時(shí)全面檢測(cè)混凝土拌合物配合比的關(guān)鍵一招。

1 數(shù)據(jù)集的建立

合理設(shè)計(jì)配合比并開(kāi)展67組試驗(yàn)，獲取混凝土拌合物照片，劃分為15個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集2-5個(gè)類別不等，采取任意比例剪裁，沿豎直軸翻轉(zhuǎn)，以及隨機(jī)旋轉(zhuǎn)90°，180°或270°

2 方法和理論

AlexNet的巨大成功是卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)引起大規(guī)模關(guān)注的開(kāi)端。該模型的創(chuàng)新性［2］如表1所示。

表1 AlexNet性能表

遷移學(xué)習(xí)的基本思想是將知識(shí)從已有的模型和數(shù)據(jù)轉(zhuǎn)移到需要學(xué)習(xí)的目標(biāo)上。Matlab R2019a版本提供了已訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)，使用這些預(yù)訓(xùn)練網(wǎng)絡(luò)往往會(huì)比從頭開(kāi)始訓(xùn)練的網(wǎng)絡(luò)更加容易和快捷。

3 模型搭建

加載Matlab中已封裝好的預(yù)訓(xùn)練AlexNet模型，凍結(jié)前面若干層的參數(shù)，移除全連接層，softmax層以及分類輸出層，分別用屬性與之對(duì)應(yīng)的新層進(jìn)行替換。按照表2所示的超參數(shù)的篩選范圍反復(fù)調(diào)節(jié)Learning Rate、MiniBatchSize和Epoch等主要超參數(shù)，直至對(duì)創(chuàng)建的數(shù)據(jù)集有較高的識(shí)別率為止。

表2 超參數(shù)篩選范圍

4 結(jié)果分析

利用AlexNet模型進(jìn)行混凝土拌合物砂率的檢測(cè)，在訓(xùn)練集上模型的準(zhǔn)確率均不小于95%，最高達(dá)到了100%。驗(yàn)證集準(zhǔn)確率最低為92.83%，最高為98.89%，見(jiàn)圖1，故所有模型均表現(xiàn)出了良好的性能。

圖1 模型的訓(xùn)練和驗(yàn)證精度

在本文中采用絕對(duì)百分誤差（APE）來(lái)衡量結(jié)果，計(jì)算過(guò)程如式（5-1）所示。

式中，ai、pi分別為第i個(gè)樣本的真實(shí)值和預(yù)測(cè)值。每張測(cè)試集圖像的真實(shí)值與檢測(cè)值間的誤差直觀展示如圖2所示。

圖2 測(cè)試集圖像檢測(cè)值與實(shí)際值比較的圖形化展示

5 結(jié)語(yǔ)

本文進(jìn)行了67組試驗(yàn)，將得到的67組圖像劃分為15個(gè)數(shù)據(jù)集，每組實(shí)驗(yàn)中搭建的AlexNet模型均表現(xiàn)出優(yōu)良的性能，具有較好的學(xué)習(xí)和泛化能力。