基于模型剪枝的有色金属破碎料机器视觉分选方法优化.pdf
《基于模型剪枝的有色金属破碎料机器视觉分选方法优化.pdf》由会员分享,可在线阅读,更多相关《基于模型剪枝的有色金属破碎料机器视觉分选方法优化.pdf(7页珍藏版)》请在咨信网上搜索。
1、2023Nov.JOURNALOFMACHINEDESIGN2023年11月No.11Vol.40第40 卷第11期机设计械基于模型剪枝的有色金属破碎料机器视觉分选方法优化*董寰宇,秦训鹏,丁吉祥(武汉理工大学汽车工程学院,湖北武汉430070)摘要:对破碎料图像进行准确、快速识别是实现有色金属破碎料实时分选的基础,文中基于YOLOv3模型,以BN层缩放因子为衡量指标对模型进行剪枝,剪切对运算结果没有影响的允余通道,减少了卷积神经网络的参数量及计算量,实现了模型压缩。试验在生产现场采集的金属破碎料图像上进行,采用F1-Score、平均精度均值、浮点运算数、网络参数量和FPS作为评价指标,定量研
2、究了模型压缩率对模型性能的影响。最终优化后,模型平均精度均值上升至9 7.1%,F1-Score为9 6.8%,参数量实现了7 0.4%的压缩率,浮点运算数降为原模型的44.5%,FPS上升40.4%,减少了模型运行计算量消耗和内存占用,加快了计算速度,能更好地满足工业生产中有色金属破碎料分选的需求。关键词:深度学习;模型剪枝;有色金属;图像处理中图分类号:TP391文献标识码:A文章编号:10 0 1-2 35 4(2 0 2 3)11-0 0 0 8-0 7Optimization of machine vision sorting method for nonferrous metalc
3、rushed aggregates based on model pruningDONG Huanyu,QIN Xunpeng,DING Jixiang(School of Automotive Engineering,Wuhan University of Technology,Wuhan 430070)Abstract:Accurate and fast recognition of fragment images is fundamental to realize real-time sorting of nonferrous metalcrushed aggregates.In thi
4、s article,based on the YOLOv3 model,efforts are made to prune the model with the BN layer scalingfactor as the measurement index and prune the redundant channels that have no impact on the calculation results,thus reducingthe amount of parameters and calculation of the convolution neural network,as
5、well as realizing model compression.The experi-ment is carried out on the images of nonferrous metal crushed aggregates collected in the production site;With F1-Score,mAP,FLOPs,the network parameters and FPS as the evaluation indexes,the influence of the models compression rate on detectionaccuracy
6、is comparatively explored.Finally,mAP of the optimized model increases to 97.1%,F1-Score is 96.8%,the parame-ters enjoy the compression ratio of 70.4%,FLOPs is 44.5%that of the original model,and FPS increases by 40.4%.This re-duces computational and memory consumption of model operation,and acceler
7、ates the speed of calculation,thus better meetingthe needs of sorting of nonferrous metal crushed aggregates in industrial production.Key words:deep learning;model pruning;nonferrous metal;image processing铜、铝等有色金属是机械、冶金等行业的重要材料,我国自2 0 0 3年以来铜铝生产量、消费量一直居全球第一,有色金属的需求缺口呈现逐年扩大的趋势有色金属原料的主要来源之一就是报废机械装备的回收
8、再利用,并且在大量废金属破碎料中分选出有色金*收稿日期:2 0 2 1-0 9-0 3;修订日期:2 0 2 3-0 5-2 1基金项目:湖北省技术创新专项重大项目(2 0 19 AAA075)属料是高效再利用的首道工序。与发达国家相比,当前我国金属破碎料回收分选行业自动化水平低,仍然依靠传统人工分选,劳动力成本高且效率低,部分企业采用进口设备但准确率为8 0%2 ,因此,开发一种报废汽车有色金属破碎料实时高精度分选系统是一项重92023年11月董寰宇,等于模型剪枝的有色金属破碎料机器视觉分选方法优化要且迫切的工作。当前有色金属分选主要有涡流分选和视觉分选。邓少华等 3 模拟了涡流分选过程中有
9、色金属在不同磁辊转速下的运动情况;张德浩 4 基于有限元仿真分选计算了金属废料的受力情况及分选距离,但有色金属破碎料形状多样且个体间尺寸差异大,给参数设置带来阻碍,目前涡流分选主要用于从混合废料中回收非金属。传统视觉分选方法主要针对检测对象设定的手工特征,采用经过训练的数据集学习模型对候选区域图像特征进行类别预测,李成等 5 提出反距离加权插值算法优化大津方法,取得了更好的破碎料分割效果;章振原等 6 通过颜色矩与Tamura纹理特征,建立了基于PCA的支持向量机SVM的优化分选算法。但传统检测算法难以提取目标的深层特征,检测目标的形态多样性,光照变化、复杂背景等因素易对其特征提取产生影响,降
10、低检测准确率。深度学习自问世以来,凭借其优于传统视觉算法的检测速率、准确率和鲁棒性等,逐渐取代了传统机器学习,在机器视觉领域中发挥着越来越重要的作用 7-8 ,而在破碎料分选领域几乎没有采用深度学习算法的相关研究,文中选用深度学习目标检测算法进行有色金属破碎料分选。当前目标检测算法可分为两类:(1)Two-Stage目标检测算法,该类算法计算过程主要分为产生候选区域和对候选区域中的目标位置进行调整及目标分类两个阶段;(2)One-Stage目标检测算法,该类算法较前者舍弃了候选区域产生过程,将目标的位置预测与分类预测视为回归问题,往往具有更快的推理速度。出于对分选需求的考虑,文中选用One-S
11、tage代表算法YOLOv3作为基础网络,建立了金属破碎料数据集作为训练输人,并基于模型通道剪枝对YOLOv3进行压缩优化,研究了压缩率对模型各项计算性能的影响,综合选出性能最佳的模型,实现有色金属破碎料高精度下的快速识别。1有色金属破碎料数据1.1数据集采集试验材料为报废车辆有色金属破碎料,报废车辆拆解后,未达到使用标准的失效件经破碎后依次经滚筒筛分、磁力分选、风力分选和涡流分选,得到主要由铜、铝组成的混合破碎料。有色金属破碎料的产生是车辆加工、使用、废弃和破碎的过程,具有尺寸范围大(5 300mm)、表面状况复杂(涂漆、污渍、锈蚀、划痕等)、形状不规则(扭曲、压折)等特点,给分选带来了难度
12、。有色金属破碎料分选系统如图1所示,CCD相机实时拍摄传送带上的金属破碎料,上位机对所得图像进行识别处理,对控制器发出命令进而操纵气刀完成分选。对破碎料在传送带背景下以不同金属种类和不同摆放位置,上方的拍摄角度拍摄了140 1张金属破碎料图像。(a)分选系统外观控制器上位机CCD相机气刀传送带伺服电机(b)分选系统工作示意图图1有色金属破碎料分选系统1.2数据增强及标注为提高数据多样性,避免过拟合,采用图像处理技术中旋转、翻转和改变对比度的方式对数据集进行扩增,并进行图像筛选,剔除低质图片,最终得到破碎料图片5 5 9 2 张。为防止模型训练数据量超过计算负荷,对图片进行压缩,压缩后图片分辨率
13、为9 6 x96dpi。图像处理完成后,采用Labellmg标注破碎料图像,对图像中破碎料进行矩形标注框框选及类别标注,如图2 所示。试验中将用VOC2007格式进行数据集保存,数据预处理中对生成的数据进行归一化处理,归第40 卷第11期10计设机械一化计算为:XCmin+Xmaxmin+Ymax*2W2h(1)YmaxminmaxYminhPWPh式中:x,y*归一化后的目标坐标;Xmin,Ymin标注框左上角的坐标;Xmax,Ymax标注框右下角的坐标;w,h一一归一化后的目标大小;Wp,hp图像的宽和高。归一化处理可以减少模型计算量,加速模型运行。随机选择5 0 32 张破碎料作为训练集
14、,余下5 6 0 张图片为测试集。图2数据集标注2网络优化2.1YOLOv3算法YOLOv39是单阶段算法的典型代表,它将目标的位置预测和分类预测视为回归问题,以图像为直接输人实现了端到端的检测。特征提取网络Darknet-53借鉴了残差网络的设计,在特定层之间设置了残差单元,同时在每个卷积层后设置了批量归一层(BatchNormalization层,下称“BN层”),有效避免了梯度爆炸的发生。输入图像进人主干网络后会经历5 次降采样,低层特征图的语义信息较少,但目标信息准确,高层特征图语义信息丰富,而目标信息粗略,YOLOv3借鉴了FPNL101的思想,将上采样后的高层特征图和低层特征图融合
15、,增强了模型对小目标的检测效果。特征图上的每一个点对应3个不同尺寸的anchor进行回归计算,则每个网格输出的预测值数量为 3(4+1+C),其中,C为目标类别数。最后,对所得预测结果进行非极大值抑制,去除重复目标输出最终检测结果2.2模型剪枝在提高神经网络的性能方面,普遍认为增加神经网络的深度和宽度能增强其非线性拟合能力,更好地学习图像特征以获得更精确的计算结果。Krizhevsky等 11 提出的8 层AlexNet在图像视觉识别比赛中取得最高准确率,远超其他传统算法;之后,Simonyan 等 12 提出的VGG加深网络结构至19 层;Szegedy等13 提出inception模块,设
16、计了2 7 层的GoogleNet;He等 14 设计的ResNet通过引人残差模块将模型加深到15 2 层。而复杂化的模型在性能得到提升的同时,模型和计算浮点数也越来越大,这给模型在存储容量和计算条件有限的硬件环境上的部署增加了难度。模型压缩是通过压缩模型的参数量降低模型的复杂度,当前模型压缩主要可以分为模型剪枝、知识蒸馏和网络分解3类 15 ,模型剪枝具有简单有效,易于实现的优点,同时能够与其他压缩方法结合使用,进一步提高压缩比,因此,文中选用模型剪枝对YOLOv3进行优化。实际上,神经网络模型中存在部分对计算没有贡献或贡献较小的穴余参数,模型剪枝原理是在已完成训练的模型基础上,通过评价标
17、准对参数进行判定并剪切,达到压缩网络的目的。根据剪枝粒度可分为结构剪枝和非结构剪枝,两类剪枝分别以权重和通道/卷积核为剪枝粒度。由于结构剪枝不依赖稀疏卷积计算库及专用硬件库,以简单有效的优势得到了更广泛的应用。重要性评判标准直接影响对穴余参数的选择,Li等 16 用卷积核中所有权重的绝对值和作为评价指标;Hu等 17 提出零的平均比衡量卷积核中激活值为零的神经元的比例对卷积核进行评判。文中选用BN层缩放因子作为重要性评判标准进行通道剪枝【18 ,BN层对通道进行归一化处理,并引入缩放因子和平移因子,这两个参数通过模型迭代得到,使得每一层参数变换到最优的分布区域,避免了因单一归一化处理结果权值固
18、定分布导致的模型学习能力下降。运算公式为:112023年11月董寰宇,等十模型剪枝的有色金全属破碎料机器视觉分选方法优化x一u(2)+8.out+式中:x-输入特征图;a,u特征图的均值和方差;7,缩放因子和平移因子;名一一归一化后的特征图;通道输出;out8极小量,取值110-6由于通道输出xou与成正比,即越小,该通道输出结果越小,会对后续运算及运算结果产生的影响越小,因此可以缩放因子作为通道重要性评判标准。金属破碎料检测模型剪枝流程如下:(1)对破碎料生产现场采集的有色金属破碎料进行拍摄并制作数据集,基于YOLOv3模型对破碎料数据集进行训练;(2)以BN层的缩放因子为通道重要性评判标准
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 模型 剪枝 有色金属 破碎 机器 视觉 分选 方法 优化
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。