導語：工程機械廠家自動識別系統研究一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：工程機械在施工的過程中，需要加強機械設備的統一管理，因而建立和健全機械設備的統計管理制度至關重要。對此，本文設計研究了一種用于工程機械廠家的圖像識別系統，該系統使用matlab構建alexnet遷移學習模型對工程機械廠家數據集進行訓練，通過對工程機械目標的外觀和標志為特征進行訓練,以達到提高施工現場機械設備調度效率的目的。

關鍵詞：深度學習；系統開發；工程機械

工程機械行業的產業升級對國家基礎建設的發展至關重要。但是，現在存在的問題就是現在有的工程項目在施工時，當參與建設的施工設備過多時，就會產生設備調度和管理無序的情況。因此，設計一套用于工程機械廠家的圖像識別系統，對于實現我國工程機械的施工統一管理具有重要的意義。對此，本文選定alexnet深度學習網絡進行訓練，通過不斷調試深度學習模型的層次、丟失層丟失率、學習率、訓練步數等參數，探討不同深度的特征提取網絡對識別效果的影響。

1圖像識別網絡模型的選用

合適的識別網絡對于系統的構建極為重要，由于本文所使用的工程機械的圖像數據集規模較小，所以要求網絡具有良好的特征學習能力。對此針對實驗的實際的情況和識別算法的可行性在經過對現有主流的圖像分類方法分析后，發現Alexnet和vgg16網絡在訓練速度和精度方面都有著不俗的效果。本文主要以Alexnet作為實驗的基礎框架，并將其與層次較深的vgg16網絡進行了簡單對比。

2圖像樣本數據集建立

良好的圖像樣本數據庫對于圖像識別網絡的分析極為重要，在進行數據庫構建時，其中主要有數據集的構建、圖像數據集的標簽化處理、圖像數據集歸一化、圖像數據集擴充、圖像數據集的劃分。（1）數據集構建。數據集共含有18家工程機械廠家，共計900張，基本涵蓋了目前市面上的常見主流工程機械廠家。為了保證識別的精度，每個圖像中僅有一或兩輛工程機械，并且圖像中的廠家特征沒有重疊或損壞。（2）圖像數據集的標簽化處理。由于深度學習算法需要采用有標簽的樣本圖片進行訓練，而本文采集的工程機械圖像是無標簽的，因此，需要對樣本圖像進行打標簽處理。使用matlab內置的app“imagelabeler”對廠家圖像進行人工標定，將標定完的含有標簽信息的mat文件保存在特定的文件夾，隨后批量將mat文件導出為.jpg標簽圖片，保存訓練樣本圖片用于廠家識別網絡的訓練。（3）圖像數據集歸一化。在深度學習模型中的輸入樣本來自imagelabeler裁剪出來的圖像,因此，存在裁剪的圖像大小不一致的問題，而因為AlexNet模型要求圖像的輸入尺寸為227×227×3，VGG16的要求為224×224×3，所以需要進行歸一化處理，將數據集的圖像尺寸統一。（4）圖像數據集擴充。為了獲得更好的訓練效果，提高識別精度，應使數據集的規模盡可能地大，這樣網絡能學習到更多的特征，訓練出的模型效果更好，因此，數據增強成為一種非常便捷的數據集擴充途徑。本文采取的數據增強途徑有旋轉、鏡像、添加噪聲，以此通過較小的人工采集工作量獲得大量的數據樣本。（5）圖像數據集的劃分。按照網絡的訓練步驟，在訓練開始前，需要將樣本數據集劃分為訓練集和測試集兩部分，由于樣本數據集較小，為了保證訓練效果將訓練集的比例增大，測試集的比例減小，將訓練集和測試集按照4:1的比例進行劃分，規定每種廠家的樣本圖片中4/5為訓練集，1/5為測試集。其中，訓練集作為網絡的訓練提供數據支持,測試集用于在訓練完成后對模型的識別精度進行檢測和自我評估。

3模型訓練以及數據對比

（1）模型的訓練結果。對模型的訓練選擇使用遷移學習，采用ImageNet數據集上進行過預訓練的AlexNet網絡模型，將自建的樣本數據集輸入網絡的最后三層，新模型預訓練后其收斂速度得到了極大提升。采用遷移學習方法訓練得到網絡模型的識別精度更高，訓練效果更好。通過對alexnet遷移學習后的網絡進行主要參數的不斷對比調試，得到了11組不同參數下的網絡模型，第一組為訓練網絡的最佳結果，準確率為87.89%。具體如表1所示。（2）使用不同網絡模型的對比實驗，本節中分別使用alexnet和vgg16模型進行訓練，為防止訓練參數變化以及不同數據集對訓練結果的影響，在對比實驗中，兩次的訓練學習使用了相同的參數和數據集，訓練結果如圖1所示。圖1由實驗結果可知，使用相同網絡和參數的情況下，使用alexnet模型訓練的網絡識別精度為87.89%,訓練時間為23min10s,使用vgg16模型訓練網絡的識別精度為86.11%，訓練時長為160min53s。alexnet模型的層數較少，訓練速度較快，且識別效果較好，vgg16模型的層數較多，訓練速度明顯減慢，且識別精度未有明顯提升。實驗結果表明，alexnet模型的訓練速度更快，且訓練效果與更深層次的vgg16相似，因此，本文選用alexnet模型進行訓練更加合適。（3）樣本集擴充效果對比實驗。本節中分別在原始數據集和擴充數據集上進行網絡的訓練，原始數據集為未經過數據擴充的圖像，擴充數據集為經過加噪聲、鏡像、翻轉處理后擴大五倍的樣本集，使用相同的測試集比例，驗證數據集擴充對網絡模型識別精度的影響。為防止訓練參數變化對訓練結果的影響，在對比實驗中，兩次的訓練學習使用了相同的參數，由實驗結果可知，使用相同網絡和參數的情況下，使用擴充的數據集訓練網絡模型可以得到87.89%的識別精度,訓練時間為23min10s,使用未擴充的數據集訓練網絡得到的識別效果大打折扣，只有60.56%的準確率，訓練時長為2min31s。雖然數據集的擴充使得訓練時長有所增加，但是在分類較多而樣本數據集較小的情況下，使用數據集擴充的方法，可以極大地提高網絡的識別效果。實驗結果表明，數據集的擴充會增加訓練時長，但可以有效提高網絡準確率，彌補樣本數據集較小的不足。

4結語

本文主要介紹了工程機械識別系統建立的每個過程，從數據集的收集整理，到工程機械圖像數據集的擴充、打標簽處理，以及網絡模型的建立結果對比。詳細地闡述了基于alexnet網絡實現工程機械廠家識別任務的整個流程。從網絡對工程機械廠家的識別率和實時性來看,本算法能滿足實際工程生產時的準確率和實時性要求。

參考文獻：

[1]李新葉,朱婧,麻麗娜.基于深度學習的場景識別方法綜述[J/OL].計算機工程與應用:1-14[2020-02-13].

[2].MathWorks2018b版本的MATLAB和Simulink中擴展深度學習功能[J].單片機與嵌入式系統應用，2018,18(11):95.

[3]楚翔宇.基于深度學習的交通視頻檢測及車型分類研究[D].哈爾濱工業大學，2017.

[4]趙振興.基于深度學習的車牌識別技術研究[D].青島科技大學，2017.

作者:魏建昊 靳浩偉 王祥澳 傅雋翰 葉敏 單位:長安大學工程機械學院