0 引言
铝型材在日常生活和工业场景有非常重要的应用。在铝型材的生产过程中，由于不确定因素的影响，铝型材表面会出现各种随机性比较强的缺陷，比如碰伤，刮花，凸粉，脏点等常见的缺陷。缺陷不仅影响到材料外观，也影响到材料正常使用。传统缺陷检测方法采用人眼检测。如果处于精力集中的紧张状态，人眼会出现疲劳状态,检测效率降低。目前基于机器视觉的检测系统不受太多客观因素的影响，可以长时间保持较高的检测准确性。随着现在用人成本的逐渐增高，工厂自动化的趋势越来越明显[1]，制造业面临着从劳动密集型到科技密集型的转型[2]，在工厂自动化的转型过程中，基于机器视觉的检测系统更是一项很重要的技术[3]。
基于深度学习的缺陷检测已经应用于各种工业场景。江佳佳等人利用卷积神经网络学习鲸鱼声音数据的特征，以达到区分不同的鲸鱼哨声[4];宋李美等人通过把卷积神经网络与传统算法骨架提取，图像阈值处理相结合，实现对金属微小划痕的检测[5]；华南理工的文生平等人基于卷积神经网络，设计类似于SSD算法的算法框架，实现对圆锥滚子缺陷检测[6];冼涛等人设计多任务卷积神经网络，以检测弹簧线插座的缺陷识别[7]。河海大学的沈晓海等人利用faster-rcnn，分割等技术对铝型材表面缺陷进行了检测[8]。
目前基于铝型材的缺陷检测算法研究较少，河海大学等研究员的算法复杂度较高，检测速度和精度有待提高。铝型材表面缺陷用普通的深度学习检测算法难以检测，第一个原因是铝型材的某些缺陷比如脏点，相对于擦花、凸粉等缺陷，脏点的面积过小，和背景色相似，给检测带来一定的难度。第二个原因是不同缺陷之间形态差异较大，脏点缺陷形态类似小圆点，擦花缺陷大多是狭长，呈线性的缺陷，擦花长度也有较大区别，严重的擦花缺陷横向跨越整个图像，轻微的擦花缺陷长度比较短，传统的卷积层对于这种形状的缺陷，提取能力不够强，限制了整体的检测效果提升。图1是缺陷样本图。为了解决小缺陷检测问题，使用Gaussian-yolov3算法模型,同时Gaussian-yolov3比yolov3的优势在于，Gaussian-yolov3计算预测框的置信度，并且利用置信度函数计算损失，提高了整体的预测框的位置精准度。原始Gaussian-yolov3算法对铝型材小缺陷和细条状缺陷特征提取能力有限，所以本论文在原始Gaussian-yolov3的基础上，使用密集连接块技术，进一步提升对特征的利用率，提高检测效果。为了提高狭长细小缺陷的检测率，参考可变性卷积思想，设计出新的横向变形卷积，以满足检测狭长缺陷的需求。
不过，仅仅把礼看作是对社会生产和分配进行组织的原则和制度的看法，肯定是不完善的。《左传》昭二十五年材料提出“六志生于六气”“审则宜类，以制六志”，表明礼的活动不仅要面对人的食色之欲，而且必须处理“欲”所必然引发的“情”的活动；“情”能否得到恰当的处理是“礼”能否发挥良好作用的关键所在。如《礼论》云：
图1 铝型材表面缺陷样本
1 基于深度学习的铝型材缺陷检测过程
铝型材表面的脏点缺陷和碰伤缺陷面积相对较小，仅用最后一层特征图检测效果不理想。yolov3算法采用金字塔形式特征采样，从不同的感受野范畴采集不同语义的特征，形成不同尺寸的特征图，将不同尺寸的特征图，通过上采样的方式，在特征图通道方向融合，以此提高脏点和碰伤的检测准确率。其结构如图2所示。
从图2可以看到，原始铝型材缺陷图像经过特征提取网络，得到3种不同尺寸的特征图。低尺寸的特征图包含着更多大面积缺陷，比如凸粉，擦花的隐含特征，高尺寸的特征图包含更多小尺寸缺陷凸粉，脏点的隐含特征。
美术特长生教育不应是让学生进入高校的一种途径，而应该是结合社会对学生的实际要求与学生个人自由与全面发展的需要，全方位培养学生的综合素质。美术特长生的人才选拔标准既要求学生对美术有浓厚的兴趣，也要求其文化基础扎实、专业技能过硬。
图2 yolov3金字塔结构图
图3 检测器模块
铝型材原始图像经过特征提取网络和检测器模块的处理，形成3种不同尺寸的特征网格图。算法把3个不同尺寸的网格图映射到铝型材原始图像上，把原始图像划分成不同大小的网格。算法在每一个网络当中设定3个不同尺寸的anchor-box，并且在每一个网格当中输出3个缺陷预测框向量，向量数值包括预测框包含缺陷的置信值，预测框相对于anchor-box的长宽偏差，中心坐标偏差，以及擦花，碰伤，凸粉，脏点出现的概率。算法根据图像标签以及ground-truth的坐标长宽计算误差，Gaussian-yolov3算法在yolov3的基础上，计算缺陷预测框长宽，中心坐标的置信度，置信度越高，预测框约准确率。损失函数当中加入置信度函数计算误差，误差反向反馈到卷积神经网络当中，使用梯度下降法计算权重梯度，更新权重得到全局最优解。anchor-box的示意图如图4所示。
图4 anchor-box机制
2 改进Gaussian-yolov3方案-密集连接块
在铝型材缺陷样品当中，脏点缺陷的数量相对于其他缺陷少很多，只占了10%，而且脏点面积小，颜色与背景色有一定的相似度，所以为了加强模型对小缺陷的纹理特征和颜色特征的提取能力，更加充分利用卷积层的输出信息，在Gaussian-yolov3的基础上，本文在特征提取网络当中加入密集连接块，通过对特征极致的使用，提高模型对脏点缺陷的检测准确率。密集连接块的结构如图5所示。
该地层由下更新统蒙城组(Q1m)及部分新近系明化镇组(N2m)黏土及粉质黏土组成，夹细砂、粉砂、粉土。
图5 密集连接块
在一个密集连接块中，第L层的输出与它之前的每一层都有关，设第L层的输出为XL，第L层的激活函数为HL，则有：
(1)
式中，[]代表拼接操作,指将第L-1层的输出与前面各层的输出按照通道数维度组合在一起，再通过激活函数增加非线性。
在特征提取网络当中。包含一个常规卷积层和5个残差单元。特征提取网络接受铝型材缺陷原始图像作为输入，经过一个3×3卷积层的初步特征提取，形成初步特征图，初步特征图沿着网络结构进入五个残差单元结构。残差单元由和若干个残差块组合而成。残差块设计参考了残差网络网络，为了缓解梯度消失，不断加深网络结构深度。
本论文在8个残差块当中使用密集连接的方式，使每一个残差块之间的特征信息得到共享互补，使模型可以充分提取到脏点缺陷和碰伤缺陷的纹理特征和颜色特征。在残差块内部使用了残差连接，特征融合方式是特征图对应的像素相加，虽然生成了新特征，但是原有特征在一定程度上有损失。而密集连接的特征融合方式是在通道维度上拼接形成新特征，卷积网络自动学习特征的组合，避免了人为干预特征融合带来的影响，保证融合过程中没有特征损失。
同时使用密集连接技术，加强了特征的重复使用，加强了底层特征对预测结果的影响。当网络深度够深，密集连接可以缓解梯度消失和梯度爆炸的问题。
“那东方宇轩怎么跟他爹吵架，跟他未婚妻闹翻，怎么与万花七圣结拜，怎么弄了个万花谷，万花谷的弟子这些年，在江湖上又闯出了什么样的名头，七星逍遥阵是天下第一阵法等等，万花谷的入口就在我们黄梁村，什么龙化成鱼城化为池，什么乱世流离十年为期，什么白雪皑皑冬月盈盈，什么黄粱有梦万花有因。
3 改进Gaussian-yolov3方案-横向变形卷积
普通卷积神经网络模型主要依赖数据本身多样性，克服特征图的几何变化。模型内部不具有适应几何变化的机制。根据对铝型材表面缺陷的分析，擦花缺陷大多数都是呈横向的，细长状的缺陷，并且长度不一致，严重的擦花缺陷长度较长，轻微的擦花长度较短。擦花缺陷如图7所示。
图6 Gaussian-yolov3中的密集连接结构
图7 部分擦花缺陷样本
基础Gaussian-yolov3的卷积层都是固定的正方形形状，对这种条状的缺陷特征提取能力不够强。为了解决这个不足，在Gaussian-yolov3算法的基础上，使用可变形卷积的卷积技术[11]，改变普通卷积固有的几何形状。基础的可变形卷积在X，Y方向上都会有偏移，但是从擦花缺陷的形态上分析，大部分以横向缺陷为主，所以为了减少计算量和计算速度，本论文设计的可变形卷积只在X方向进行偏移。
部分初中英语老师没有意识到因材施教和分层教学法对促进学生终身发展以及提高初中英语阅读教学效果的重要性，加之，许多英语老师在常年教学过程中早已形成固定的教学风格，对分层教学法存在抵触和抗拒情绪，这些都增加了分层教学法在初中英语阅读课堂教学中使用和推广的难度。
普通2D卷积分两个步骤：1)在输入特征图上使用固定尺寸的卷积核R进行采样；2)使用卷积核的权重进行计算采样，并且把计算结果相加。3*3的卷积核R的定义如下：R={(-1,-1),(-1,0),(0,0)....(0,1),(1,1)}对于输出特征图上的一个点p0, 特征图输出如下所示：
(2)
对于横向变形卷积，在固定卷积R的基础上，增加了偏移量Δpn，偏移量用于改变数据采集点的位置，使达到可变卷积的效果。可变卷积的计算如下：
这时，一队民工小跑着赶了上来，有扛子弹的、扛手榴弹的、扛炮弹的，也有扛担架的。民工中间夹有炊事班老王，正一头开水一头馒头挑了过来。
(3)
横向变形卷积在特征图上的每一个位置都生成一个X方向偏移量，对于原始特征图输入，横向变形卷积算法单独学习一个位置偏移矩阵，位置偏移矩阵的尺寸与输入特征图的尺寸保持一致，保证输入特征图的每一个特征点都有横向偏移量。位置偏移矩阵的通道数是输入特征图的通道数保持一致，储存X方向的偏移。位置偏移矩阵计算如图8所示。
图8 横向变形卷积输入特征图
经过一个额外的卷积计算操作，生成另外一个位置偏移矩阵。对于位置偏移矩阵的每一个数据点，都对应原始特征输入的位置偏移。
4 实验结果分析
4.1 实验评判指标
在铝型材缺陷检测任务当中，使用mAP和AP来衡量算法的分类和检测性能，把改进算法对一张图像的检测时间作为性能指标，衡量一个算法的效率。同时将目标检测算法和其他传统检测算法做性能比较。mAP，AP公式如下：
精确率
(4)
召回率
(5)
其中:TP表示检测出铝型材缺陷判断正确的数目，FP为判断错误数目，FN表示没有检测出铝型材缺陷的数目。针对每一种铝型材缺陷，计算精确度和召回率，画出PR曲线，计算PR曲线的面积便是平均精度AP。mAP是所有铝型材缺陷的平均精度。
(6)
(7)
其中:AP是衡量某一个缺陷的分类效果的指标，p(r)表示当分类阈值取不同的值r的时候，计算出来的准确率。r的取值范围是0,0.1,0.2....1，n=11。APi表示类别i的AP值。
最后，还需要引导学生将全域旅游理念运用到导游实践工作中。在当今时代，随着全球可持续发展的发展和旅游业的迅速发展，全域旅游的概念引起了人们的关注。全域旅游理念的本质是协调和平衡旅游与文化、自然、人的生活环境之间的关系，并将其作为一个整体，在全球范围内实现社会发展与经济发展目标的统一。因此，在全域旅游发展过程中，需要引导学生将全域旅游理念运用到导游实践工作中，开发城市绿色旅游，促进旅游绿色发展。
4.2 不同检测算法对比实验
数据集包含了2 000张缺陷图像，由于缺陷样本数比较少，所以利用一定的数据增强技术，比如翻转，旋转，剪裁等，扩展数据集，并且使用迁移学习技术初始化模型权重。把缺陷图像均匀的打乱，把整个数据集分成三部分，第一部分是训练数据，用于训练模型，第二部分是验证数据，在训练模型的时候，对验证图像进行预测，计算mAP或者损失函数等指标。第三部分是测试数据，用于验证训练好的模型的精度和性能。训练数据占有70%，验证数据和测试数据分别占有15%。
实验室硬件配置CPU为Intel Core i7-7700。软件配置系统为Ubantu16.04。深度学习框架使用Pytorch，编写代码的编译环境使用Jupyter。标注数据的工具使用LabelImg。图形处理工具使用python的集成工具opencv。编程语言使用python 3.0。
广东自贸试验区面向港澳地区，以深圳前海、广州南沙和珠海横琴为基地，深化区域协作加快建设粤港澳大湾区，打造我国的海洋经济国际竞争力核心区；与香港、澳门等珠三角主要城市合作，担当“一带一路”建设的主力军，共同组成海上丝绸之路上辐射力最强、影响力最大的贸易中心、金融中心和航运中心，共同搭建高端专业服务、产业合作对接、港口城市合作等国际平台，成为面向21世纪海上丝绸之路的重要门户枢纽。此外，自贸试验区应该创新合作模式，以沿海经济带为支撑与海丝沿线国家建立互利共赢的蓝色伙伴关系，打造蓝色经济通道；发挥广东省在研发领域的优势，与沿线国家开展科技创新合作，打造“智慧海丝路”，建设“一带一路”创新共同体。
针对同样的训练和测试图像数据，把常见的目标检测算法和改进的Gaussian-yolov3进行了性能对比，对比mAP和针对每一张图像的检测速度。对比组实验的算法包括SSD[12]，Faster R-cnn[13]。
从表1的数据可以看到，SSD512使用多尺度检测方法，mAP达到了87.92%，和Gaussian-yolov3对比没有优势。从检测速度可以看到，SSD512的检测速度是Gaussian-yolov3两倍检测速度，SSD512是51.2 ms，改进的Gaussian-yolov3检测算法是27.8 ms。SSD模型另外一个改进版本SSD300，检测速度是26.4 ms，和Gaussian-yolov3检测速度基本一样，但是mAP是78.13%，和Gaussian-yolov3的mAP精度相差较大。Faster-Rcnn属于two-stage目标检测算法，所以Faster-RCNN的检测速度慢很多，136.6 ms，精度只有82.89%mAP。从对比实验可以看到，由于Gaussian-yolov3使用多尺度目标检测，检测精度对比其他目标检测算法有很大优势，结合残差网络结构，检测速度也是优于其他算法。
表1 不同目标检测算法实验对比
SSD300Faster-RcnnSSD512改进Gaussian-yolov3mAP/%78.1382.8987.9288.85 检测时间/ms26.4136.651.227.8
为了验证对Gaussian-yolov3改进策略的有效性，本实验将原始的Gaussian-yolov3模型与通过改进的算法进行实验对比，得到总体的检测mAP指标，各种缺陷单独的AP指标以及检测单张图像所需要的检测时间。
表2 改进算法的mAP有效性验证1
擦花碰伤脏点凸粉mAP原始Gaussian-yolov383.9280.2781.7184.9882.72Gaussian-yolov3+密集连接84.3683.5183.2186.2584.33Gaussian-yolov3+横向变形卷积87.4284.9283.8789.2786.37改进的Gaussian-yolov387.9789.2588.3889.8188.85
表3 改进算法的准确率有效性验证2
擦花碰伤脏点凸粉原始Gaussian-yolov392.4190.7289.9292.96Gaussian-yolov3+密集连接96.7495.9094.1197.64Gaussian-yolov3+横向变形卷积98.6196.7294.4298.12改进的Gaussian-yolov398.7397.5896.7398.81
从上表可以看出，经过密集连接算法改进，碰伤和脏点等小缺陷的检测准确率有明显的提高，验证了密集连接结构的改造有效性。使用了横向变形卷积，除了擦花缺陷检测准确率有明显提高，其他缺陷的检测准确率也有明显提高。单张图像的检测速度，改进的Gaussian-yolov3的检测速度27.8 ms，能满足工业实时检测的需求。
4.3 不同数据增强策略对算法性能的对比实验
在生产线上铝型材出现缺陷的情况概率比较低，训练图像数量非常有限。如果训练图像数量不足，模型容易出现过拟合。为了避免出现过拟合的现象发生，对训练数据进行一定程度的增强，增强目的是增加图像的数量，同时保持原本缺陷的完整性。采用常规的数据增强的方法，图像旋转、图像翻转、图像剪裁、增加噪音、添加模糊。
针对每一个样本，设置初始概率30%。每一个样本有25%的概率进行图像旋转10°；30%的概率进行翻转；40%的概率进行剪裁；10%的概率进行模糊；10%的概率添加噪音。策略a是旋转；策略b是旋转和翻转；策略c是旋转、翻转、剪裁；策略d是旋转、翻转、剪裁、模糊；策略e是旋转、翻转、剪裁、模糊、噪音。实验结果如表4所示。
表4 不同数据增强对比
数据增强策略mAP(%)没有80.86旋转83.61翻转+旋转85.29翻转+旋转+剪裁86.72翻转+旋转+剪裁+模糊87.52翻转+旋转+剪裁+模糊+噪音88.85
4.4 传统机器视觉分类算法与Gaussian-yolov3算法对比实验
设置不同的对比实验，对比传统的图像分类算法与Gaussian-yolov3分类准确率，使用准确率作为评判指标。(1)GLCM：计算灰度图像得到图像共生矩阵，计算共生矩阵得到矩阵的部分特征值，比如反差，能量，相关性，熵，分别代表图像的某些纹理特征。(2)HOG:HOG特征用于物体检测的特征描述子。通过计算和统计图像局部区域的梯度方向直方图来构成特征。具体实现方法是：将图像分成小的连通区域，采集连通中各像素点的梯度的或边缘的方向直方图；把这些直方图组合起来构成特征描述器。
通过GLCM和HOG得到特征向量，使用SVM和MLP做多分类任务。使用SVM作为基分类器，使用一对多作为分类策略，训练4个SVM模型，4个模型做投票分类。MLP是一个多层的神经网络，由输入层，隐藏层，输出层组成。输入层的维度由特征向量的维度决定，隐藏层有15个隐藏单元，每个单元的里面的维度和输入层的维度保持一致。输出层由4个输出单元组成。实验结果如表5所示。
表5 SVM，MLP，Gaussian-yolov3准确率实验对比
擦花碰伤凸粉脏点GLCM+MLP81.45%75.31%79.12%79.45%GLCM+SVM79.15%76.32%82.25%82.95%HOG+MLP75.45%76.97%78.63%81.71%HOG+SVM82.55%81.73%82.91%81.55%改进Guassian-yolov398.73%97.58%96.73%98.81%
由上表可以看出，使用HOG和GLCM作为特征提取算法，SVM和MLP作为分类算法，4种缺陷的分类准确性均比改进的Gaussian-yolov3要低。而且基于HOG和GLCM的特征提取需要大量人工设计特征，消耗大量时间成本。所以改进的Gaussian-yolov3要优于传统的分类算法。
2)随着课程的MOOC化，仿真实验将会是实验教学中不可或缺的一部分.用仿真实验替代动物实验将成为一种必然趋势.
5 结束语
针对铝型材表面缺陷检测，使用Gaussian-yolov3作为基础目标检测算法。为了解决小缺陷检测问题，使用密集连接的方式增强特征融合能力。为了解决铝型材部分条状缺陷检测问题，使用横向变形卷积技术，增强卷积核在特征图上采集特征的能力。通过多组实验对比，改进的Gaussian-yolov3算法比原始的Gaussian-yolov3算法在检测准确度上更高。改进的Gaussian-yolov3算法检测速度和检测准确度均比其他主流目标检测算法要高，该算法具有较好的实时性，不仅可以提高生产效率，降低用人成本，而且可以帮助企业实现升级改造。如果能够获取更多原始缺陷样本数据，将进一步提高模型准确性。
