一種基于labview深度學(xué)習(xí)的開(kāi)關(guān)缺陷檢測(cè)方法
技術(shù)領(lǐng)域
1.本發(fā)明涉及一種視覺(jué)檢測(cè)方法，特別是涉及一種基于labview深度學(xué)習(xí)的開(kāi)關(guān)缺陷檢測(cè)方法。


背景技術(shù)：

2.電子元器件的制造工藝、檢測(cè)標(biāo)準(zhǔn)以及檢測(cè)人員素質(zhì)或檢測(cè)設(shè)備的好壞直接決定出產(chǎn)的產(chǎn)品是否合格。在電子元器件生產(chǎn)加工過(guò)程中，需要經(jīng)過(guò)復(fù)雜的工藝處理，在多重工序處理下，電子元器件表面不可避免會(huì)出現(xiàn)損傷，而這些將造成電子元器件的表面缺陷，近年來(lái)，器件集成度高，電子元器件更是以貼片為主要方向，而表面缺陷的檢測(cè)工作一般依靠人工完成。
3.隨著計(jì)算機(jī)技術(shù)，相機(jī)技術(shù)和數(shù)字圖像處理技術(shù)的飛速發(fā)展，機(jī)器視覺(jué)技術(shù)也在發(fā)生著翻天覆地的變化，在現(xiàn)代制造業(yè)中發(fā)揮著不可替代的作用。在現(xiàn)代社會(huì)中，機(jī)器視覺(jué)技術(shù)在建筑、化妝品、金屬加工、電子制造、包裝、汽車(chē)制造制、藥等各行各業(yè)中都得到了廣泛的應(yīng)用。例如，在醫(yī)學(xué)領(lǐng)域，最典型的應(yīng)用就是核磁共振圖像，它可以利用一定的醫(yī)療器械顯示人體內(nèi)部的圖像。在影視領(lǐng)域，我們經(jīng)?？吹?d電影就是機(jī)器視覺(jué)的一個(gè)重要分支
??
虛擬現(xiàn)實(shí)。在工業(yè)生產(chǎn)中，機(jī)器視覺(jué)可以自動(dòng)實(shí)現(xiàn)對(duì)產(chǎn)品缺陷的檢測(cè)，極大地減少了人力物力，提高了生產(chǎn)效率。在無(wú)人駕駛領(lǐng)域，機(jī)器視覺(jué)技術(shù)可以檢測(cè)周?chē)鷱?fù)雜的情況，從而讓汽車(chē)做出正確的判斷。在識(shí)別領(lǐng)域，比如手機(jī)中的臉部識(shí)別和語(yǔ)音識(shí)別，都運(yùn)用了機(jī)器視覺(jué)技術(shù)。通俗來(lái)說(shuō)，機(jī)器視覺(jué)就是利用一定的機(jī)器設(shè)備來(lái)代替人的眼睛，從而實(shí)現(xiàn)觀察、測(cè)量、理解、判斷等一系列只有人可以完成的行為。傳統(tǒng)的視覺(jué)算法受打光以及圖像的邊緣對(duì)比度影響，無(wú)法做到人眼的分辨效果，而且人具有學(xué)習(xí)能力，經(jīng)過(guò)大量樣本的學(xué)習(xí)，人就可以找到不同物體之間的細(xì)微差別，從而分辨出物體的類(lèi)別。cnn就是模擬人的大腦神經(jīng)元結(jié)構(gòu)，用計(jì)算機(jī)構(gòu)造的簡(jiǎn)化了的人腦神經(jīng)網(wǎng)絡(luò)模型，其主要用于圖像分類(lèi)和識(shí)別。
4.labview是一個(gè)廣泛應(yīng)用于工業(yè)自動(dòng)化測(cè)控領(lǐng)域的編程平臺(tái)，其具有很多不同行業(yè)的算法庫(kù)，例如vision視覺(jué)庫(kù)，集成了常用的視覺(jué)算法。其編程特點(diǎn)是上手快，開(kāi)發(fā)效率高，兼容性強(qiáng)，能快速調(diào)用c++，c#等平臺(tái)的dll類(lèi)庫(kù)。如何將labview與深度學(xué)習(xí)結(jié)合起來(lái)，來(lái)解決視覺(jué)行業(yè)越來(lái)越復(fù)雜的應(yīng)用場(chǎng)景所遇到的困難。labview中有一個(gè)視覺(jué)開(kāi)發(fā)模塊(vision development module)，不僅包含傳統(tǒng)的機(jī)器視覺(jué)算法，還具有一個(gè)tensorflow模型導(dǎo)入器，可以導(dǎo)入tensorflow深度學(xué)習(xí)模型，輕松實(shí)現(xiàn)深度學(xué)習(xí)應(yīng)用。
5.受環(huán)境、光照、生產(chǎn)工藝和噪聲等多重因素影響，檢測(cè)系統(tǒng)的信噪比一般較低，微弱信號(hào)難以檢出或不能與噪聲有效區(qū)分。如何構(gòu)建穩(wěn)定、可靠、魯棒的檢測(cè)系統(tǒng)，以適應(yīng)光照變化、噪聲以及其他外界不良環(huán)境的干擾，是要解決的問(wèn)題之一。
6.2)由于檢測(cè)對(duì)象多樣、表面缺陷種類(lèi)繁多、形態(tài)多樣、復(fù)雜背景，對(duì)于眾多缺陷類(lèi)型產(chǎn)生的機(jī)理以及其外在表現(xiàn)形式之間的關(guān)系尚不明確，致使對(duì)缺陷的描述不充分，缺陷的特征提取有效性不高，缺陷目標(biāo)分割困難；同時(shí)，很難找到“標(biāo)準(zhǔn)”圖像作為參照，這給缺陷的檢測(cè)和分類(lèi)帶來(lái)困難，造成識(shí)別率尚有待提高。
7.3)機(jī)器視覺(jué)表面缺陷檢測(cè)，特別是在線檢測(cè)，其特點(diǎn)是數(shù)據(jù)量龐大、冗余信息多、特征空間維度高，同時(shí)考慮到真正的機(jī)器視覺(jué)面對(duì)的對(duì)象和問(wèn)題的多樣性，從海量數(shù)據(jù)中提取有限缺陷信息的算法能力不足，實(shí)時(shí)性不高。
8.4)與機(jī)器視覺(jué)表面檢測(cè)密切相關(guān)的人工智能理論雖然得到了很大的發(fā)展，但如何模擬人類(lèi)大腦的信息處理功能去構(gòu)建智能機(jī)器視覺(jué)系統(tǒng)還需要理論上的進(jìn)一步研究，如何更好的基于生物視覺(jué)認(rèn)識(shí)、指導(dǎo)機(jī)器視覺(jué)得檢測(cè)也是研究人員的難點(diǎn)之一。
9.5)從機(jī)器視覺(jué)表面檢測(cè)的準(zhǔn)確性方面來(lái)看，盡管一系列優(yōu)秀的算法不斷出現(xiàn)，但在實(shí)際應(yīng)用中準(zhǔn)確率仍然與滿足實(shí)際應(yīng)用的需求尚有一定差距，如何解決準(zhǔn)確識(shí)別與模糊特征之間、實(shí)時(shí)性與準(zhǔn)確性之間的矛盾仍然是目前的難點(diǎn)。


技術(shù)實(shí)現(xiàn)要素：

10.本發(fā)明提供了一種基于labview深度學(xué)習(xí)的開(kāi)關(guān)缺陷檢測(cè)方法，以至少對(duì)電控開(kāi)關(guān)缺陷(如螺絲安裝不到位等缺陷)檢測(cè)的智能識(shí)別。
11.本發(fā)明提供了一種基于labview深度學(xué)習(xí)的開(kāi)關(guān)缺陷檢測(cè)方法，包括：
12.s1圖像采集：獲取待測(cè)開(kāi)關(guān)圖像；
13.s2圖像去噪：對(duì)待測(cè)圖像進(jìn)行濾波，獲得去噪后圖像；
14.s3圖像增強(qiáng)：對(duì)去噪后的圖像進(jìn)行圖像增強(qiáng)；
15.s4邊緣檢測(cè)：采用sobel邊緣檢測(cè)算子，對(duì)圖像中的缺陷進(jìn)行識(shí)別，獲取對(duì)缺陷進(jìn)行邊緣識(shí)別；
16.s5識(shí)別分類(lèi)：采用labview對(duì)邊緣識(shí)別后的缺陷進(jìn)行深度學(xué)習(xí)訓(xùn)練，獲取缺陷信息。
17.進(jìn)一步地，所述s2圖像去噪中，濾波為中值濾波技術(shù)。
18.更進(jìn)一步地，所述中值濾波技術(shù)為均值濾波、中值濾波、高斯濾波、雙邊濾波、小波濾波中的一種或多種。
19.進(jìn)一步地，所述s3圖像增強(qiáng)包括：
20.s301增強(qiáng)過(guò)程：采用sin函數(shù)的非線性變換，對(duì)去噪后圖像的灰度進(jìn)行拉伸變換，對(duì)變換后圖像進(jìn)行分割，提取待測(cè)開(kāi)關(guān)所在的目標(biāo)區(qū)域。
21.更進(jìn)一步地，所述s3圖像增強(qiáng)還包括：
22.s302動(dòng)態(tài)閾值分割過(guò)程：對(duì)s301所得結(jié)果，采用最小二乘法原理進(jìn)行二值化分割，將圖像的像素值按閾值t分為0c和1c，通過(guò)運(yùn)算獲得最小類(lèi)內(nèi)方差和最大類(lèi)間方差，完成閾值的分割，實(shí)現(xiàn)動(dòng)態(tài)閾值分割。
23.進(jìn)一步地，所述s4邊緣檢測(cè)包括：
24.采用sobel檢測(cè)算子，逐一分析比較圖像中每個(gè)像素在鄰域內(nèi)的灰度變化大小，利用像素邊緣灰度值的一階或二階導(dǎo)數(shù)確定極值和變化趨勢(shì)，確定邊緣。
25.更進(jìn)一步地，所述采用sobel檢測(cè)算子，逐一分析比較圖像中每個(gè)像素在鄰域內(nèi)的灰度變化大小，利用像素邊緣灰度值的一階或二階導(dǎo)數(shù)確定極值和變化趨勢(shì)，確定邊緣包括：
26.采用sobel檢測(cè)算子，對(duì)在二值化分割后的圖像中使用3
×
3的卷積核，進(jìn)行卷積運(yùn)算，完成水平方向和垂直方向的偏導(dǎo)數(shù)的計(jì)算，根據(jù)一階偏導(dǎo)數(shù)在邊緣點(diǎn)處可以達(dá)到極值
的原理對(duì)圖像中所含的缺陷邊緣進(jìn)行檢測(cè)，獲取缺陷邊緣。
27.進(jìn)一步地，所述s5識(shí)別分類(lèi)包括：
28.s501采用卷積神經(jīng)網(wǎng)絡(luò)，利用卷積神經(jīng)網(wǎng)絡(luò)中的全連接層對(duì)圖像中的特征進(jìn)行提??；
29.s502采用softmax分類(lèi)器對(duì)特征進(jìn)行識(shí)別，獲得圖像缺陷。
30.更進(jìn)一步地，所述卷積神經(jīng)網(wǎng)絡(luò)包括模型單元；
31.所述模型單元的獲取流程如下：
32.s601模型預(yù)訓(xùn)練：獲取相關(guān)領(lǐng)域的挑戰(zhàn)性圖像，作為源域數(shù)據(jù)集，通過(guò)對(duì)源域數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練，獲得預(yù)訓(xùn)練模型；
33.s602模型遷移：在預(yù)訓(xùn)練模型上保留其卷積層和池化層的參數(shù)作為凍結(jié)層，改變預(yù)訓(xùn)練模型的全連接層和輸入圖像大小，以適應(yīng)待測(cè)開(kāi)關(guān)的輸入需求和缺陷識(shí)別種類(lèi)，并進(jìn)行重新訓(xùn)練，完成分類(lèi)識(shí)別任務(wù)，獲得調(diào)節(jié)模型；
34.s603模型微調(diào)：對(duì)調(diào)節(jié)模型的訓(xùn)練過(guò)程進(jìn)行初始化，并采用反向傳播算法和隨機(jī)梯度下降算法對(duì)模型進(jìn)行微調(diào)，校正參數(shù)，直至完成訓(xùn)練任務(wù)或達(dá)到訓(xùn)練結(jié)束條件，得到泛化能力優(yōu)秀的模型，作為模型單元。
35.更進(jìn)一步地，所述源域數(shù)據(jù)集中相關(guān)領(lǐng)域的挑戰(zhàn)性圖像包括缺陷開(kāi)關(guān)圖像及缺陷的具體信息。
36.本發(fā)明相對(duì)于現(xiàn)有技術(shù)，利用圖像采集、圖像去噪、圖像增強(qiáng)、邊緣檢測(cè)、識(shí)別分類(lèi)，實(shí)現(xiàn)對(duì)多種開(kāi)關(guān)缺陷的智能識(shí)別，替代人工檢測(cè)識(shí)別過(guò)程，進(jìn)而降低人工成本。
附圖說(shuō)明
37.圖1為本發(fā)明實(shí)施例流程圖；
38.圖2為本發(fā)明實(shí)施例模型單元的獲取流程。
具體實(shí)施方式
39.為了使本技術(shù)領(lǐng)域的人員更好地理解本發(fā)明方案，下面將對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分的實(shí)施例，而不是全部的實(shí)施例。
40.本發(fā)明實(shí)施例公開(kāi)了一種基于labview深度學(xué)習(xí)的開(kāi)關(guān)缺陷檢測(cè)方法，如圖1所示，包括：
41.s1圖像采集：獲取待測(cè)開(kāi)關(guān)圖像；
42.其中，可采用工業(yè)相機(jī)對(duì)開(kāi)關(guān)進(jìn)行拍照；
43.s2圖像去噪：對(duì)待測(cè)圖像進(jìn)行濾波，獲得去噪后圖像；
44.s3圖像增強(qiáng)：對(duì)去噪后的圖像進(jìn)行圖像增強(qiáng)；
45.s4邊緣檢測(cè)：采用sobel邊緣檢測(cè)算子，對(duì)圖像中的缺陷進(jìn)行識(shí)別，獲取對(duì)缺陷進(jìn)行邊緣識(shí)別；
46.其中，通過(guò)sobel邊緣檢測(cè)算子對(duì)處理后的圖像中含有的缺陷進(jìn)行檢測(cè)，根據(jù)灰度值差異和二維坐標(biāo)對(duì)缺陷大小和位置進(jìn)行計(jì)算定位通過(guò)sobel邊緣檢測(cè)算子對(duì)處理后的圖像中含有的缺陷進(jìn)行檢測(cè)，根據(jù)灰度值差異和二維坐標(biāo)對(duì)缺陷大小和位置進(jìn)行計(jì)算定位；
47.s5識(shí)別分類(lèi)：采用labview對(duì)邊緣識(shí)別后的缺陷進(jìn)行深度學(xué)習(xí)訓(xùn)練，獲取缺陷信息，并識(shí)別分類(lèi)輸出。
48.本發(fā)明實(shí)施例利用圖像采集、圖像去噪、圖像增強(qiáng)、邊緣檢測(cè)、識(shí)別分類(lèi)，實(shí)現(xiàn)對(duì)多種開(kāi)關(guān)缺陷的智能識(shí)別，替代人工檢測(cè)識(shí)別過(guò)程，進(jìn)而降低人工成本。
49.可選的，所述s2圖像去噪中，濾波為中值濾波技術(shù)。
50.特別的，所述中值濾波技術(shù)為均值濾波、中值濾波、高斯濾波、雙邊濾波、小波濾波中的一種或多種。
51.本發(fā)明實(shí)施例的中值濾波技術(shù)能夠有效抑制脈沖干擾，在處理過(guò)程中能夠有效保留圖像的邊緣信息。
52.可選的，所述s3圖像增強(qiáng)包括：
53.s301增強(qiáng)過(guò)程：采用sin函數(shù)的非線性變換，對(duì)去噪后圖像的灰度進(jìn)行拉伸變換，對(duì)變換后圖像進(jìn)行分割，提取待測(cè)開(kāi)關(guān)所在的目標(biāo)區(qū)域。
54.其中，sin函數(shù)變換的曲線特征是上峰值區(qū)域和下峰值區(qū)域的變化平緩，中間變化梯度較大，利用sin函數(shù)對(duì)去噪后圖像的灰度進(jìn)行拉伸，可將處于平均值兩側(cè)的灰度值分別向兩端進(jìn)行變換圖像分割，圖像分割能夠?qū)D像中的目標(biāo)區(qū)域與其余部分分割開(kāi)來(lái)，并提取出待測(cè)開(kāi)關(guān)所在目標(biāo)區(qū)域。
55.特別的，所述s3圖像增強(qiáng)還包括：
56.s302動(dòng)態(tài)閾值分割過(guò)程：對(duì)s301所得結(jié)果，采用最小二乘法原理進(jìn)行二值化分割，將圖像的像素值按閾值t分為0c和1c，通過(guò)運(yùn)算獲得最小類(lèi)內(nèi)方差和最大類(lèi)間方差，完成閾值的分割，實(shí)現(xiàn)動(dòng)態(tài)閾值分割。
57.可選的，所述s4邊緣檢測(cè)包括：
58.采用sobel檢測(cè)算子，逐一分析比較圖像中每個(gè)像素在鄰域內(nèi)的灰度變化大小，利用像素邊緣灰度值的一階或二階導(dǎo)數(shù)確定極值和變化趨勢(shì)，確定邊緣。
59.其中，圖像中灰度的變化尺度較大的區(qū)域即為圖像的邊緣，包含圖像中的方向、階躍性質(zhì)和形狀等信息，邊緣檢測(cè)根據(jù)圖像灰度變化的階躍性物理量特征來(lái)表征圖像中灰度變化的過(guò)程，通過(guò)確定和提取邊緣信息檢測(cè)邊緣像素，進(jìn)而分離出圖像中的前景和背景常用的邊緣提取算法是逐一的分析比較圖像中每個(gè)像素在鄰域內(nèi)的灰度變化大小，利用像素邊緣灰度值的一階和二階導(dǎo)數(shù)確定極值和變化趨勢(shì)進(jìn)而檢測(cè)邊緣，灰度變化較為明顯的圖像適合一階導(dǎo)數(shù)的邊緣檢測(cè)，而二階導(dǎo)數(shù)主要適用于灰度出現(xiàn)階躍性變化的情況。
60.特別的，所述采用sobel檢測(cè)算子，逐一分析比較圖像中每個(gè)像素在鄰域內(nèi)的灰度變化大小，利用像素邊緣灰度值的一階或二階導(dǎo)數(shù)確定極值和變化趨勢(shì)，確定邊緣包括：
61.采用sobel檢測(cè)算子，對(duì)在二值化分割后的圖像中使用3
×
3的卷積核，進(jìn)行卷積運(yùn)算，完成水平方向和垂直方向的偏導(dǎo)數(shù)的計(jì)算，根據(jù)一階偏導(dǎo)數(shù)在邊緣點(diǎn)處可以達(dá)到極值的原理對(duì)圖像中所含的缺陷邊緣進(jìn)行檢測(cè)，獲取缺陷邊緣。
62.本發(fā)明實(shí)施例利用大津法分割獲得的二值化圖像邊緣灰度變化明顯，可采用sobel檢測(cè)算子對(duì)圖像的邊緣進(jìn)行檢測(cè)，在二值化分割后的圖像中使用3
×
3的卷積核對(duì)圖像進(jìn)行卷積運(yùn)算，完成水平方向和垂直方向的偏導(dǎo)數(shù)的計(jì)算，根據(jù)一階偏導(dǎo)數(shù)在邊緣點(diǎn)處可以達(dá)到極值的原理對(duì)圖像中所含的缺陷邊緣進(jìn)行檢測(cè)sobel算子在邊緣特征計(jì)算過(guò)程中能夠有效的抑制噪聲，在平滑噪聲方面具有良好的能力。
63.可選的，所述s5識(shí)別分類(lèi)包括：
64.s501采用卷積神經(jīng)網(wǎng)絡(luò)，利用卷積神經(jīng)網(wǎng)絡(luò)中的全連接層對(duì)圖像中的特征進(jìn)行提??；
65.s502采用softmax分類(lèi)器對(duì)特征進(jìn)行識(shí)別，獲得圖像缺陷。
66.在缺陷識(shí)別過(guò)程中，采用人工方式設(shè)計(jì)出有效缺陷特征組合進(jìn)而使用模式識(shí)別方法進(jìn)行缺陷識(shí)別的過(guò)程出現(xiàn)了瓶頸，在泛化能力及識(shí)別準(zhǔn)確率方面很難達(dá)到更高的要求。為解決焊縫缺陷的識(shí)別問(wèn)題，本發(fā)明實(shí)施例采用深度學(xué)習(xí)，利用labview中開(kāi)發(fā)tensorflow深度學(xué)習(xí)程序，主要有兩步：第一步，使用tensorflow訓(xùn)練深度學(xué)習(xí)模型單元；此過(guò)程中，ni視覺(jué)開(kāi)發(fā)模塊并沒(méi)有對(duì)應(yīng)的軟件工具，訓(xùn)練tensorflow模型并導(dǎo)出模型導(dǎo)入器需要的*.pb文件；第二步：將深度學(xué)習(xí)模型部署至ni硬件。
67.如圖2所示，所述模型單元的獲取流程如下：
68.s601模型預(yù)訓(xùn)練：獲取相關(guān)領(lǐng)域的挑戰(zhàn)性圖像，作為源域數(shù)據(jù)集，通過(guò)對(duì)源域數(shù)據(jù)集進(jìn)行模型預(yù)訓(xùn)練，獲得預(yù)訓(xùn)練模型；
69.其中，所述源域數(shù)據(jù)集中相關(guān)領(lǐng)域的挑戰(zhàn)性圖像包括缺陷開(kāi)關(guān)圖像及缺陷的具體信息。
70.例如image net上訓(xùn)練的圖像分類(lèi)識(shí)別模型，該數(shù)據(jù)集含有足夠的圖像數(shù)據(jù)資源，使vgg16模型通過(guò)源域數(shù)據(jù)集的訓(xùn)練得到各層權(quán)重參數(shù)。
71.s602模型遷移：在預(yù)訓(xùn)練模型上保留其卷積層和池化層的參數(shù)作為凍結(jié)層，改變預(yù)訓(xùn)練模型的全連接層和輸入圖像大小，以適應(yīng)待測(cè)開(kāi)關(guān)的輸入需求和缺陷識(shí)別種類(lèi)，并進(jìn)行重新訓(xùn)練，完成分類(lèi)識(shí)別任務(wù)，獲得調(diào)節(jié)模型；
72.其中，根據(jù)待測(cè)開(kāi)關(guān)的輸入需求和缺陷類(lèi)型，對(duì)全連接層和輸入圖像進(jìn)行調(diào)節(jié)；
73.s603模型微調(diào)：對(duì)調(diào)節(jié)模型的訓(xùn)練過(guò)程進(jìn)行初始化，并采用反向傳播算法和隨機(jī)梯度下降算法對(duì)模型進(jìn)行微調(diào)，校正參數(shù)，直至完成訓(xùn)練任務(wù)或達(dá)到訓(xùn)練結(jié)束條件，得到泛化能力優(yōu)秀的模型，作為模型單元。
74.其中，以待測(cè)開(kāi)關(guān)的缺陷圖像進(jìn)行反向傳播算法，將缺陷結(jié)果做為訓(xùn)練結(jié)束條件，實(shí)現(xiàn)對(duì)模型的微調(diào)，在模型可根據(jù)待測(cè)開(kāi)關(guān)的缺陷圖像準(zhǔn)確識(shí)別缺陷后，確認(rèn)達(dá)到訓(xùn)練結(jié)束條件，獲得模型單元。
75.本發(fā)明實(shí)施例的模型微調(diào)過(guò)程使模型可適應(yīng)待測(cè)開(kāi)關(guān)的特點(diǎn)，形成針對(duì)待測(cè)開(kāi)關(guān)缺陷適應(yīng)的模型單元，方便使用者根據(jù)測(cè)試需要對(duì)模型單元進(jìn)行有效調(diào)節(jié)。同時(shí)，本發(fā)明實(shí)施例采用改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)以降低圖像的局部信息冗余和訓(xùn)練耗時(shí)，提高模型的識(shí)別率。為解決訓(xùn)練數(shù)據(jù)的標(biāo)注和訓(xùn)練時(shí)間問(wèn)題，采用遷移學(xué)習(xí)，將源域上訓(xùn)練好的模型通過(guò)簡(jiǎn)單的調(diào)節(jié)及超參數(shù)調(diào)整使其能夠適用于目標(biāo)域的圖像識(shí)別問(wèn)題。
76.最后應(yīng)當(dāng)說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非對(duì)其限制，盡管參照上述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，技術(shù)人員閱讀本技術(shù)說(shuō)明書(shū)后依然可以對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行修改或者等同替換，但這些修改或變更均未脫離本發(fā)明申請(qǐng)待批權(quán)利要求保護(hù)范圍之內(nèi)。