深度学习技术在机械工程测试技术教学中的应用

一 机械工程测试技术课程简介

机械工程测试技术是面向机械类专业本科生或研究生开设的一门技术基础课程，在本科生和研究生的教学工作中，测试技术课程被作为培养学生科学研究和试验研究能力的理论基础和必要的技能训练。根据大纲的要求，重点研究机械工程中常见的动态物理量的电测法，以介绍检测技术原理为主，结合机械工程中常见的振动、位移、速度、加速度、应力应变等参量的测试原理和方法，以及与各参量测试相关的基础理论知识、传感器变换原理等内容进行阐述。通过本课程的学习，旨在使读者初步掌握机械工程中常见物理量的测试原理和方法，并具备一定的独立实验能力。

目前机械测试工程技术课程教学所面临的问题是，教材中所涉及的技术相对社会潮流滞后，且教材中所涉及的相关技术也较为传统，新技术引入不够，进而影响学生对该课程的学习兴趣和热情，因此，迫切教师引入新的测试技术激发学生的热情，培养学生的学习兴趣，进而挖掘学生的创新潜能。

二 深度学习技术在机械工程测试技术课程教学中的应用实例

深度学习（Deep Learning）是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标，即人工智能[1]。随着大数据时代的到来以及图形处理器（Graphics Processing Unit，GPU）硬件技术的大力发展，使得利用深度学习技术来代替传统机器学习算法成为可能，通常被广泛应用于图像识别以及语音识别领域。将深度学习技术引入机械工程测试技术课程教学中，可以拓展学科与前沿技术的接轨，使所教的课程更加适应社会需求。本文通过对行驶列车轨道的目标检测的实例探索深度学习技术在机械工程测试技术教学课程中的应用，提高学生对这门课程的学习兴趣和热情。

（一）列车前方轨道目标检测的应用背景

列车事故多发生于交叉路口，列车前方突然出现横穿行人与其他交通参与者[2-5]，但是，当列车速度低于45公里/时，许多事故发生在列车调车作业时。在这种模式下，列车乘务员使用传统的人眼观察方法监测前方的铁路状况，并将观察结果进行有误危险的主观判断，同时将此信息反馈驾驶员以避免危险。主观误判与疲劳因素大大降低列车分流模式下的安全性，危及人身和财产安全[6-9]。文中以列车调车作业时的障碍物检测为实例，重点研究深度学习技术在工业检测中的应用。

本文分析了列车分流模式下的场景特点，设计了一种新的物体检测框架，特征融合神经网络（Feature Fusion detection neural network，FFDet）， 实 现 了 列车前方障碍物的自动检测。借鉴经典的两阶段检测法（Faster-rcnn[10]）来提高检测的准确性，同时改变Faster-rcnn在单一特征图上进行检测的弊端，使用特征融合机制来构建更强大更鲁棒的特征信息。 FFDet采用细化模块粗略确定探测锚点的位置和大小；检测模块精确回归对象位置并预测候选区域类标签，两步检测获得更准确的检测结果。

（二）检测模型原理及试验效果展示

为解决实际的列车前方障碍物检测问题，着眼于检测的有效性与检测所需的时间两个问题，基于深度卷积神经网络，提出了FFDet，网络由细化模块与检测模块两部分组成，检测模块与细化模块共享卷积层生成的特征图。其中，细化模块以VGG16网络为基础网络，去除最后的全链接层，增加额外的两个卷积层，提供候选目标区域的初始位置，过滤掉大多数的无用候选框，大大减少后续检测的搜索空间，为检测模块提供良好的初值；检测模块包含特征融合模块，特征图与预测层相连，生成候选区域属于类别的置信概率，同时二次回归目标物体的位置。

与Faster-RCNN的候选区域生成网络（Region Proposal Generation,RPN）相似，引入细化模块，在密集候选框中初步筛选正样本，粗略确定候选框的初步位置，估计每个候选框的有无目标的置信的概率。在此过程中，求得两个有无目标的置信分数和四个分别对应于先前锚点框的位置偏移变化量。精细模块为后续检测模块提供了对象的分类和位置，如图1所示。针对正负样本不平衡问题，本文设计了如下规则来过滤大多数无用的负样本：即只有置信分数小于0.99的负样本和所有正样本被传递到后续检测模块，其中，阈值0.99根据经验获得。与Faster-RCNN中的区域生成网络（RPN）不同，本文使用感知域为 8×8、16×16、32×32、64×64的特征图来生成具有不同比率的锚点框。综上，精细模块为后续检测模块提供先验的类别与位置信息，同时解决类别不平衡的问题。

上一篇：计算机软件开发的数据库测试技术探讨

下一篇：没有了