卷积神经网络总结(收集5篇)
卷积神经网络总结篇1
”问题。
我们不能因为服务难、管理难、成本高、结构低而限制农村零售户入网，不能因为地处偏远、交通不便、费用大、销量小而放松对农村零售户的管理和服务。我们应该以解决难点为目标，竭力为农村服务开“一路绿灯”，用“宁愿吃苦、不愿麻木”、“吃苦不惧苦”的精神铺设一条“农村网路”。要以“真心、真意、真情、真行”的态度走出一条新型农村市场网建之路，一定要让农民朋友到最近的地方买到最满意的烟、最放心的烟。那么如何才能把该项工作做好呢？笔者根据江西**工作实际谈几点意见。
对自然村进行全面调查摸底，合理分类。依据行政村、自然村的居住人口和村内有无卷烟零售户等因素将农村卷烟销售网络空白村进行分类。根据我们**实际情况，将空白村分为四类：第一类空白村是居住人口在300人以上，村内有卷烟零售户但是未入网的自然村。第二类空白村是居住人口在300人以上，村内没有卷烟零售户的自然村。第三类空白村是居住人口在300人以下，村内有卷烟零售户但是未入网的自然村。第四类空白村是居住人口在300人以下，村内没有卷烟零售户的自然村。
全面分析空白村类型，进行科学管理。由各辖区客户经理、稽查员分片包点对空白村进行管理，建立健全农村卷烟销售网络空白村档案。向有“零售户”的空白村宣传烟草专卖法律法规，使其了解办理零售许可证后可以享受的服务内容，增强许可证的吸引力。依据农村卷烟销售网络空白村分类区别对待，要综合分析情况，对300人以上空白村的非入网零售客户，符合办证条件的非入网零售户，要主动上门，向非入网零售户宣传烟草专卖法和加入卷烟销售网络规范经营的好处，要积极为新增零售户创造方便条件，主动提供办证入网等相关手续，为符合办证条件的零售户办理烟草专卖零售许可证，并为其提供相应的服务和适销对路卷烟，以满足市场需求。对300人以上空白村没有零售户的应该发展一至两个零售户，对于300人以下有卷烟零售户但是未入网的空白村，有条件的也应提供办证入网，对于不符合办证条件的也应纳入管理，加强网外客户的监管。对于300人以下，又没有卷烟零售户的自然村，当然我们也不能忽视，可以定期走访，创造条件适时也可以发展零售户。
卷积神经网络总结篇2
2023年，在省局党组的坚强领导下，在处室领导的正确带领下，紧紧围绕省局党组高质量发展战略目标，按照省局专卖管理工作部署和专卖处的工作安排，我认真履行职责，严以律己，立足本职，努力工作，积极协助处室领导开展打假打私等各项工作，在同志们的大力支持和配合下，圆满完成全省打掉符合国家局标准的网络案件工作任务。成绩的取得离不开省局党组正确的方向指引，离不开处室领导的正确决策，更离不开大家的关心和支持。现就2023年所做的主要工作总结及下年度计划汇报如下：
一、加强理论学习、不断提升工作能力
为了适应新形势、新任务下不断发展的专卖管理工作的需要，进一步提高驾驭工作的能力和水平，我始终把学习放在重要位置，努力提高自身综合素质，拓宽思路，提高修养，完善自我。不断加强政治理论学习，积极参加省局机关、支部、党小组的学习，认真学习领会党的及二中、三中、四中、五中全会精神和新时代中国特色社会主义思想，学习党章、增强党性、坚定信念，不断提高政治理论水平，始终在政治上和党中央保持高度一致。学习国家局、省局领导领导重要讲话，力求准确吃透精神，明确工作要求，把握工作方向和重点，坚决落实执行省局党组的工作要求，自觉加强专业业务知识学习，认真学习相关法律、法规和党的路线、方针、政策。通过学习不断完善知识结构，提高理论层次，提高自己的专业水平和驾驭专卖工作、服务指导基层工作的能力。
二、尽职尽责工作，推动卷烟打假打私工作深入开展
（一）加强对卷烟打网络工作的监督指导。为了保证实现省局提出的卷烟打假打私打网络工作目标任务。在处长的正确带领下，加强对全省卷烟打假打网络工作的督促指导，有力地推动了全省卷烟打假打私打网络工作的扎实开展，取得了明显成效。一是对涉烟网络案做到及时了解，掌握案件情况、做到心中有数，高度关注各市局的网络案件查办情况，通过报表和深入实地等形式多种渠道及时掌握全省情况，加强案件督查，指导案件查办。我亲自带领打网办人员赴打假打私一线对基层查办的案件进行督办，推动打网络工作扎实开展。二是协调公安、烟草联合开展全省卷烟打假打私专项行动，对各市局办案中遇到的难题，积极协调解决，特别是对重点案件，紧抓不放，一督到底。三是积极协调省法院、省检察院、省公厅、省交通厅、省邮管局、太原海关等相关部门建立完善打假打私协作机制，使得机制建设进一步闭环提升。
（二）加强对卷烟打假工作的总结研究。参与了对全省案件查处情况的收集、统计、汇总和分析上报工作，与打网办同志一起对各市局上报的报表进行认真审核，核对分析，按时汇总上报，确保给领导决策提供准确、真实、无误的数据支撑。通过认真分析，研究全省卷烟打假打私情况，把握我省卷烟打假工作的特点和规律，及时发现打假工作中存在的问题和不足，提出解决问题的办法和措施，有效推动了卷烟打假工作深入开展。
（三）其他工作完成情况。参与了全省专卖工作会议，参与修订《烟草专卖局专卖经费管理办法》，针对我省举报费偏低、办案人员费用不足等基层反映强烈的难点问题进行了深入细致的研究论证，加大了奖励激励力度，为打假打私提供了必要的经费保障。
卷积神经网络总结篇3
一、主要经济指标完成情况（1～6月份）
1.系统外销售××*箱，为全年任务的××％
2.金圣系列销售××*箱，为全年任务的××％
3.百牌号销售××*箱，为全年任务的××％；
4.名优烟销售××*箱，为全年任务的××％；
5.省外烟销售××*箱，为全年任务的××％。
二、主要抓了以下工作
㈠统一思想认识，明确工作目标
按照国家局要求，积极组织县（市）局领导班、客户经理代表及网建、业务、配送、电访等部门同志，参加了2月2日上午国家局召开的继续推进全国卷烟销售网络建设电视电话会议，会议的主要内容是认真贯彻落实全国烟草工作会议精神，按照保持平稳发展的工作，部署落实2005年的卷烟销售和网络建设工作，国家局何泽华副局长、中国卷烟销售公司总经理田忠振都作了重要讲话。田忠振在讲话中对2005年卷烟销售工作需要抓好的几项重要工作，即提高认识，把卷烟销量摆在各项工作的头等位置，继续推进卷烟销售网络建设，提高网建水平，加快传统商业向现代流转变等几项具体工作及何泽华副局长强调的首先要坚持平稳发展的方针，正确分析当前形势，努力保持卷烟销量稳定增长。其次要按照整体推进的要求，加快网络建设的步伐。第三，要根据国际一流的目标，全面提升网建水平（抓住服务和效率两个关键，努力做到三个满意，提升四种能力）。第四，要围绕提升中国烟草总体竞争实力的主要任务，积极构建新型工商关系，工商合力保证销售任务的完成。第五，要不断提高市公司的经营水平。对2005年网建工作提出了更高标准的要求，内容丰富详实，特别是参加会议收看人员之广是历年来所没有的，对会议精神在全体员工作了
进一步的传达和贯彻，按照国家局、省局网络建设要求，结合本地实际、制定了《景德镇市烟草专卖局（分公司）卷烟销售网络建设整体推进、全面提升实施方案》，并提出了具体目标和要求。经过一年的努力，按照省局要求到2005年底景德镇烟草网建达到或基本达到上海、大连水平。原创：围绕一个目标建设好现代物流配送中心。调整好“二个观念”（即服务与效率），落实好“三个满意”（即工业企业满意、客户满意、消费者满意），着力提高“四种能力”（即培育资源整合能力、客户服务能力、科学管理能力、品牌培育能力）。通过“流程优化，实现管理集中；机构扁平化，实现职能集中；财务电算化，实现核算集中；管理信息化、实现数据集中”的要求，全面提升网建水平。具体要求为：1.按照规划要求，脚踏实地，认认真真地抓好网络建设的各项基础工作。2.进一步抓好规范经营。3.加大市场的整治和净化，努力营造一个良好的销售环境。4.建立城信服务，提升客户关系管理，构建新型工商合作伙伴关系，努力提高“三个满意”。5.做好客户“订单供货”月销售计划工作，根据市场需求，进行品牌结构调整，尽可能满足订单货源的需求，促进卷烟销售正常提高，保证全年销量稳定增长。6.进一步加强队伍建设和作风建设，提高员工素质，为
做好营销网络提供保障。
㈡完善网络功能，提高网建水平。
1.
完善网络功能，实行全市大配送。我局（分公司）按照省局要求，克服条件差没有场地困难，租赁场地创造条件，实行了“电话订货”和“卷烟配送”两个集中，电话订货面达100％，订货成功率98％以上，卷烟统一由分公司打码到户，集中送货面达100％。两个集中真正体现了以分公司为经营主体基本格局，同时也有利于县级局（营销中心）的职能转变，使县级局（营销中心）能够集中精力管好市场，做好市场。
2.
ǎ?呕?俗试磁渲茫?钤玖肆闶凼谐
㈢诚信经营，实现“三个满意”
1.认真做好明码标价工作，规范价格行为，今年4月12日，在公司金叶大酒店召开了40位各级别经营户代表座谈会，共同商定卷烟条、包不同的零售价格，市工商、公平交易局也派员参加，与会代表逐一对所投放的品牌达成了统一共识，并在4月15日全市逐一经营户换发新印制的统一条、包零售价格标签，进一步提高了市场零售价格规范行为，特别是条、包不同价位，比较符合市场零售及消费者购物心理和实际状况。
2.为进一步提高客户满意度，改善卷烟零售户销售环境，我司制定了近260个美观、大方、实用的卷烟专用零售柜台，免费租赁给一级户，城市、主要街道给逐一签订了协议书，交到了经营户的一流好评，许多经营户都表示要规范经营，扩大零售，也争取得到卷烟柜台。
3.6月份市局（分公司）与价格检查局联合下发了开展卷烟零售经营价格诚信评比活动的实施办法，拟在全市评选出一批价格诚信经营户，这无疑给我市的明码标价，特别是明码实价工作带来新的成效。通过开展价格诚信活动，进一步强化经营者自律意识，规范经营者的价格行为，促进我市烟草零售市场公平、公正的合法竞争，有利于建立健全符合市场经济体制要求的社会经济体制要求的社会经济制度。
4.严格实行限量供货。我们始终坚持按销售级别对月、日供量及单品牌限量要求进行供货，对80元／条以上的省产名优烟适当增量外，其它均按去年所定限量要求，较好地控制了批发性的大户货源，使中小客户不断壮大，稳定了市场零售价，同时在4.5月份对三、四级根据其销售情况，进行了级别调整。目前，全市一、二、三级客户达2382户，比去年年初的2009户增加373户，中小户的壮大增加了零售户对烟草公司的依存度。
5.密切工商协作，搞好网络销售。一是在营销过程中牢固树立服务意识、品牌意识，通过实施“订单供货”月计划作，使我们及时有效的掌握了市场卷烟销售结构的变化、品牌需求的变化，促进了市场占有率的进一步提高。通过对主导品牌上柜要求，有力地促进了名优、百牌号卷烟销售和对新品牌的认识和选择，有力的促进了品牌的培育和宣传。二是进一步调整销售结构，进行市场货源优化，加大品牌培育和宣传，积极引导消费，加大对市场调研和发展新品牌主动性，争取新上市的品牌销售都能获得市场占有率成功。
6.积极组织调入适销对路货源，满足市场需求。原创：一是按照定单供货要求，组织调入适销对路，批零差价合理的卷烟。二是想办法多调入四、五类烟，以满足农村市场需求。三是在正常调入省产烟情况下，争取多调入一些市场具有一定潜能，有一定品牌培育价值的省外烟、名优烟及百牌号卷烟，以满足市场正常流通。由于调入卷烟基本符合市场需求要求，而且又具有一定的利润空间，品牌结构较为合理，深受广大经营户的欢迎，而且市场的乱渠道进货，卖假冒烟的情况得到了进一步遏制。
7.加强专销结合，狠抓规范经营。我局（公司）把规范经营作为事关行业稳定健康发展的大事抓紧做好，坚持规范、严谨踏实的工作作风，坚决贯彻执行烟草专卖法及其法律、法规，落实国家局、省局杜绝体外循环的有关规定，认真扎实地做好本地市场的培育和销售。一是狠抓制度建设，相继出台和完善了许多规范性文件，使大家工作职责更明确、措施更得力、管理更到位。二是抓制度的落实和考评，更加注重过程管理，对查出的问题坚决按规范要求，严肃处理。上半年内部查处不规范行为2起，中队长被免职1人、辞退员工1人，有关人员共有15人被处以经济处罚。通过狠抓规范经营，杜绝了体外循环，制止了卖大户，刹住了超量供货等现象。
8.制定了客户投诉管理办法。为进一步提升网建水平，提高客户满意度，规范工作行为，加大社会的有效监督，建立快捷有效的客户投诉渠道和投诉受理管理机制。县（市）局（营销中心）、分公司网建科都设立了客户投诉电话，并有专人负责受理客户投诉。对烟草公司的政策、规定及对“四员”的工作情况、服务态度及建议和要求都在受理范围之内。
㈣加强队伍建设，提高员工素质
随着网建的整体推进，全面提升的要求，对网建人员整体素质也提出了更高的要求，网络人员怎样适应工作职能工作流程，工作方法的变化，都需要我们认真思考和探索的问题。因此我们要引进激励机制、新的营销理念、新的工作思维、强化技能培训和组织学习、自学相结合方式，同时把人才关，以提高网建人员的业务技能和知识水平，努力塑造一支高素质的网络队伍。上半年以来，我们主要从以下几个方面着手：
1.树立“营销网络”是企业不断发展和立足之本的理念，进一步增强员工的责任感和使命感。
2.关心员工遇到的问题和困难，加强情感交流，增强企业凝聚力和向心力。
3.加强员工的培训，提高其综合素质，上半年我市共举办各类培训班共4期，培训人数共260余人。
4.充分利用网点日、周例会进行政治、业务、报刊等方面学习和讨论。
5.认真做好2005版营销管理系统的切换工作。
按照省局布置，我市按照把新的营销管理系统的上线工作纳入重要议事日程，由于前期准备工作充分，培训工作到位，部门间配合，4月底切换成功，并且利用五一节日期间，休息时间，对电访、配送、业务等上线情况跟踪和逐项问题的进一步解决营销软件运行基本正常，同时对一号工程工作极为重视，信息中心指派一人自5月份中旬以来经常仓库指导仓储人员对购进品牌进行打码，对出现的问题进行总结和汇报，按照省局要求，确保7月实现卷烟生产经营决策管理系统全面稳定进行。
三、网建工作存在的差距与不足
上半年，景市网建工作在省局（公司）正确领导下取得了一定的进步，得到一定提升，但仍存在许多不足。
1.与上海、大连网建水平相比，我市网建基础工作还有差距，网络的功能还没有得到最大发挥。
2.队伍的整体素质还不高，特别是客户经理的水平还不能完全适应现代流通要求。
3.省外卷烟调销进度缓慢，市场占有份额较少，特别是四、五类卷烟矛盾相对突出。
4.城区电子结算率不高。
5.管理体制和考核机制还不够健全。
四、下半年的工作打算
㈠、完成以分公司为经营主体的网络组织机构
1.按照省局（公司）统一规划要求，进行组织架构调整到位，成立营销中心、物流中心、督察中心、信息中心，按照业务流程再造，按照程序化、规范化要求，整合流程，使业务流程更加科学、规范、合理。
2.根据流程需求，进一步整合线路和人员，使线路更优化，用工更合理，降低运行成本，提高工作效率。
㈡、加强管理，真抓实干
管理是永恒的主题，只有加强制度管理工作的前提，才能真抓实干，下大力气抓好制度建设，完善管理机制，对网建的每项工作都要落到实处，不断提升网建水平，正视工作中的困难和不足，找到解决问题的办法，抓好典型推广，要按照分公司的部署达到上海、福建管理模式，紧扣景德镇烟草实际，不断探索、勇于创新、精心策划、狠抓落实，要自我加压、自逼快上，同时，要充分发挥县（市）局（营销中心）的骨干作用，把主要精力集中到网建工作上来。
㈢、狠抓规范经营，努力提高市场占有率
首先要从思想上彻底解决规范经营问题，要引导营销人员不能把不规范经营看作是完成任务的有效途径。二是要从考核体制上彻底解决不规范经营行为。三是彻底解决虚假入网的不规范经营行为。四是通过分级限量，彻底解决批发大户再次批发的行为。五是通过“两个专项整顿”全面、彻底解决不规范经营的各种行为。
㈣、
在营销中牢固树立服务意识，注重工作过程和实数。⑴坚持以市场为导向，积极组织改进适销对路的货源，特别是加大省外名优、百牌号烟的销售，满足不同消费群体需求。⑵进一步调整卷烟销售结构，进行市场货源优化，加大品牌的宣传和推介力度，培育好品牌。⑶要通过客户经理的工作，在实施“订单供货”月计划工作中，解释引导工作要到位，增强零售户对他公司的依存度和满意度，要不断完善“订单供货”月计划工作流程和考核办法，使之更贴近市场、贴近经营户，使我们有效地掌握掌声卷烟销售结构的变化，以最大可能地组调货源给予满足。原创：⑷继续抓好主导品牌上柜工作，促进名优、百牌号卷烟销售以及消费者对新品牌的认知和选择，促进品牌的培育和宣传。
㈤、
创新工作思维，不断推进客户关系管理，提高服务质量和管理水平，提高工作效率，以客户满意作为我们服务的追求，对客户实行差异化、亲情化服务和沟通能力，要熟练运用crm，提高市场分析、预测能力，认真做好各项具体工作，注重工作实效，全面掌握经营户基础信息情况，特别是抓好电子结算，明码实价，诚信管理等工作，不断提高月计划制定准确率，促进客户经营能力、经营利润的提高、品牌规范意识增强。
卷积神经网络总结篇4
【关键词】视频行为识别检测
近年来，各种视频监控越来越深入我们的生活中。因其实时性、直观性以及设备成本日益降低在各行各业中而倍受青睐。但视频监控系统还是依靠人工来控制，没有进入数字化的全天实时监测、智能分析图像数据。要实现完全数字化的监控的关键在于人体行为的智能识别。
早些时候有人提出并且应用了智能图像识别的卷积神经网络，它是在原始的输入中应用可训练的滤波器和局部邻域池化操作，来得到一个分级的且逐渐复杂的特征表示。实践表示，采用合适的规则化项来训练，它可以达到非常好的效果。比较好的地方是对姿势、光照和复杂背景存在不变性，单只受限在2D输入的舞台。本文文章提出了一个新的3D卷积神经网络模型，用于运动识别。该模型可以从空间和时间的维度提取特征，然后进行3D卷积，以捕捉从多个连续帧得到的运动信息。为了有效的综合运动信息，文中通过在卷积神经网络的卷积层进行3D卷积，以捕捉空间上、时间上的维度，让其都具有区分性的特征。
3D卷积是通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用3D卷积核。在其中，卷积层中每一个特征map都会与上一层中多个邻近的连续帧相连，以捕捉运动信息。一个卷积map的某一位置的值是通过卷积上一层的三个连续的帧的同一个位置的局部感受得到的。要强调的是：3D卷积核只能从cube中提取一种类型的特征，因为在整个cube中卷积核的权值都是一样的，也就是共享权值，都是同一个卷积核。可以采用多种卷积核，以提取多种特征。有一个整理的设计规则就是：在后面的层（离输出层近的）特征map的个数应该增加，这样就可以从低级的特征maps组合产生更多类型的特征。本文中的3D卷积神经网络架构包含一个硬连线hardwired层、3个卷积层、2个下采样层和一个全连接层。每个3D卷积核卷积的立方体是连续7帧，每帧patch大小是60x40。
在第一层，应用了一个固定的hardwired的核去对原始的帧进行处理，产生多个通道的信息，然后对多个通道分别处理。最后再将所有通道的信息组合起来得到最终的特征描述。这个实线层实际上是编码对特征的先验知识，这比随机初始化性能要好。
每帧提取五个通道的信息，分别是：灰度、x和y方向的梯度，x和y方向的光流。其中，前面三个都可以每帧都计算。然后水平和垂直方向的光流场需要两个连续帧才确定。所以是7x3+（7-1）x2=33个特征maps。然后用一个7x7x3的3D卷积核（7x7在空间，3是时间维）在五个通道的每一个通道分别进行卷积。为了增加特征map的个数（实际上就是提取不同的特征），在每一个位置都采用两个不同的卷积核，这样在C2层的两个特征maps组中，每组都包含23个特征maps。23是（7-3+1）x3+（6-3+1）x2前面那个是：七个连续帧，其灰度、x和y方向的梯度这三个通道都分别有7帧，然后水平和垂直方向的光流场都只有6帧。54x34是（60-7+1）x（40-7+1）。
在紧接着的下采样层S3层maxpooling，在C2层的特征maps中用2x2窗口进行下采样，这样就会得到相同数目但是空间分辨率降低的特征maps。下采样后，就是27x17=（52/2）*（34/2）。C4是在5个通道中分别采用7x6x3的3D卷积核。为了增加特征maps个数，在每个位置都采用3个不同的卷积核，这样就可以得到6组不同的特征maps，每组有13个特征maps。13是（（7-3+1）-3+1）x3+（（6-3+1）-3+1）x2前面那个是：七个连续帧，其灰度、x和y方向的梯度这三个通道都分别有7帧，然后水平和垂直方向的光流场都只有6帧。21x12是（27-7+1）x（17-6+1）。
S5层用的是3x3的下采样窗口，所以得到7x4.到这个阶段，时间维上帧的个数已经很小了。在这一层，只在空间维度上面卷积，这时候使用的核是7x4，然后输出的特征maps就被减小到1x1的大小。而C6层就包含有128个特征map，每个特征map与S5层中所有78（13x6）个特征maps全连接，这样每个特征map就是1x1，也就是一个值了，而这个就是最终的特征向量了。
经过多层的卷积和下采样后，每连续7帧的输入图像都被转化为一个128维的特征向量，这个特征向量捕捉了输入帧的运动信息。输出层的节点数与行为的类型数目一致，而且每个节点与C6中这128个节点是全连接的。采用一个线性分类器来对这128维的特征向量进行分类，实现行为识别。模型中所有可训练的参数都是随机初始化的，然后通过在线BP算法进行训练。
3D卷积神经网络模型的输入被限制为一个少的连续视频帧，因为随着输入窗口大小的增加，模型需要训练的参数也会增加。当然有些人的行为是跨越很多帧的，所以在3D卷积神经网络模型中，有必要捕捉这种高层的运动信息。需要用大量的帧来计算运动特征，然后把这些运动特征作为辅助输出去规则化3D卷积神经网络模型。
对于每一个需要训练的行为，提取其长时间的行为信息，作为其高级行为特征。这个运动信息因为时间够长，所以要比卷积神经网络的输入帧的立方体包含的信息要丰富很多。然后我们就迫使卷积神经网络学习一个非常接近这个特征的特征向量。这可以通过在卷积神经网络的最后一个隐层再连接一系列的辅助输出节点，然后训练过程中，使提取的特征更好的逼近这个计算好的高层的行为运动特征向量。
试验中，在原始的灰度图像中计算稠密sift描述子，然后通过这些sift描述子和运动边缘历史图像（MEHI）组合构造bag-of-words特征作为辅助特征。因为灰度图保留了外观信息，运动边缘历史图像只关心形状和运动模式，所以可以提取这两个互补的信息作为两个连续帧的局部特征bag。先简单的计算两帧间的差分，这样就可以保留运动信息，然后对其执行一次Canny边缘检测，这样可以使得观测图像更加清楚简洁。最总的运动边缘图像就是将历史的这些图像乘以一个遗忘因子再累加起来得到。
本文中，构造不同的3D卷积神经网络模型，它可以从输入捕捉潜在的互补信息，然后在预测阶段，每个模型都针对一个输入得到对应的输出，然后再组合这些输出得到最终的结果。
作者简介：
卷积神经网络总结篇5
关键词：损伤检测；深度学习；卷积神经网络
中图分类号：TP183文献标识码：A文章编号：1009-3044（2017）04-0178-05
1概述
光学元件损伤检测技术在许多光学装置中都有重大应用，如大型光学望远镜、高功率激光驱动器等，损伤检测的结果为装置健康维护提供重要依据。
根据检测环境的不同，损伤检测系统可分为在线检测和离线检测。在离线检测中，通过成像设备可获得高质量的原始损伤图像，图像中的噪声低、类型单一，得到的损伤检测结果足够精确，但离线检测存在着检测周期长、成本高的问题。与离线检测相比，在线检测直接利用光学装置中的成像单元采集工作状态下的图像，将其作为原始损伤图像，虽然精确程度低于离线检测，但其效率高、成本低。在线检测也存在固有问题：大规模噪声和复杂背景，如图1所示，这对损伤识别造成了严重影响，该图像为激光设备中CCD采集得到的原始损伤图像，实线标记内为明显损伤，其与背景噪声存在明显差异，虚线标记内为非明显损伤，其与背景噪声融为一体。
在经典的边界检测和区域检测算法中，原始图像可经过降噪滤波、二值化、边界提取算子等处理方法，得到边界和包围区域。这种处理方法实现简单，但在实际应用中，受高噪声、复杂背景和参数设置的局限性，鲁棒性很差，处理效果不好。在损伤识别中，微小损伤往往被背景噪声环绕，大范围的滤波对噪声有一定的抑制作用，对微小损伤同样是严重的破坏。为了改善边界提取效果，很多研究者在边界提取过程中综合了梯度方向、梯度大小、灰度曲率、拉普拉斯交叉特征等参考因素来动态修正边界检测结果[1]。面对更为复杂的检测环境，甚至需要人工添加标记点来辅助边界的检测[2]，目的是为了规避全局噪声影响，在局部生成一条最优边界。在大范围噪声和复杂环境下，区域化处理是一种有效的方法。
损伤检测区域化处理的关键在于对背景噪声区域和损伤区域的识别。这个过程需要对二者进行特征提取和训练。常用的人工特征提取算法具有局限性，同一类对象表现形式的跨度越大，人工特征提取算法所得到的特征的代表性就越低。面对原始损伤图像中千变万化的背景噪声，很难设计一套将损伤和背景噪声显著区分的特征提取算法。深度学习是集特征提取和训练于一体的多层人工神经网络，按照节点间的连接关系和训练方式的不同，深度学习可分为深度信念网[3]、卷积神经网络[4]，[5]（ConvolutionNeuralNetwork，CNN）、循环神经网络[6]等。CNN由YannLeCun第一次提出并成功应用在MNIST手写数字识别任务中[5]。在众多深度学习网络结构中，CNN凭借其独特的卷积结构，对图像类型的数据有更好的特征提取和描述，在图像识别领域里具有天然优势，被广泛应用在各种复杂的实际问题中，如情感预测[7]、人体行为检测[8]、人脸匹配[9]、车辆类型识别[10]、交通信号标志识别[11]、医学影像识别[12]、自然图像层次分割[13]等。
本文以高功率激光驱动器为背景，设计了一种CNN结构，对原始损伤图像进行区域识别和局部处理，实验中的所有数据均由高功率激光驱动器中的科学CCD采集得到。本文的内容安排如下：第二节介绍多层网络结构和CNN；第三节中介绍损伤检测流程；第四节中介绍实验数据、检测效果及分析；第五节对整个在线损伤检测系统进行总结。
2多层神经网络结构与卷积神经网络
深度学习结构的基础是多层神经网络，如图2所示。多层网络结构中含有输入层、中间隐藏层、输出层。相邻的不同层之间的节点均有权值连接，这样的结构为全相连结构，每个中间点输出值为公式（1）所示。
其中ω为层与层之间的参数矩阵，每一行为隐藏层节点与上层连接参数向量，b为偏移参数向量，x为输入行向量，f为激活函数，常用的激活函数有阶跃函数、sigmoid函数、双曲正切函数等。
CNN是一种特殊结构的深度学习网络，如图3所示。在CNN中存在着卷积层（C）、减采样层（S）、全相连层（F），且卷积层和减采样层交替出现。在卷积层中，数据会经过卷积核的卷积操作、对应关系叠加、激活函数的处理，形成特征图。在减采样层中，图像数据会根据减采样算子进行减采样操作。全相连层的网络结构同多层网络结构中的相邻两层。
在图3的CNN结构中，采用了SoftMax分类器，其激活函数为：
其中，θ为分类器输出层与输入层之间的参数向量，m是训练样本总数，i表示第i个训练样本，k是分类数量，hθ是输出分类概率向量，其值在0和1之间，总和为1，训练算法是代价函数对参数的梯度下降算法。
CNN的结构具有如下的特点：
A）局部相连
CNN不同于全相连网络结构，其卷积层节点与上层节点之间是局部相连的，如图4所示。局部相连的区域被称为感受野或卷积核，这种设计很大限度的减少了训练参数的数量。在图像中，一个点与周围点的信息相关性比远离点的相关性强，CNN更关注图像的局部特征。B）参数共享
在CNN卷积层中包含多张特征图，每张特征图都是由训练参数组成的卷积核与上一层的图像进行卷积操作得到的，并且这些参数在同一对应关系中是共享的，如图5所示，实线和虚线分别代表两组不同参数所组成的卷积核，这是CNN相比全相连多层网络结构参数大幅减少的另一个原因。假如上一层每张图像的尺寸为M×M，卷积算子尺寸为N×N，则卷积层征图的尺寸为：
特征图的数量是设计者在网络结构设计时决定的，并且一张特征图可以与上一层的一张图像对应（图7所示情况），也可以与上一层多张图像相对应。但不管哪种方式，都应保证在上下两层之间，两张图像的对应参数是共享的。
C）池化、减采样
池化操作是对特征图减采样的过程，如图6所示。池化的类型有最大值池化和平均值池化，最大值池化是在池化算子区域内寻找最大值，平均值池化是在池化算子内计算平均值。特征图的池化不仅降低了节点数量，同时也很好地保留了图像的局部特征，达到了特征降维的目的。
3损伤检测流程
损伤图像处理的主要结构和流程如图7所示。主要包含：多尺度区域划分、子图像标准化、CNN识别、局部区域图像处理、损伤图像整合。接下来对每个单元的功能进行详细介绍。
输入图像单元：输入图像为像素600×600的原始损伤图像（原始损伤图像为灰度图像）；
多尺度区域划分单元：按照不同的尺度，将原始损伤图像划分为不同尺寸检测区域，目的是降低损伤区域被拆分的概率，使损伤在检测区域中保持完整。当划分的尺度标准越多时，损伤在子图像中的完整性就越好，但所需的计算量就越大。实际应用中，损伤尺寸在10-20像素之间，用35×35和50×50两种尺度对原始损伤图像进行划分，损伤在所有不同尺度的识别区域中基本可以被完整覆盖；
识别区域标准化单元：不同尺度划分下，识别区域的尺寸是不一样的。CNN的输入维度是固定的，所以要把识别区域的尺寸规范到同一标准下。实际应用中，在35×35尺度下，忽略最后5像素的长度和宽度，其余识别区域保持不变。在50×50的尺度下，利用尺度缩放算子，将所有识e区域缩放到35×35尺寸；
卷积神经网络单元：CNN完成对识别区域的分类功能，输入是标准化的识别区域，输出是对应尺度的识别结果矩阵，矩阵中0代表背景区域，1代表损伤区域。实际应用中，输入是17×17和12×12的两组标准化识别区域图像，输出是17×17和12×12的两组识别结果矩阵；
局部区域处理单元：根据识别结果矩阵对原始损伤图像进行局部处理。结果矩阵中0所对应的区域为背景噪声区域，将对应区域的子图像像素置0；结果矩阵中1所对应的区域为损伤区域，将对应区域的子图像进行中值滤波、自适应二值化处理，得到损伤区域的二值损伤图；
多尺度损伤图像整合单元：将每个尺度下的二值图按原有对应位置关系组合，得到不同尺度下的损伤图像，损伤图像个数和尺度划分个数相等。在实际应用中，将得到35×35和50×50两种尺度所对应的两幅二值损伤图像，损伤图像的尺寸与原始损伤图像的尺寸相同；
整合、输出单元：对所有尺度下的损伤图像进行“或”操作，整合成为最终输出的损伤图像。
4数据和实验
4.1数据制作
数据集是对分类器中的参数进行训练依据，数据集的好坏直接关系到识别效果。目前，在损伤检测领域里，尚未存在一个标准化的数据集，且本文中损伤检测的应用背景是高功率激光设备，训练所需的数据集也应该由该设备采集的原始图像制作而成。
为了制作更加标准的数据集，本文中调研了其他领域里的标准数据集，如MNIST[5]（手写数字数据集）、NISTSD19[14]（手写字符数据集）、GTSRB[15]（德国交通标志数据集）、CIFAR10[16]（彩色自然图像数据集）。这些数据集有如下特点：1、数据量巨大，每类图像的样本数量均超过5000个；2、数据集中设置了训练样本集、测试样本集来进行参数训练和模型测试，个别数据集中还设置了有效样本集，其作用是在训练过程中通过在有效集上的测试，调整训练进度，在必要的时候提前中止训练，防止训练向差的方向发展。由于有效样本集参与了训练过程，所以不再适合用作测试样本集。
结合以上特点，本文所制作的数据集中包含损伤区域和背景噪声区域两类图像，识别区域尺寸设定为35×35像素。在实际应用中，共选定135个损伤区域，且均为明显损伤区域。由于损伤区域的位置会随机出现在识别区域内，所以在对损伤区域采样时，将每个损伤区域分别置于识别区域九宫格中的9个位置，对每个损伤区域进行9次不同位置的采样，共得到1215个损伤样本。对背景噪声的采样应用图像切割的方式，将600×600的所有原始损伤图像按35×35的尺寸进行分割，去除所有包含损伤区域的、不规则的样本，剩下的样本均作为背景噪声样本，共1364个。
MaxPooling＼&维度变换＼&全相连＼&SoftMax＼&]
受到原始数据数量的限制，得到的实际样本数量较少，为了扩充数据集的样本数量，获得更好的识别效果，在原有样本的基础上，对其进行处理与扩展，生成大量的伪数据，如图8所示，前两行为损伤区域样本，后两行为背景噪声样本。处理过程包括对原始样本的以下操作：旋转（3次顺时针旋转）、镜面（水平和竖直翻转）、对比度调整（增减10%）、亮度调整（增减10%）。最终得到的数据集中共有12150个损伤数据样本和13640个背景噪声样本，并从中各抽取2000样本组成测试样本集和有效样本集，其余组成训练样本集。在各个样本集中，损伤样本和背景噪声样本是随机出现的
4.2CNN训练实验
在测试CNN在光学元件损伤检测中的表现效果时，设计了两个实验。
实验1：设计了如表1所示的CNN结构，其中F1与S2之间仅是维度的变换，由S2中50个尺寸为5×5的特征图变换成F1中节点数为1250的特征向量，卷积层所用的激活函数为双曲正切函数，全相连层所用的激活函数为sigmoid函数。用4.1中所制作的数据集进行训练和预测，在每次训练迭代完成时，用测试集对当前模型进行预测，记录错误率。
在CNN训练过程中采用批次训练的方式，每个批次含有500个样本，训练样本集分为24个批次，这样的训练方式是整体训练和逐一训练的折中，相比逐一训练，能保证训练的结果是趋于全局的，相比整体训练，能缩短训练时间。在CNN训练过程中，每次迭代需要训练24个批次，当所有训练样本训练完毕后，一次迭代完成，并用测试集进行测试。得到的结果如图9所示，经过50次迭代，错误率最终稳定在2.75%。
实验2：将实验1中训练好的CNN模型加入到损伤检测系统中，以图1所示的原始损伤图像作为输入，得到最终的损伤图像，得到的损伤检测结果如图10所示。
从损伤图像中可看出，图1中所有明显损伤均已正确识别并二值化处理。在四个非明显损伤中，仅1号损伤体现在了最后的损伤图像中，其余三个并未体现。查询所有尺度下的识别结果矩阵可得到如下信息：
1）四个非明显损伤中，1、2、3号所在区域均被正确识别为损伤区域，仅4号未被识别。2、3号之所以未在损伤图像中体现，是因为在损伤区域局部图像处理过程中，由于灰度变化不明显，自适应二值化算法并不能将损伤和背景噪声二值化区分，所以未被体现；
2）在所有背景噪声区域，有3个区域被误判为损伤区域，但并未对损伤图像造成视觉上的影响，其原因同1中所述。
5结束语
在本文和相关的工作中，设计了一种区域识别、局部处理的损伤检测处理方式，并在光学元件损伤检测中成功规避了大规模噪声，有较好的识别效果。在数据集制作过程中，利用图像变换获取大量伪数据，扩充了数据集；设计了多尺度区域划分，使损伤尽可能的包含在识别区域内；在区域识别结构中以CNN作为分类器，设计CNN结构和训练方式；依据分类结果完成多尺度下的损伤图像和整体损伤图像。在损伤检测系统在现有数据中达到了预期的效果。
但在个别环节中仍存在不足：1、CNN分类器对非明显损伤的识别效果还有提升的空间，目前所用的训练集中的损伤样本主要是明显损伤样本，非明显损伤样本数量较少，原因是非明显损伤经过对比度和亮度变换，损伤信息会遭到极大的破坏，使其拓展样本成为脏数据。2、在局部处理中应用的自适应二值化算法仍具有参数局限性，不能满足所有情况。
在今后的研究工作中，会对CNN的结构、多任务的深度学习网络进行研究，并在实际中应用，提升分类单元对噪声的鲁棒性和非明显损伤的识别效果。
参考文献：
[1]BarrettWA，MortensenEN.Interactivelive-wireboundaryextraction[J].MedicalImageAnalysis，1997，1（4）：331-341.
[2]F?rberM，EhrhardtJ，HandelsH.Live-wire-basedsegmentationusingsimilaritiesbetweencorrespondingimagestructures.[J].ComputerizedMedicalImaging&GraphicstheOfficialJournaloftheComputerizedMedicalImagingSociety，2007，31（7）：549-60.
[3]HintonGE，SalakhutdinovRR.Reducingthedimensionalityofdatawithneuralnetworks.[J].Science，2006，313（5786）：504-507.
[4]LecunY，KavukcuogluK，FarabetC.C.：Convolutionalnetworksandapplicationsinvision[C]//CircuitsandSystems（ISCAS），Proceedingsof2010IEEEInternationalSymposiumon.IEEE，2010：253-256.
[5]LécunY，BottouL，BengioY，etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE，1998，86（11）：2278-2324.
[6]HochreiterS，SchmidhuberJ.Longshort-termmemory.[J].NeuralComputation，1997，9（8）：1735-1780.
[7]BaveyeY，DellandreaE，ChamaretC，etal.Deeplearningvs.kernelmethods：Performanceforemotionpredictioninvideos[C]//ACII.2015：77-83.
[8]RajeswarMS，SankarAR，BalasubramaniamVN，etal.ScalingUptheTrainingofDeepCNNsforHumanActionRecognition[C]//ParallelandDistributedProcessingSymposiumWorkshop.IEEE，2015.
[9]Khalil-HaniM，SungLS.AConvolutionalNeuralNetworkApproachforFaceVerification[C]//InternationalConferenceonHighPERFORMANCEComputing&Simulation.2014：707-714.
[10]DongZ，PeiM，HeY，etal.VehicleTypeClassificationUsingUnsupervisedConvolutionalNeuralNetwork[J].IEEETransactionsonIntelligentTransportationSystems，2014，16（4）：1-10.
[11]LauMM，LimKH，GopalaiAA.Malaysiatrafficsignrecognitionwithconvolutionalneuralnetwork[J].IEEEInternationalConferenceonDigitalSignalProcessing（DSP）2015：1006-1010.
[12]HatipogluN，BilginG.Classificationofhistopathologicalimagesusingconvolutionalneuralnetwork[J].InternationalConferenceonImageProcessingTheory，ToolsandApplications（IPTA）2014：1-6.
[13]JunW，ChaolliangZ，ShirongL，etal.Outdoorscenelabelingusingdeepconvolutionalneuralnetworks[C]//ControlConference.IEEE，2015.
[14]GrotherPJ，GrotherPJ.NISTSpecialDatabase19HandprintedFormsandCharactersDatabase[J].Technicalrepot，NationalInstituteofStandardsandTechnology（NIST）1995.