1、深度學(xué)習(xí)的理念源于人工神經(jīng)網(wǎng)絡(luò)，其深層次的架構(gòu)模型可以模仿哺乳動物神經(jīng)系統(tǒng)的表征規(guī)則，對輸入樣本數(shù)據(jù)進行不斷的迭代、抽象，以構(gòu)建多層次的特征表示為目標(biāo)，利用低層特征信息，組合得到高層的特征表示。深度學(xué)習(xí)是近幾年中較為熱門的研究方向，已經(jīng)應(yīng)用于語音處理、圖像處理、自然語言表征等領(lǐng)域，亦取得不少研究成果。針對深度學(xué)習(xí)，本文在查閱了國內(nèi)外相關(guān)文獻的基礎(chǔ)上，就深度學(xué)習(xí)在表面缺陷識別中的應(yīng)用展開研究，具體工作內(nèi)容如下:
　　1.重點闡述了深

2、度學(xué)習(xí)的基本理論，包括其發(fā)展歷史以及基本思想與特點，針對深度學(xué)習(xí)包含的幾類模型結(jié)構(gòu)，具體介紹了模型結(jié)構(gòu)與訓(xùn)練算法流程。根據(jù)表面缺陷識別的需求，構(gòu)建了用于實驗的兩組數(shù)據(jù)樣本集，分別為太陽能電池板缺陷與膠囊缺陷。
　　2.針對深度學(xué)習(xí)，重點研究了其中較為主流的兩類模型結(jié)構(gòu)，CNN與DBNs，并在MATLAB中構(gòu)建這兩種深度學(xué)習(xí)模型結(jié)構(gòu)并分別應(yīng)用于表面缺陷識別中，利用CNN學(xué)習(xí)輸入數(shù)據(jù)中的特征信息，進行分類識別;利用DBNs進行重構(gòu)得到

3、的模板圖片，進而檢測表面缺陷。
　　3.針對以上兩種深度學(xué)習(xí)主流算法在用于表面缺陷識別中的不足，利用了兩者的優(yōu)點進行結(jié)合，采用Lee H等人提出的RBM的卷積形式，即CRBM結(jié)構(gòu)，參考CNN的模型特點，本文設(shè)計了一種Deep CRBM的模型結(jié)構(gòu)，稱為深度卷積信念網(wǎng)絡(luò)，簡稱為DCBN，對輸入數(shù)據(jù)進行逐層學(xué)習(xí)，將學(xué)習(xí)得到的高層特征用于缺陷識別。實驗表明，該模型算法應(yīng)用于表面缺陷識別，可獲得較高的識別率。該模型可應(yīng)用于兩類太陽能電池板與