Page 11 - 2022年第53卷第6期

图6 云端监控平台界面图
如振捣机器人本体产生的信息通过 4G 网络实时传输至云服务器，云端监控平台通过无线通讯方式与
云服务器间进行信息交互；另一方面，振捣机器人本体各模块间的有线通讯，如机载控制器与机械
臂控制柜之间通过CAN方式通讯。

3 基于改进残差网络的振捣表面图像识别算法

针对传统振捣质量依靠监视人员根据混凝土表面图像特征评估的方式存在主观性强的不足，提
［32］
出基于改进深度残差网络（Residual Network，ResNet） 模型的机器视觉技术，对混凝土振捣过程中
表面图像进行分类，实现振捣质量的识别。
3.1 改进 ResNet模型结构 在网络搭建过程中，网络结构、训练样本大小等对模型性能有着重要的
影响。本文从数据输入以及网络结构两方面对模型进行改进。在数据层面，采用在线数据增强方式
通过扩大样本输入，使得 ResNet 模型能够学习到更多图像特征，进而提升模型的性能和防止模型过
拟合。在网络结构方面，首先，针对残差单元的结构形式对模型性能的影响，采用预先激活方式的
［33］
ResNet-V2 ，使得模型易于优化；其次，在 ResNet 的每一个部分残差模块中融入卷积块注意模块
［34］
（Convolutional Block Attention Module，CBAM） ，使得残差网络有偏向地选择重要的特征图进行特
征提取，从而提高模型精度；最后，在卷积完成后，采用全局平均池化层代替原有的平均池化层以
及全连接层，从而保留提取的空间和语义特征，有利于减轻过拟合的风险，同时降低模型的参数。
为了平衡计算时间和模型性能，本文采用 50 层深度的 ResNet 模型。所构建的 ResNet-50 模型输入图
像大小为 224×224，网络最后一层连接层神经元为 3个，以对应输出混凝土表面图像预测类别，即不
合格类、过渡类和合格类。改进的ResNet-50模型结构如图7所示。

图7 改进ResNet-50结构图
—637 —