[發明專利]基于深度學習圖像識別的套筒灌漿密實度判別方法

在審

• 申請號: 201910870663.1
• 申請日: 2019-09-16
• 公開（公告）號: CN110569917A
• 公開（公告）日: 2019-12-13
• 發明（設計）人: 張應遷;吳佳曄;李科;王紅印;馮源;賈其松;蘇亞軍
• 申請（專利權）人: 四川升拓檢測技術股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 51220 成都行之專利代理事務所(普通合伙)
• 代理人: 李朝虎

1.基于深度學習圖像識別的套筒灌漿密實度判別方法，其特征在于：該方法包括以下步驟：

S1：通過敲擊方式獲取套筒各個測試點的波形圖作為樣本數據，共采集套筒灌漿密實度數據信息得到1200個樣本，并將這1200個樣本作為訓練樣本，其中密實樣本和空樣本各600個；

S2：對套筒灌漿密實度數據樣本進行預處理，形成weka支持的arff文件，arff文件格式如下：

@relation image

@attribute filename string

@attribute class{sound,void}

@data

sound121.png,sound

sound122.png,sound

void121.png,void

void122.png,void

其中，arff文件屬性有2個，arff文件屬性包括filename和class；filename文件名類型為字符型；class為分類屬性，包括密和空，sound代表密實，void代表空；

S3：構建套筒灌漿密實度深度學習網絡模型，設置該深度學習網絡模型的訓練參數，根據步驟S2預處理后的arff文件輸入到該深度學習網絡模型的輸入層進行模型訓練，從而獲得訓練好的套筒灌漿密實度深度學習網絡模型；其中，深度學習網絡模型包括輸入層、第一隱藏網絡層、第二隱藏網絡層、全連接層和輸出層，第一隱藏網絡層包括第一卷積層和第一池化層，第二隱藏網絡層包括第二卷積層和第二池化層；輸入層輸入步驟S2預處理后的arff文件，輸入層輸出給第一卷積層，第一卷積層輸出給第一池化層，第一池化層輸出給第二卷積層，第二卷積層輸出給第二池化層，第二池化層輸出給全連接層，全連接層輸出給輸出層；

S4：將待監測的套筒灌漿密實度數據信息預處理為arff文件并實時輸入到步驟S3訓練好的套筒灌漿密實度深度學習網絡模型中，輸出套筒灌漿密實度數組M[a,b]，該數組M由2個雙精度型數值a、b表示，a、b數值的和為1，a、b分別代表類別標簽密實、空；當a大于0.5時，認為該套筒灌漿密實度為密實的；當a小于0.5時，認為該套筒灌漿密實度為空的。

2.根據權利要求1所述的基于深度學習圖像識別的套筒灌漿密實度判別方法，其特征在于：步驟S1中通過敲擊方式獲取套筒各個測試點的波形圖，針對套筒各個測試點的波形圖，首先，通過解析軟件自動截取測試點波形圖并保存為圖片格式，圖片尺寸1387×551，此時圖片顏色為彩色三通道；其次，通過圖片處理軟件將以上圖片縮小到414×186，顏色設置為單通道的黑白兩色。

3.根據權利要求1所述的基于深度學習圖像識別的套筒灌漿密實度判別方法，其特征在于：步驟S3中設置該深度學習網絡模型的訓練參數，訓練參數包括：第一卷積層的卷積核大小為5×5，卷積核步長為1×1，擴充邊緣為2，卷積模式為same模式，卷積核個數為20；第二卷積層的卷積核大小為5×5，卷積核步長為1×1，擴充邊緣為2，卷積模式為same模式，卷積核個數為50；第一池化層的池化方法為最大池化法，卷積核大小為2×2，卷積核步長為2×2；第二池化層的池化方法為最大池化法，卷積核大小為2×2，卷積核步長為2×2；全連接層的卷積核個數為500；輸出層的損失函數為多類交叉熵函數，卷積核個數為2；模型迭代次數為5；隨機種子為1；圖片高度為186，圖片寬度為414，通道數為黑白2種顏色，訓練批處理樣本為2。

4.根據權利要求3所述的基于深度學習圖像識別的套筒灌漿密實度判別方法，其特征在于：所述第一卷積層、所述第二卷積層和所述輸出層的激活函數均采用ReLU函數，ReLU函數的表達式如下：

式中，x為所在層的輸入信號，ReLU(x)為所在層的輸出信號，當所在層輸入信號x≤0時，輸出信號ReLU(x)都是0；當所在層輸入信號x＞0的情況下，輸出信號ReLU(x)都是x。