[發(fā)明專利]一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010902450.5
• 申請(qǐng)日: 2020-09-01
• 公開（公告）號(hào): CN112037205A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 高鈺敏;聶道靜;李彬
• 申請(qǐng)（專利權(quán)）人: 湖北微特傳感物聯(lián)研究院有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T3/60;G06T3/40;G06N3/08;G06N3/04
• 代理公司: 重慶中之信知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 50213
• 代理人: 廖天云

1.一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于，包括如下步驟：

(1)數(shù)據(jù)獲取：獲取多張起重機(jī)大梁的圖片，剪裁空白部分使得剩余部分全部為矩形的起重機(jī)大梁圖像，然后將其調(diào)整為1024*512的大小，再以32*32為單位區(qū)域的大小將整張圖像切分為512張圖像，并且將全部的圖片重復(fù)上述操作；

(2)數(shù)據(jù)標(biāo)注：將步驟(1)中獲取的剪切完畢的32*32圖像分類為裂紋面元和背景面元，其中裂紋面元為包含有裂紋的圖像，背景面元為不包含裂紋的圖像，然后對(duì)裂紋面元和背景面元分別進(jìn)行標(biāo)注，將裂紋面元標(biāo)注為1，將背景面元標(biāo)注為0；

(3)神經(jīng)網(wǎng)絡(luò)建立：將步驟(2)中獲得的標(biāo)注完成的圖像分別劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集中圖像的數(shù)量大于測(cè)試集，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，得到合適的卷積神經(jīng)網(wǎng)絡(luò)模型，然后將測(cè)試集導(dǎo)入到卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行測(cè)試，直到滿足預(yù)先設(shè)定的準(zhǔn)確率；

(4)實(shí)際檢測(cè)：將需要檢測(cè)的起重機(jī)的大梁進(jìn)行拍照獲取圖片，按照步驟(1)中的方式處理并切分為512張圖像，然后使用步驟(3)中獲得的模型對(duì)每一張圖像依次進(jìn)行處理，若識(shí)別出標(biāo)注為1的裂紋面元，則通過其編號(hào)定位到原圖片中的位置，然后實(shí)際檢測(cè)起重機(jī)大梁的對(duì)應(yīng)部位。

2.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于：所述步驟(3)、(4)中的卷積神經(jīng)網(wǎng)絡(luò)為寬殘差網(wǎng)絡(luò)，所述寬殘差網(wǎng)絡(luò)的殘差模塊如式a所述：

x_l+1＝x_l+F(x_l,W_l) (a)

式(a)中x_l+1和x₁分別表示的是第l個(gè)單元的輸出和輸入，F(xiàn)表示殘差函數(shù)，W₁表示殘差模塊的參數(shù)。

3.如權(quán)利要求2所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于，所述寬殘差網(wǎng)絡(luò)的參數(shù)設(shè)置如下：

對(duì)于圖像增強(qiáng)，本發(fā)明對(duì)原始圖像進(jìn)行ZCA白化，然后進(jìn)行隨機(jī)翻轉(zhuǎn)；使用隨機(jī)梯度下降算法訓(xùn)練整個(gè)網(wǎng)絡(luò)，動(dòng)量大小設(shè)置為不小于0.9；共訓(xùn)練不小于200個(gè)的epochs，初始學(xué)習(xí)率被設(shè)置為0.01，并在第80和160個(gè)epoch處學(xué)習(xí)率衰減為原來的0.1倍；權(quán)重衰減設(shè)置為0.0005。

4.如權(quán)利要求3所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于，所述寬殘差網(wǎng)絡(luò)具體的邏輯判斷方式如下：

使用帶步長(zhǎng)的卷積對(duì)圖像縮放兩次，每次為原來圖像的二分之一，將最后輸出的圖像輸入到全局平均池化層之后獲得1*1的特征，該特征與神經(jīng)元為2的全連接層相連，全連接層的輸出經(jīng)過sigmoid函數(shù)之后得到該圖像屬于0或1每一個(gè)類別的概率值，當(dāng)概率值大于50％，即判斷該圖像屬于該類別。

5.如權(quán)利要求1-4中任意一項(xiàng)所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于：所述寬殘差網(wǎng)絡(luò)的深度為16-40，寬度為1-12。

6.如權(quán)利要求1-4中任意一項(xiàng)所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于：所述步驟(3)中準(zhǔn)確率Acc的計(jì)算公式如下：

式(b)中TP表示在數(shù)據(jù)集中能夠正確識(shí)別出是背景面元和裂紋面元的個(gè)數(shù)，F(xiàn)N表示在數(shù)據(jù)集中識(shí)別錯(cuò)誤是背景面元和裂紋面元的個(gè)數(shù)，TP+FN表示整個(gè)數(shù)據(jù)集。

7.如權(quán)利要求1-4中任意一項(xiàng)所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于：步驟(1)中獲取的起重機(jī)大梁圖片數(shù)量大于100張，從而使得切分后獲取的圖像數(shù)量大于50000張。

8.如權(quán)利要求1-4中任意一項(xiàng)所述的一種基于深度學(xué)習(xí)的起重機(jī)裂紋檢測(cè)方法，其特征在于：所述步驟(2)中還包括灰度處理，所述灰度處理采用分量法、平均值法或加權(quán)平均法中的一種。