[發(fā)明專利]一種基于改進深度學(xué)習(xí)的板形識別方法

在審

• 申請?zhí)枺?/td>: 202011065718.0
• 申請日: 2020-09-30
• 公開（公告）號: CN112270649A
• 公開（公告）日: 2021-01-26
• 發(fā)明（設(shè)計）人: 張秀玲;魏楷倫;羅兆慈
• 申請（專利權(quán)）人: 燕山大學(xué)
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/00;G06T7/60;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 大連東方專利代理有限責(zé)任公司 21212
• 代理人: 陳麗;李洪福

1.一種基于改進深度學(xué)習(xí)的板形識別方法，其特征在于，該方法包括以下步驟：

步驟1、獲取板帶鋼表面圖像，并對所述板帶鋼表面圖像進行去噪處理；

步驟2、建立基于混合非線性卷積神經(jīng)網(wǎng)絡(luò)的板形識別模型；所述混合非線性卷積神經(jīng)網(wǎng)絡(luò)由多種不同的卷積組成，至少包括標準卷積和高斯卷積；

步驟3、利用優(yōu)化算法對所述板形識別模型的模型參數(shù)進行優(yōu)化；

步驟4、將優(yōu)化后的模型參數(shù)導(dǎo)入所述板形識別模型，將所述去噪處理后的板帶鋼表面圖像輸入所述板形識別模型，所述優(yōu)化后的板形識別模型進行特征提取并輸出板形基本缺陷的隸屬度。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，對所述板帶鋼表面圖像進行去噪處理，包括：利用非局部均值去噪算法對所述板帶鋼表面圖像進行去噪處理。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述HN卷積神經(jīng)網(wǎng)絡(luò)的輸出為左邊浪、右邊浪、中間浪、雙邊浪、右三分浪、左三分浪、四分浪和邊中浪。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，利用優(yōu)化算法對所述板形識別模型的模型參數(shù)進行優(yōu)化，包括：

確定所述板形識別模型的訓(xùn)練樣本；

使用輪盤賭算法確定所述混合非線性卷積神經(jīng)網(wǎng)絡(luò)中每個通道的卷積類型；

初始化所述板形識別模型的模型參數(shù)；

使用Adam算法優(yōu)化所述模型參數(shù)，得到優(yōu)化后的模型參數(shù)。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，初始化所述板形識別模型的模型參數(shù)，包括：

a)給定標準卷積概率α₁、高斯卷積概率α₂，且α₁+α₂＝1；卷積層的通道數(shù)量k；

b)對于每個通道，分別生成一個隨機數(shù)β_i∈(0，1)；

c)如果β_i＜α₁，該通道的卷積類型為j_i＝1；否則，該通道的卷積類型為j_i＝2；其中，j_i＝1表示第i通道的卷積類型為標準卷積；j_i＝2表示第i通道的卷積類型為高斯卷積；

d)保存卷積結(jié)構(gòu)矩陣J＝[j₁，j₂，...，j_k]。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述優(yōu)化后的板形識別模型進行特征提取，包括：

a)給定卷積種類數(shù)n、卷積層的通道數(shù)k、結(jié)構(gòu)矩陣J＝[j₁，j₂，...，j_k]，特征輸入O＝[o₁，o₂，o₃，...，o_k]；

b)對于卷積層的每個通道，根據(jù)結(jié)構(gòu)矩陣將屬于相同卷積類型的輸入歸為一類，由此將輸入O＝[o₁，o₂，o₃，...，o_k]分為n部分O＝[O¹，O²，...，Oⁿ]，對于卷積層中第i通道，o_i屬于

c)對于O＝[O¹，O²，...，Oⁿ]，分別使用對應(yīng)類型的卷積對這n部分輸入進行卷積運算，運算結(jié)果為M_i，i＝1，2，...，n；

d)累加所有運算結(jié)果，得到最終特征映射M。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，輸出板形基本缺陷的隸屬度，包括：

混合非線性卷積層后接兩層全連接層及輸出層，采用softmax函數(shù)作為激活函數(shù)，輸出為基本板形缺陷的隸屬度。