[發明專利]用于鋼筋表面的光滑程度檢測的神經網絡的訓練方法

在審

• 申請號: 202110074303.8
• 申請日: 2021-01-20
• 公開（公告）號: CN112734016A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 翁志華
• 申請（專利權）人: 成都圭坡拓科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06T7/00;G06K9/62;G06T17/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請涉及智慧制造領域下的智慧狀態檢測，其具體地公開了一種用于鋼筋表面的光滑程度檢測的神經網絡的訓練方法。所述訓練方法分兩個階段對用于檢測鋼筋表面的光滑程度的神經網絡進行訓練。在第一個階段，基于對抗學習的思路以將實際拍攝的鋼筋表面圖像和鋼筋的計算機三維建模圖像作為參考圖像對用于檢測鋼筋表面的光滑程度的卷積神經網絡進行訓練，以使得其能夠更加關注于圖像中的形狀特征。在第二階段，通過計算特征圖之間的差分特征圖并通過梯度下降的反向傳播來更新所述卷積神經網絡，以使得其進一步能夠更關注于鋼筋的表面形狀的不規則。這樣，訓練完成的所述卷積神經網絡能夠提高鋼筋表面的光滑程度的情況的檢測準確度。

技術領域

本申請涉及智能制造領域下的智慧狀態檢測，且更為具體地，涉及一種用于鋼筋表面的光滑程度檢測的神經網絡的訓練方法、基于深度神經網絡的鋼筋表面的光滑程度的檢測方法、用于鋼筋表面的光滑程度檢測的神經網絡的訓練系統、基于深度神經網絡的鋼筋表面的光滑程度的檢測系統和電子設備。

背景技術

鋼筋在初步完成生產時，鋼筋的表面并不是光滑平整的，鋼筋的表面一般還存留有較多的毛刺，而后續對于鋼筋加工需要，一般都會對鋼筋的表面進行打磨，并且對鋼筋進行規定長度的剪切。在實際施工應用之前，通常都需要對鋼筋表面打磨以及剪切斷面的光滑程度進行檢測，以避免在施工過程中對施工人員造成傷害。

目前，這種表面的光滑程度基本都是通過人工檢查來確定的，隨著計算機視覺技術的發展，也期望能夠通過應用基于深度神經網絡的計算機視覺技術來進行基于圖像的自動檢查。

因此，期待一種用于鋼筋表面的光滑程度檢測的自動檢測方案。

目前，深度學習以及神經網絡已經廣泛應用于計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。

近年來，深度學習以及神經網絡的發展為鋼筋表面的光滑程度檢測提供了新的解決思路和方案。

發明內容

本申請的實施例提供了一種基于深度神經網絡的鋼筋表面的光滑程度的檢測方法、用于鋼筋表面的光滑程度檢測的神經網絡的訓練系統、基于深度神經網絡的鋼筋表面的光滑程度的檢測系統和電子設備，其中，所述訓練方法分兩個階段對用于檢測鋼筋表面的光滑程度的神經網絡進行訓練。在第一個階段，基于對抗學習的思路以將實際拍攝的鋼筋表面圖像和鋼筋的計算機三維建模圖像作為參考圖像對用于檢測鋼筋表面的光滑程度的卷積神經網絡進行訓練，以使得其能夠更加關注于圖像中的形狀特征。在第二階段，通過計算特征圖之間的差分特征圖并通過梯度下降的反向傳播來更新所述卷積神經網絡，以使得其進一步能夠更關注于鋼筋的表面形狀的不規則。這樣，訓練完成的所述卷積神經網絡能夠提高鋼筋表面的光滑程度的情況的檢測準確度。

根據本申請的一個方面，提供了一種用于鋼筋表面的光滑程度檢測的神經網絡的訓練方法，其包括：

第一階段：

獲取第一圖像和第二圖像，其中，所述第一圖像為實際生產的鋼筋的圖像和所述第二圖像為計算機三維建模的鋼筋的圖像；

將所述第一圖像通過第一卷積神經網絡，以獲得第一特征圖；

將所述第二圖像通過第二卷積神經網絡，以獲得第二特征圖，其中，所述第二卷積神經網絡與所述第一卷積神經網絡具有相同的網絡結構；

將所述第一特征圖和所述第二特征圖輸入鑒別器神經網絡，以獲得鑒別器損失函數值；

以預設步長減小所述鑒別器損失函數值，并通過梯度下降的反向傳播來更新所述第一卷積神經網絡的參數；

第二階段：

將所述第一圖像通過經過第一階段訓練的所述第一卷積神經網絡，以獲得第三特征圖；