[發(fā)明專利]一種基于低質(zhì)量影像識別的深度學(xué)習(xí)模型構(gòu)建方法

有效

• 申請?zhí)枺?/td>: 202110586635.4
• 申請日: 2021-05-27
• 公開（公告）號: CN113313021B
• 公開（公告）日: 2023-05-30
• 發(fā)明（設(shè)計）人: 周靜波;劉榮海;郭新良;代克順;陳國坤;鄭欣;焦宗寒;楊迎春;許宏偉
• 申請（專利權(quán)）人: 云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京弘權(quán)知識產(chǎn)權(quán)代理有限公司 11363
• 代理人: 逯長明;許偉群

1.一種基于低質(zhì)量影像識別的深度學(xué)習(xí)模型構(gòu)建方法，其特征在于，包括：

對獲取到的X射線影像進(jìn)行包括歸一化處理和數(shù)據(jù)增強處理的影像處理，即對獲取到的X射線影像進(jìn)行包括尺寸歸一化處理和數(shù)值歸一化處理的歸一化處理，對獲取到的X射線影像進(jìn)行包括低分辨率處理、模糊處理和隨機噪聲處理的數(shù)據(jù)增強處理，通過扭曲因子控制所述獲取到的X射線影像的質(zhì)量；

將所述影像處理后的所述X射線影像數(shù)據(jù)整合為數(shù)據(jù)集，并將所述數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集；

構(gòu)建包括采用殘差網(wǎng)絡(luò)作為提取特征網(wǎng)絡(luò)，所述殘差網(wǎng)絡(luò)包括：

7×7的卷積層，用于全局特征粗提取；

塊網(wǎng)絡(luò)，每個所述塊網(wǎng)絡(luò)均為卷積-批歸一化-激活函數(shù)的子模塊網(wǎng)絡(luò)，且所述塊網(wǎng)絡(luò)之間額外使用卷積-批歸一化結(jié)構(gòu)，每個所述塊網(wǎng)絡(luò)由兩個殘差模塊組成；

1×1的卷積層，用于進(jìn)行通道數(shù)維度的調(diào)整，以適應(yīng)電力設(shè)備X射線影像中待識別類別少、原始數(shù)據(jù)量少的特點；

平均池，用于進(jìn)行全局平均池化操作來融合多尺度特征；

采用數(shù)據(jù)不確定性學(xué)習(xí)網(wǎng)絡(luò)模塊作為特征融合及獲取輸出結(jié)果網(wǎng)絡(luò)的第一卷積神經(jīng)網(wǎng)絡(luò)模型，所述數(shù)據(jù)不確定性學(xué)習(xí)網(wǎng)絡(luò)模塊用于通過隨機失活-線性-批歸一化并行學(xué)習(xí)和表征特征空間的不確定性范圍,通過服從?的因子?表征特征空間的隨機性；

將所述訓(xùn)練數(shù)據(jù)集輸入所述第一卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練包括：

將卷積層權(quán)重初始化為服從正態(tài)分布，以使每層權(quán)重的方差盡可能相等；

將所述訓(xùn)練數(shù)據(jù)集輸入所述第一卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行200次訓(xùn)練，每次訓(xùn)練均采用梯度下降算法計算所述第一卷積神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)并更新所述第一卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

采用反向傳播算法計算所述損失函數(shù)下降的梯度，當(dāng)損失函數(shù)為高度非凸函數(shù)時，通過自適應(yīng)矩估計優(yōu)化器更新所述第一卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)；

采用所述驗證數(shù)據(jù)集評估、調(diào)整所述第一卷積神經(jīng)網(wǎng)絡(luò)模型，得到第二卷積神經(jīng)網(wǎng)絡(luò)模型；

采用所述測試數(shù)據(jù)集對所述第二卷積神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率進(jìn)行測試。

2.根據(jù)權(quán)利要求1所述的基于低質(zhì)量影像識別的深度學(xué)習(xí)模型構(gòu)建方法，其特征在于，所述對獲取到的X射線影像進(jìn)行包括尺寸歸一化處理和數(shù)值歸一化處理的歸一化處理，包括：

對獲取到的X射線影像進(jìn)行尺寸歸一化處理后，所述X射線影像的尺寸均為256像素*256像素。

3.根據(jù)權(quán)利要求1所述的基于低質(zhì)量影像識別的深度學(xué)習(xí)模型構(gòu)建方法，其特征在于，所述將所述影像處理后的所述X射線影像數(shù)據(jù)整合為數(shù)據(jù)集，并將所述數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集，包括：

將所述影像處理后的所述X射線影像數(shù)據(jù)整合為數(shù)據(jù)集，將所述數(shù)據(jù)集中的影像數(shù)據(jù)進(jìn)行隨機打亂，并將所述數(shù)據(jù)集分為訓(xùn)練數(shù)據(jù)集、驗證數(shù)據(jù)集和測試數(shù)據(jù)集，所述訓(xùn)練數(shù)據(jù)集、所述驗證數(shù)據(jù)集和所述測試數(shù)據(jù)集中影像數(shù)據(jù)數(shù)的比例為3:1:1。

4.根據(jù)權(quán)利要求1所述的基于低質(zhì)量影像識別的深度學(xué)習(xí)模型構(gòu)建方法，其特征在于，所述將所述訓(xùn)練數(shù)據(jù)集輸入所述第一卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：

對所述第一卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練進(jìn)行參數(shù)初始化和超參數(shù)設(shè)置。