[發(fā)明專利]基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202111241182.8
• 申請(qǐng)日: 2021-10-25
• 公開(kāi)（公告）號(hào): CN113963212A
• 公開(kāi)（公告）日: 2022-01-21
• 發(fā)明（設(shè)計(jì)）人: 方宏遠(yuǎn);王念念;馬鐸;董家修
• 申請(qǐng)（專利權(quán)）人: 鄭州大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長(zhǎng)沙市岳麓慧專利代理事務(wù)所(普通合伙) 43270
• 代理人: 王中華

1.一種基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，包含以下步驟：

步驟S1、采集管道內(nèi)表面圖像，挑選含有病害的管道內(nèi)表面圖像作為病害圖像，對(duì)病害圖像進(jìn)行預(yù)處理和數(shù)據(jù)增強(qiáng)處理，獲得管道內(nèi)表面病害數(shù)據(jù)集；

步驟S2、根據(jù)步驟S1獲取的管道內(nèi)表面病害數(shù)據(jù)集，對(duì)病害圖像進(jìn)行分類，將病害圖像按預(yù)設(shè)比例分為病害圖像訓(xùn)練集，病害圖像驗(yàn)證集和病害圖像測(cè)試集，建立病害圖像數(shù)據(jù)庫(kù)；

步驟S3、搭載深度學(xué)習(xí)環(huán)境，構(gòu)建分類模型，采用遷移學(xué)習(xí)方法初始化所述分類模型，將病害圖像訓(xùn)練集中的病害圖像導(dǎo)入所述分類模型，對(duì)所述分類模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的分類模型，所述分類模型為Inception-Resnet神經(jīng)網(wǎng)絡(luò)模型；

步驟S4、根據(jù)步驟S3得到的訓(xùn)練后的分類模型，設(shè)置不同的超參數(shù)，相應(yīng)獲得不同工況下的分類模型，通過(guò)病害圖像驗(yàn)證集對(duì)該些工況下的分類模型進(jìn)行測(cè)試，對(duì)比不同工況下的分類模型在訓(xùn)練過(guò)程中損失值及準(zhǔn)確率的變化曲線，尋找最優(yōu)超參數(shù)從而獲得最優(yōu)分類模型；

步驟S5、根據(jù)步驟S4所得到的最優(yōu)分類模型，引入病害圖像測(cè)試集，對(duì)最優(yōu)分類模型進(jìn)行測(cè)試，判斷所述最優(yōu)分類模型輸出的檢測(cè)指標(biāo)是否達(dá)到預(yù)期值；

步驟S6、拍攝待檢測(cè)的管道內(nèi)表面圖像并回傳至預(yù)設(shè)有最優(yōu)分類模型的工作站終端，所述工作站終端對(duì)所述待檢測(cè)的管道內(nèi)表面圖像進(jìn)行檢測(cè)，判斷各項(xiàng)工作指標(biāo)能否達(dá)到工作要求。

2.如權(quán)利要求1所述的基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，所述的步驟S1具體包括：

步驟S11、通過(guò)控制管道CCTV機(jī)器人，在實(shí)際管道內(nèi)采集管道內(nèi)表面圖像；

步驟S12、由專業(yè)人員從所述管道內(nèi)表面圖像中挑選出病害圖像；

步驟S13、使用數(shù)據(jù)增強(qiáng)技術(shù)和生成對(duì)抗網(wǎng)絡(luò)對(duì)病害圖像數(shù)量進(jìn)行擴(kuò)增。

3.如權(quán)利要求2所述的基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，所述步驟S13中數(shù)據(jù)增強(qiáng)的主要方法包括：尺度縮放、對(duì)稱變換、模糊處理、平移變換、對(duì)比度調(diào)整、飽和度調(diào)整、銳度處理及高斯噪聲處理中一種或多種的組合。

4.如權(quán)利要求1所述的基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，所述的步驟S2具體包括：

步驟S21、人工將病害圖像分類為錯(cuò)口圖像、破漏圖像、腐蝕圖像及障礙物圖像；

步驟S22、對(duì)各類病害圖像設(shè)置編號(hào)，設(shè)置錯(cuò)口圖像編號(hào)為0，破漏圖像編號(hào)為1，腐蝕圖像編號(hào)為2，障礙物圖像編號(hào)為3；

步驟S23、使用Python分類程序?qū)⒉『D像按預(yù)設(shè)比例分為病害圖像訓(xùn)練集、病害圖像驗(yàn)證集和病害圖像測(cè)試集，建立病害圖像數(shù)據(jù)庫(kù)。

5.如權(quán)利要求1所述的基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，所述的步驟S23中的病害圖像訓(xùn)練集、病害圖像驗(yàn)證集和病害圖像測(cè)試集內(nèi)的病害圖像互不交叉重合。

6.如權(quán)利要求1所述的基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，所述的步驟S3具體包括：

步驟S31、搭載基于英偉達(dá)GPU的CUDA和CUDNN，配置Python及相應(yīng)的API庫(kù)的環(huán)境；

步驟S32、構(gòu)建分類模型，所述分類模型為Inception-Resnet神經(jīng)網(wǎng)絡(luò)模型，所述分類模型包括輸入層、隱藏層和輸出層。

步驟S33、采用遷移學(xué)習(xí)方法初始化所述分類模型；

步驟S34、使用小批量梯度下降的方法對(duì)分類模型進(jìn)行訓(xùn)練，觀察損失值函數(shù)圖像，達(dá)到平穩(wěn)時(shí)即模型收斂，此時(shí)停止訓(xùn)練，得到訓(xùn)練后的分類模型。

7.如權(quán)利要求1所述的基于Inception-Resnet神經(jīng)網(wǎng)絡(luò)的管道病害圖像分類方法，其特征在于，所述的步驟S4中調(diào)整的超參數(shù)包括學(xué)習(xí)率、總迭代次數(shù)、小批量圖像數(shù)量及權(quán)重衰減值。