[發明專利]一種基于深度學習的鏈條形變測量方法

在審

• 申請號: 202210677029.8
• 申請日: 2022-06-15
• 公開（公告）號: CN115035066A
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 董明剛;王彥;魏雪影;武天昊
• 申請（專利權）人: 桂林理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/60;G06V10/26;G06V10/28;G06V10/30;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的鏈條形變檢測方法，其特征在于，將拍攝的鏈條影像抽幀轉換為圖像，手動標注出實例部分，來構建訓練數據集；搭建基于深度卷積神經網絡的語義分割模型；使用標注好的訓練數據集訓練語義分割模型；當需要檢測鏈條形變時，將實時拍攝的鏈條影像輸入到訓練好的語義分割模型中，分割出鏈條部分；之后，對鏈條圖像進行二值化處理并去除干擾雜聲；最后，利用中心擴張算法來測量分割出的鏈條的尺寸信息；具體步驟為：構建鏈條圖像訓練數據集101、搭建基于卷積神經網絡的語義分割模型步驟102、使用鏈條圖像數據集來訓練神經網絡模型步驟103、鏈條形變檢測步驟104；

構建鏈條圖像訓練數據集101，從步驟201到步驟202：

步驟201：將原圖像x中的鏈條部分標注出來，保存為鏈條掩碼圖像y；

步驟202：將鏈條掩碼圖像和原圖像組成圖像對{x,y}，作為訓練數據集；

搭建基于卷積神經網絡的語義分割模型步驟102，從步驟301到步驟304：

步驟301：使用擴張卷積和普通卷積作為基本卷積層，Relu作為激活函數來搭建主干網絡；

步驟302：使用雙線性插值法來進行插值采樣；

步驟303：使用改進的交叉熵損失即NLL損失和Dice損失，作為卷積神經網絡的損失函數，使用Adam作為優化函數；

步驟304：設置學習效率為0.0005，批訓練數量為8，迭代200次；

使用鏈條圖像數據集來訓練神經網絡模型步驟103，從步驟401到步驟414：

步驟401：定義循環變量為t，并賦初值t＝1；

步驟402：當t＝200執行步驟403，否則執行步驟414；

步驟403：定義循環變量為k，并賦初值k＝1；

步驟404：將5000張訓練圖像分批，每批包含8張訓練圖像；

步驟405：當k＝625執行步驟406，否則執行步驟407；

步驟406：將圖像x送入到卷積神經網絡模型；

步驟407：設經過最后一層卷積神經網絡的結果為y^*；

步驟408：計算鏈條真實掩碼y和y^*之間的損失，更新神經網絡連接函數的權值；

步驟409：k＝k+1；

步驟410：模型訓練完畢；

鏈條形變檢測步驟104，從步驟501到步驟510：

步驟501：將圖像送入訓練好的語義分割模型中；

步驟502：獲得標注出鏈條中間空心區域的圖像，得到語義分割后的鏈條圖像；

步驟503：將語義分割后的鏈條圖像從RGB圖像轉換為灰度圖像；

步驟504：將灰度圖像轉換為像素值為0和255的黑白二值圖像；

步驟505：使用高斯濾波去除二值圖像中的干擾雜聲；

步驟506：找出空心區域的中心點，并作為中心擴張的起始點；

步驟507：利用中心擴張的規則找到空心區域的最大內接矩形；

步驟508：測量最大內接矩形的長和寬的值；

步驟509：利用比例尺進行轉換，得到鏈條空心區域的實際長寬尺寸；

步驟510：比較測量尺寸和標定尺寸，判斷鏈條是否發生形變。