[發(fā)明專利]一種對有限訓練樣本進行結構多損傷智能識別方法

在審

• 申請?zhí)枺?/td>: 202210698015.4
• 申請日: 2022-06-20
• 公開（公告）號: CN115294382A
• 公開（公告）日: 2022-11-04
• 發(fā)明（設計）人: 陳柳潔;姚皓東;傅繼陽
• 申請（專利權）人: 廣州大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/74;G06V10/40;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 廣州高炬知識產權代理有限公司 44376
• 代理人: 劉志敏

1.一種對有限訓練樣本進行結構多損傷智能識別方法，其特征在于，包括以下步驟：

S1、建立ResNet50網絡，并采用孿生神經網絡的模型結構組成得到SiResNet50；

S2、使用損傷訓練集訓練SiResNet50，并設置足夠多的迭代次數使得Contrastiveloss收斂；

S3、SiResNet50訓練中從數據集中隨機多次抽取一對圖片進行對比；

S4、對孿生神經網絡分類方法進行優(yōu)化，選取標簽圖片，并將測試集圖片輸入已訓練的SiResNet50模型進行分類。

2.根據權利要求1所述的有限訓練樣本進行結構多損傷智能識別方法，其特征在于：所述步驟S1中，Siamese Network的基本網絡可為其他神經網絡，在本專利，基于計算資源與準確率的考慮，選擇ResNet50、即深度為50的ResNet，為Siamese Network的基本網絡。

3.根據權利要求2所述的有限訓練樣本進行結構多損傷智能識別方法，其特征在于：

所述的ResNet50的核心為殘差單元，殘差單元與普通單元的區(qū)別在于殘差結構通過跳接在激活函數前，將淺層的若干神經層的輸出躍過多層與后面層的輸出相加，并輸入到激活函數，殘差結構通過跳躍鏈接，增強了梯度的流動，ResNet50由一個輸出層和4個ResidualBlock組成，其中Conv為卷積層，MaxPool為最大池化層，AvgPool為平均池化層，ResidualBlock1代表輸入到ResidualBlock1的特征向量會x經過64個1×1的卷積核、再經過64個3×3的卷積核，最后經過256個1×1的卷積核，得到新的特征向量x1，x1與x相加進入激活函數ReLu得到新的輸出x’,ResidualBlock2,ResidualBlock 3,ResidualBlock 4同ResidualBlock1一樣，ReLu公式如下：

其中，x是輸入激活函數的特征向量。

4.根據權利要求1所述的對有限訓練樣本進行結構多損傷智能識別方法，其特征在于：所述步驟S2中，Siamese Network包含兩個并行的網絡，它們具有完全相同的結構和共享一樣的權重,與CNN不同，輸入Siamese Network為圖像對，輸入Siamese Network的圖像對是同一類別的則為正圖像對，不為同類別的則為負圖像對，輸出的同樣也是一對特征值，最終計算這對輸出之間的相似度來做出最后的預測，計算相似度采用基于歐式距離的Contrastive loss，Siamese Network中的兩個并行網絡是CNN、RNN(Recurrent NeuralNetwork)、MLP(Multilayer Perceptron)或其他神經網絡之一；為了使計算資源與計算精度平衡，采用步驟S1建立的ResNet50作為中Siamese Network的并行網絡。