[發明專利]一種對有限訓練樣本進行結構多損傷智能識別方法

在審

• 申請號: 202210698015.4
• 申請日: 2022-06-20
• 公開（公告）號: CN115294382A
• 公開（公告）日: 2022-11-04
• 發明（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

本發明公開了一種對有限訓練樣本進行結構多損傷智能識別方法，具體步驟為：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Contrastive loss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優化，首先選取標簽圖片輸入訓練好的SiResNet50得到標簽特征，并將測試集圖片輸入SiResNet50與標簽特征進行對比分類。本發明可用于有限訓練樣本下的結構多損傷自動快速分類，并且實現了有限訓練樣本下的多類別損傷識別。

技術領域

本發明涉及損傷智能識別技術領域，具體涉及一種對有限訓練樣本進行結構多損傷智能識別方法。

背景技術

目前基于深度學習的損傷識別多是針對單一損傷類型而言，如識別有無裂縫。然而實際工程中存在著多種類型的結構損傷，如蜂窩麻面、銹蝕、混凝土剝落等，而傳統損傷識別多由人目測，自動化程度低，主觀性影響高，因此亟需基于深度學習開發一種多損傷自動化識別的技術。

傳統深度學習面對有限的訓練樣本時，精度、魯棒性均不理想。通常需要通過足夠多的訓練樣本來建立一個具備魯棒性的結構損傷識別模型，然而，收集足夠的訓練樣本過程非常耗時，且有些場景無法提供足夠的樣本數量，而在損傷檢測過程中，由于傳感器數量不足、測量手段困難或環境復雜等原因均可能造成測試數據不足,或產生小樣本問題。因此，目前在實際工程應用層面上待解決的關鍵問題體現在：

(1)如何在訓練樣本不足的條件下，提高模型魯棒性與預測精度；

(2)如何提高模型的泛化能力，使模型適用于多類別損傷識別；

(3)如何提高模型的訓練效率，有效集成到移動端。

發明內容

本發明的目的在于提供一種對有限訓練樣本進行結構多損傷智能識別方法，進行有限訓練樣本下基于孿生殘差神經網絡的結構多損傷識別的方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種對有限訓練樣本進行結構多損傷智能識別方法，具體步驟如下：

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。為了解決Siamese Network識別效率過低的問題，對孿生神經網絡分類方法進行優化。

S4、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。

步驟S1中，建立ResNet50。Residual Network(ResNet)是Kaiming He在2016年提出的具有殘差單元的卷積神經網絡。在ResNet出現之前，研究人員認為不斷加深網絡層數可以對更加復雜困難的圖像提取更加抽象的特征，然而加深網絡層數會導致訓練困難，更加導致過擬合，梯度消失，網絡退化。ResNet通過加入殘差結構解決了上述問題。因此ResNet獲得ILSVRC 2015中圖像分類任務的第1名。多層數的ResNet可應用于更加復雜的場景，同時對計算配置要求也更高。基于計算資源與準確率的考慮，本文選擇ResNet50(深度為50的ResNet)為Siamese Network的基本網絡。