【技術實現(xiàn)步驟摘要】
本專利技術屬于高精度粉塵罐表觀裂縫識別，特別是涉及基于深度學習的罐體表面裂縫檢測方法。
技術介紹
1、粉塵罐廣泛應用于工業(yè)和建筑行業(yè)，主要功能為儲存粉塵狀物料。由于粉塵罐儲存的物料如水泥、煤粉等顆粒物直徑不大于0.1毫米，如罐體出現(xiàn)裂縫而沒有及時處理，裂縫可能會快速擴大，最終導致物料大量泄露，嚴重時甚至會發(fā)生塵暴，并且由于物料顆粒直徑細小，如不慎吸入人體會對人體健康產生嚴重威脅。此外，由于部分粉塵罐利用壓縮空氣通過進氣管道輸送到罐體內部，經過流化裝置使得粉塵物料流動性增加進而便于卸載物料，如果罐體出現(xiàn)裂縫，壓縮空氣通過裂縫溢出，會降低物料卸載效率。
2、為了避免上述問題發(fā)生，本專利基于深度卷積原理以及遷移學習原理，提出了一種高精度粉塵罐表觀裂縫識別網絡(high-precision?dustbin?apparent?crackrecognition?network，hdacrn)模型。
技術實現(xiàn)思路
1、本專利技術的目的在于提供基于深度學習的罐體表面裂縫檢測方法，以解決上述
技術介紹
中提出的問題。
2、為實現(xiàn)上述目的，本專利技術采用的一個技術方案是：基于深度學習的罐體表面裂縫檢測方法，包括共性特征遷移網絡和分類網絡，所述共性遷移特征網絡包括至少兩個卷積層和至少兩個池化層，所述分類網絡包括空間金字塔卷積層和全局平均池化層，所述共性遷移特征網絡經多個卷積層和池化層的計算后輸出裂縫紋理的共同特征，所述分類網絡用于提取共性特征遷移網絡所輸出的圖像的多尺度特征并輸出最后
3、優(yōu)選的，所述共性遷移特征網絡的具體訓練方法如下：
4、s11：將帶有裂縫的圖像輸入到共性遷移特征網絡中；
5、s12：輸入的圖像經卷積層計算后得到卷積結果，卷積結果經池化層池化后輸出裂縫紋理的共同特征；
6、s13：以池化層輸出得到的裂縫紋理的共同特征作為輸入數(shù)據(jù)，在稠密連接網絡中進行計算，得到一組稠密連接模塊；
7、s14：將稠密連接模塊中的特征數(shù)據(jù)輸入到新卷積層中進行計算，將該卷積層中計算得到的結果輸入到池化層中進行池化得到新的裂縫紋理的共同特征；
8、s15：多次重復s13-s14步驟，并在最后一次卷積層的池化后得到最終的裂縫紋理的共同特征，至此，完成共性特征遷移網絡的訓練，其中，每組卷積層和池化層中卷積核的大小或者池化層輸出數(shù)據(jù)的大小至少有一個數(shù)據(jù)不一致。
9、優(yōu)選的，所述分類網絡的的具體操作步驟如下：
10、s21：將共性遷移特征網絡計算輸出的裂縫紋理的共同特征輸入到稠密連接網絡中進行計算得到一組稠密連接模塊；
11、s22：將稠密連接模塊中的特征數(shù)據(jù)輸入到空間金字塔中經卷積后得到一組至少兩個不同角度的特征群；
12、s23：將特征群中的各特征進行級聯(lián)操作；
13、s24：將級聯(lián)后的特征進行全局平均池化后輸出結果，最終確定圖像是夠存在裂縫。
14、優(yōu)選的，每組所述稠密連接模塊中卷積核的大小一致。
15、優(yōu)選的，在s22步驟中，將稠密連接模塊中的特征數(shù)據(jù)輸入到空間金字塔前，需通過一個卷積核為1*1的卷積層以用于降低分類網絡中稠密連接模塊的輸出維度。
16、優(yōu)選的，所述共性遷移網絡采用深度卷積網絡提取帶有裂縫的圖像的特征，所述深度卷積網絡包括輸入層、至少兩個隱藏層以及輸出層，所述隱藏層的輸出計算式如下：
17、
18、式中，l＝1，2，3，4，.....l，b(l)表示第l層偏置項，b(l)表示第l層偏置項；h(l)表示第l隱藏層的輸出結果；為第l層的權重參數(shù)；nl-1表示第l-1層的神經元個數(shù)；a(l)代表第l層激活函數(shù)；h(0)和h(l)分別表示輸入層和輸出層；
19、通過隱藏層的計算公式，能夠由此推出輸入與輸出關系為：
20、
21、通過隱藏層輸入與輸出之間的關系，可以推算出損失函數(shù)的計算公式如下：
22、
23、式中，n表示一次參與訓練的樣本數(shù)總量；yi表示真實標簽值；φ代表權重參數(shù)w及偏置項b，k是正則化系數(shù)，控制正則化項在總損失中的權重，ρ(w)是l2正則化項，是權重w的l2范數(shù)的平方和。
24、優(yōu)選的，通過l2正則化項對權重參數(shù)w進行正則化以防止模型對訓練數(shù)據(jù)的過度擬合，其具體公式如下：
25、
26、優(yōu)選的，采用梯度下降法計算和更新參數(shù)，以迭代的方式靠近初參數(shù)一避免局部最優(yōu)，參數(shù)更新的具體計算公示如下：
27、(1)
28、(2)
29、式(1)中，k代表迭代次數(shù)；α代表學習率；
30、式(2)表示每次迭代的梯度；
31、通過式(1)、式(2)可以推出每層網絡的求解公式如下：
32、
33、
34、式中，表示第l層的第k次迭代計算；
35、通過鏈式法則展開損失函數(shù)對參數(shù)的偏導計算公式如下：
36、
37、式中，g(l)表示隱藏層中第l層輸出，其中φl＝(w(l),b(l))；
38、其中，通過將損失函數(shù)對于參數(shù)φl的偏導數(shù)轉換為隱藏層對φl的偏導與損失函數(shù)對隱藏層輸出的偏導之和，可以計算出隱藏層的權重參數(shù)w的偏導如下：
39、
40、偏置項b的偏導如下：
41、
42、式中，a(l)表示第l層激活函數(shù)；
43、正則項中的權重參數(shù)w計算偏導如下，
44、
45、經過多次迭代訓練后，每個參數(shù)都會逐漸得到更新及修正，最終模型的評估指標會越來越穩(wěn)定。
46、優(yōu)選的，所述輸入圖像與卷積核進行逐元素相乘求和公式如下：
47、
48、式中，參數(shù)x代表輸入圖像，參數(shù)k代表卷積核，i、j與m、n分別表示輸入圖像的坐標與卷積核的坐標；
49、卷積操作的表達式如下：
50、
51、卷積操作中的輸入圖像、卷積核參數(shù)以及輸出特征均采用多維張量表示，輸入圖像為四維張量卷積輸出其中n代表每次輸入圖像的數(shù)量，cin代表輸入通道數(shù)，h和w分別表示輸入圖像高和寬，cout表示卷積輸出通道數(shù)，表示互相關操作，w表示權重參數(shù)；
52、卷積操作輸出張量尺寸計算公式如下：
53、
54、式中，input代表輸入圖像的尺寸，d表示卷積核元素間的間距，p代表全零填充個數(shù)，s表示步長，k表示卷積核尺寸。
55、優(yōu)選的，每層激活函數(shù)前需對數(shù)據(jù)進行批量歸一化處理，批量歸一化的計算公式如下：
56、(1)
57、(2)
58、式中，代表經過批量歸一化處理后的結果；xk代表輸入特征；vb代表輸入特征的均值；σb表示輸入特征的均值。(4-17)中yk表示經過批量歸一化處理后的最終輸出結果；ηk及λk表示能本文檔來自技高網...
【技術保護點】
1.基于深度學習的罐體表面裂縫檢測方法，其特征在于：包括共性特征遷移網絡和分類網絡，所述共性遷移特征網絡包括至少兩個卷積層和至少兩個池化層，所述分類網絡包括空間金字塔卷積層和全局平均池化層，所述共性遷移特征網絡經多個卷積層和池化層的計算后輸出裂縫紋理的共同特征，所述分類網絡用于提取共性特征遷移網絡所輸出的圖像的多尺度特征并輸出最后的識別結果。
2.根據(jù)權利要求1所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：所述共性遷移特征網絡的具體訓練方法如下：
3.根據(jù)權利要求2所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：所述分類網絡的具體操作步驟如下：
4.根據(jù)權利要求2或3所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：每組所述稠密連接模塊中卷積核的大小一致。
5.根據(jù)權利要求3所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：在S22步驟中，將稠密連接模塊中的特征數(shù)據(jù)輸入到空間金字塔前，需通過一個卷積核為1*1的卷積層以用于降低分類網絡中稠密連接模塊的輸出維度。
6.根據(jù)權利要求3所述的基于深度學習的
7.根據(jù)權利要求6所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：通過L2正則化項對權重參數(shù)w進行正則化以防止模型對訓練數(shù)據(jù)的過度擬合，其具體公式如下：
8.根據(jù)權利要求3所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：采用梯度下降法計算和更新參數(shù)，以迭代的方式靠近初始參數(shù)以避免局部最優(yōu)，參數(shù)更新的具體計算公示如下：
9.根據(jù)權利要求3所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：所述輸入圖像與卷積核進行逐元素相乘求和公式如下：
10.根據(jù)權利要求9所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：每層激活函數(shù)前需對數(shù)據(jù)進行批量歸一化處理，批量歸一化的計算公式如下：
...【技術特征摘要】
1.基于深度學習的罐體表面裂縫檢測方法，其特征在于：包括共性特征遷移網絡和分類網絡，所述共性遷移特征網絡包括至少兩個卷積層和至少兩個池化層，所述分類網絡包括空間金字塔卷積層和全局平均池化層，所述共性遷移特征網絡經多個卷積層和池化層的計算后輸出裂縫紋理的共同特征，所述分類網絡用于提取共性特征遷移網絡所輸出的圖像的多尺度特征并輸出最后的識別結果。
2.根據(jù)權利要求1所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：所述共性遷移特征網絡的具體訓練方法如下：
3.根據(jù)權利要求2所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：所述分類網絡的具體操作步驟如下：
4.根據(jù)權利要求2或3所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：每組所述稠密連接模塊中卷積核的大小一致。
5.根據(jù)權利要求3所述的基于深度學習的罐體表面裂縫檢測方法，其特征在于：在s22步驟中，將稠密連接模塊中的特征數(shù)據(jù)輸入到空間金字塔前，需通過一個卷積核為1*1的卷積層以用于降低...
【專利技術屬性】
技術研發(fā)人員：羅翔，劉玉中，劉堯，陳靜，
申請(專利權)人：蘇州中材建設有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。