【技术实现步骤摘要】
基于卷积神经网络的长输管道焊缝检测系统及方法
本专利技术涉及管道焊缝检测系统，更具体地涉及一种基于卷积神经网络的长输管道焊缝检测系统。
技术介绍
近年来，随着互联网的迅猛发展而产生的大量数据以及计算机硬件(CPU、GPU等)的飞速发展和各种机器学习算法的不断优化，基于神经网络的深度学习在计算机视觉及图像识别分类、自然语言处理、语音识别等领域成果卓著。卷积神经网络(cnn)作为深度学习的一个重要部分，以其独特的结构优势，在图像处理方面取得了广泛的应用。卷积神经网络(convolutionalneuronnetworks，CNN)由一个或多个卷积层和顶端的全连通层组成，并且包括相关权值和池化层(poolinglayer)，这种结构使得CNN能够利用输入数据的二维结构。与其他深层结构相比较，卷积神经网络在图像和语音应用中显示出了优异的结果。卷积神经网络还可以使用标准的反向传播算法进行训练，并且，由于具有较少的参数估计，相比其他深度结构更容易训练。
技术实现思路
1、本专利技术的目的。现在长输管道焊焊缝检测多用人工排查方式，存在三大弊端：一是有些位置管道十分狭窄，作业人员无法...
【技术保护点】
1.一种基于卷积神经网络的长输管道焊缝检测系统，其特征在于：包括C1层特征映射图模块、S2层特征映射图模块、C3层特征映射图模块；C1层特征映射图模块用于输入的图像通过和三个可训练的滤波器进行卷积，卷积后在C1层产生三个特征映射图；S2层特征映射图模块用于将上述C1层的特征映射图加权值和偏置后，通过一个sigmoid数得到三个S2层的特征映射图；C3层特征映射图模块用于将上述S2层特征映射图模块的映射图再经过滤波得到C3层的特征映射图。
【技术特征摘要】
1.一种基于卷积神经网络的长输管道焊缝检测系统，其特征在于：包括C1层特征映射图模块、S2层特征映射图模块、C3层特征映射图模块；C1层特征映射图模块用于输入的图像通过和三个可训练的滤波器进行卷积，卷积后在C1层产生三个特征映射图；S2层特征映射图模块用于将上述C1层的特征映射图加权值和偏置后，通过一个sigmoid数得到三个S2层的特征映射图；C3层特征映射图模块用于将上述S2层特征映射图模块的映射图再经过滤波得到C3层的特征映射图。2.根据权利要求1所述的基于卷积神经网络的长输管道焊缝检测系统，其特征在于：还包括S4层特征映射图模块,将这个层级结构再和S2一样，经过加权值和偏置后，通过一个sigmoid函数作为卷积网络的激活函数，得到三个S4层的特征映射图。3.根据权利要求2所述的基于卷积神经网络的长输管道焊缝检测系统，其特征在于：还包括光栅化模块，将S4层特征映射图模块的像素值被光栅化。4.根据权利要求3所述的基于卷积神经网络的长输管道焊缝检测系统，其特征在于：还包括神经网络模块，将所述的光栅化模块并连接成一个向量输入传统的神经网络，最后得到输出。5.根据权利要求1所述的基于卷积神经网络的长输管道焊缝检测系统，其特征在于：所述的C1特征映射图模块、C2层特征映射图模块为特征提取层，每个神经元的输入与前一层的局部感受野相连，并提取该局部的特征，一旦...
【专利技术属性】
技术研发人员：李建平，张方舟，何春霞，徐江，霍昃毓，赵健成，杨丽娜，
申请(专利权)人：苏州赛克安信息技术有限公司，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。