基于快速深入学习法进行损伤检测的方法技术

本发明专利技术提供了一种基于快速深入学习法进行损伤检测的方法，包括：将一个目标的两个以上图像源的一系列结构损伤类型的连续帧序列图像送入dual CNN中提取损伤特征；提取的损伤特征送入SVM分类器进行分类。本发明专利技术采用dual‑CNN与Faster R‑CNN相结合的目标检测分析方法，打破了传统的检测时间、定位不准确和人的主观性等局限，同时能够从感兴趣区域获得固定长度的特征向量，以并行处理密集的任务，即能够从多个输入图像应用程序源中提取特征。

A Method of Damage Detection Based on Rapid in-depth Learning

【技术实现步骤摘要】
基于快速深入学习法进行损伤检测的方法
本专利技术涉及一种基于神经网络的学习技术，特别是一种基于快速深入学习法进行损伤检测的方法。
技术介绍
随着基础设施中高清摄像机、无人机等视觉检测技术的发展和应用，检测过程中产生了大量检测图像和视频。为了获得测试结果，需要对图像或视频进行人工解释，但人工解释是低效的，有时甚至是无效的。深度学习是一门使机器获得视觉能力的科学。此外，它还意味着用机器视觉机器人或相应的装置代替人眼来识别、跟踪和测量目标，并进一步进行图形处理，使计算机处理变得更适合人眼观察或将图像传输到仪器进行检测。深度学习技术已经成功地打破了人工检测基础设施图像或视频的局限性。根据深度学习的数量和特点，目前的深度学习体系结构包括CNN、R-CNN和FasterR-CNN。所有体系结构都已应用于结构缺陷的检测，并根据体系结构的特点和位置选择了相应的最佳深度学习体系结构系统。这种结构缺陷检测技术目前在我国还不成熟。经过近十年的深入研究，FasterR-CNN深度学习体系结构的速度和准确性都有所提高。FasterR-CNN的CNN神经网络容量扩展，从CNN演进到R-CNN，然后从R-CNN演进到FasterR-CNN。如图1所示，CNNs模型通常包括通过输入图像上的卷积、激活和极化堆栈进行特征提取，以及通过完全连接的层进行分类以输出每个类的分数。但是FasterR-CNN还没有实现实时检测，GPU上每秒5帧(fps)的检测速度不足以进行实际的结构损伤检测，FasterR-CNN也没有足够的感兴趣区域的特征向量来并行处理密集的任务。
技术实现思路
本专利技术的目的在于提供一种基于快速深入学习法进行损伤检测的方法，包括：将一个目标的两个以上图像源的一系列结构损伤类型的连续帧序列图像送入dualCNN中提取损伤特征；提取的损伤特征送入SVM分类器进行分类。与现有的FasterR-CNN等将深度学习架构检测技术相比，本专利技术采用dual-CNN与FasterR-CNN相结合的目标检测分析方法，打破了传统的检测时间、定位不准确和人的主观性等局限，同时能够从感兴趣区域获得固定长度的特征向量，以并行处理密集的任务，即能够从多个输入图像应用程序源中提取特征。下面结合说明书附图对本专利技术作进一步描述。附图说明图1是两级检测级联示意图。图2是基于快速深入学习法进行损伤检测的方法流程示意图。图3是缺陷检测分类算法过程图。图4是结构缺陷检测过程示意图。图5是各类方法误差比较示意图，其中(a)为误差比较示意图，(b)为训练及测试时间比较示意图，(c)为精度比较示意图。具体实施方式本专利技术基于快速深入学习法(Master-FasterR-CNN)进行损伤检测的方法，包括以下步骤：步骤1，将一个目标的两个以上图像源的一系列结构损伤类型的连续帧序列图像送入dualCNN中提取损伤特征；步骤2，提取的损伤特征送入SVM分类器进行分类。步骤2中采用两步学习法，使用作为featuremaps第一个N-1层训练CNN，同时这些映射用于训练支持向量机(SVM)分类器。SVM分类器使用一对多(one-versus-all)二元学习者，其中，对于每个二元学习者，一个类是正的，其余的是负的。二元学习者的总数与类的数量相同。采用线性分类模型。SVM的输出表示为P张量，如下所示：当c(i，j)是图像源(1)的类i和图像源(2)的类j，nc是类的数量且n是每个并行源的每列中的图片数量。并行源味着每个图像源是各自独立的，但是每个源有相同数量的图像。张量的构成如下：计算图像序列大小估计的平均值，从大小查找表中查找包含平均大小的所有类，e，将这些元素变为1，将其他元素设置为0，得出：张量元素：目标损伤类型的速率组成方式与尺寸估计(2)中的E张量相同，即从速率查找表中查找所有包含在所提供速率(v)的类，将这些元素变为1，将其他元素设置为0。张量元素：最后的分类是通过雷达提供的参数和图像分类器的预测之间的融合来实现的。一系列图像的组合p张为：n是每个并行源中每一列中图片的数值，融合向量Φ为：Φ(i.j)＝P(i.j)*V(i.j)*E(i.j)(7)数值S就是最终预测结果：S(i，j)＝maxmΦ(i，j)(8)m＝argmaxmΦ(i，j)(9)2、网络训练策略网络培训过程包括四个步骤：第一步，通过反向传播和随机梯度下降(SGD)训练一个由预训练的Dual-CNN初始化的RPN，这里的方法遵循“以图像为中心”的采样策略训练网络，在这种情况下使用训练好的RPN生成目标建议；第二步，针对第一步获得的目标建议，从预训练的Dual-CNN初始化一个Master-FasterR-CNN；第三步，再次使用步骤2中的权重训练RPN，如图2所示，不改变CNN层；第四步，在从训练好的RPN生成新的对象建议后，再次训练Master-FasterR-CNN，并在前一步中训练参数。结合图5，本专利技术与现有损伤检测方法相比，误差、训练及测试时间、精度均有优化，见表格1、2、3。表1误差比较方法平均绝对误差均方根误差平均绝对百分比误差CNN4.235.318.5％R-CNN3.984.678.5％FasterR-CNN1.3881.064.5％Master-FasterR-CNN1.250.982.8％表2训练及测试时间比较方法训练时间(S)测试时间(S)CNN7261.056R-CNN3640.445FasterR-CNN2690.251Master-FasterR-CNN1750.187表3训练集测试精度比较方法训练精度％测试精度％CNN90.386.8C93.691.5FasterR-CNN95.794.5Master-FasterR-CNN98.795.5本文档来自技高网...

【技术保护点】
1.一种基于快速深入学习法进行损伤检测的方法，其特征在于，包括：将一个目标的两个以上图像源的一系列结构损伤类型的连续帧序列图像送入dual CNN中提取损伤特征；提取的损伤特征送入SVM分类器进行分类。

【技术特征摘要】
1.一种基于快速深入学习法进行损伤检测的方法，其特征在于，包括：将一个目标的两个以上图像源的一系列结构损伤类型的连续帧序列图像送入dualCNN中提取损伤特征；提取的损伤特征送入SVM分类器进行分类。2.根据权利要求1所述的方法，其特征在于，分类的具体过程为：步骤S201，用P维张量表示SVM的输出其中，k＝1,...,n，c(i,j)是第一图像源的类i和第二图像源的类j，nc是结构损伤类型的数量，n是每个并行源的每列中的图像数量；步骤S202，计算图像序列大小估计的平均值，对于包含平均大...

【专利技术属性】
技术研发人员：瓦尔阿波得莫姆阿波得莫姆阿塔贝，努里默罕默德，
申请(专利权)人：瓦尔阿波得莫姆阿波得莫姆阿塔贝，
类型：发明
国别省市：江苏,32