一种基于深度学习的起重机裂纹检测方法技术

本发明专利技术提供了一种基于深度学习的起重机裂纹检测方法，包括数据获取、数据标注、神经网络建立、实际检测四个步骤；本发明专利技术通过深度学习技术中的卷积神经网络来对起重机大梁的照片进行处理，通过外置的摄像头不断取得起重机大梁的图片，即可随时导入到卷积神经网络模型中进行检测，从而随时随地的保持对起重机的检测，避免突发性裂纹的产生，从而更好的保护起重机大梁，具有更高的安全性能；本发明专利技术在建立完成卷积神经网络模型后，只需要架设好对准起重机大梁的摄像机，并将该摄像机连接到处理服务器即可，不需要额外的人工操作过程，也不需要在起重机上安装额外的设备，具有设置方便，检测迅速的优点。

【技术实现步骤摘要】
一种基于深度学习的起重机裂纹检测方法
本专利技术涉及起重机安全状况监测
，具体涉及一种基于深度学习的起重机裂纹检测方法。
技术介绍
起重机是现代工业中极其重要的一种机械设备。具体是指在一定范围内垂直提升和水平搬运重物的多动作起重机械，其工作特点是做间歇性运动，即在一个工作循环中取料、运移、卸载等动作的相应机构是交替工作的，起重机在建筑、航空航天、货运等行业上的发展和使用越来越广泛。起重机主要包括起升机构、运行机构、变幅机构、回转机构和金属结构等。起升机构是起重机的基本工作机构，大多是由吊挂系统和绞车组成，也有通过液压系统升降重物的。运行机构用以纵向水平运移重物或调整起重机的工作位置，一般是由电动机、减速器、制动器和车轮组成。变幅机构只配备在臂架型起重机上，臂架仰起时幅度减小，俯下时幅度增大，分平衡变幅和非平衡变幅两种。回转机构用以使臂架回转，是由驱动装置和回转支承装置组成。金属结构的大梁是起重机的骨架，主要承载件如桥架、臂架和门架可为箱形结构或桁架结构，也可为腹板结构，有的可用型钢作为支承梁。起重机的大梁因为在其中过程中起到主要的承力作用，导致长期使用后会因为金属疲劳而产生裂纹，如果裂纹的大小和数量超过一定的限度，就会极大的影响大梁的结构强度，带来强烈的安全隐患，因此在起重机安全领域中对于大梁上的裂纹检测是非常关键的一环。但是目前的检测方式通常为磁粉探伤、光学探伤、电阻探伤等方式，都需要在起重机停止状态下进行操作，而不能即时的检测起重机的裂纹损伤情况，导致时效性不强；另外目前的检测方式都需要使用大量检测设备配合使用，检测过程复杂，操作不便，导致工作效率不高。
技术实现思路
针对现有技术中所存在的不足，本专利技术提供了一种基于深度学习的起重机裂纹检测方法，用以解决目前的裂纹检测方式不能即时检测、时效性差，同时检测设备复杂、使用不便的问题。为实现上述目的，本专利技术采用了如下的技术方案：一种基于深度学习的起重机裂纹检测方法，包括如下步骤：(1)数据获取：获取多张起重机大梁的图片，剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像，然后将其调整为1024*512的大小，再以32*32为单位区域的大小将整张图像切分为512张图像，并且将全部的图片重复上述操作；(2)数据标注：将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元，其中裂纹面元为包含有裂纹的图像，背景面元为不包含裂纹的图像，然后对裂纹面元和背景面元分别进行标注，将裂纹面元标注为1，将背景面元标注为0；(3)神经网络建立：将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集，其中训练集中图像的数量大于测试集，使用卷积神经网络对训练集进行训练，得到合适的卷积神经网络模型，然后将测试集导入到卷积神经网络模型中进行测试，直到满足预先设定的准确率；(4)实际检测：将需要检测的起重机的大梁进行拍照获取图片，按照步骤(1)中的方式处理并切分为512张图像，然后使用步骤(3)中获得的模型对每一张图像依次进行处理，若识别出标注为1的裂纹面元，则通过其编号定位到原图片中的位置，然后实际检测起重机大梁的对应部位。进一步的，所述步骤(3)、(4)中的卷积神经网络为宽残差网络，所述宽残差网络的残差模块如式a所述：xl+1＝xl+F(xl,Wl)(a)式(a)中xl+1和x1分别表示的是第l个单元的输出和输入，F表示残差函数，W1表示残差模块的参数。进一步的，所述宽残差网络的参数设置如下：对于图像增强，本专利技术对原始图像进行ZCA白化，然后进行随机翻转；使用随机梯度下降算法训练整个网络，动量大小设置为不小于0.9；共训练不小于200个的epochs，初始学习率被设置为0.01，并在第80和160个epoch处学习率衰减为原来的0.1倍；权重衰减设置为0.0005。进一步的，所述宽残差网络具体的逻辑判断方式如下：使用带步长的卷积对图像缩放两次，每次为原来图像的二分之一，将最后输出的图像输入到全局平均池化层之后获得1*1的特征，该特征与神经元为2的全连接层相连，全连接层的输出经过sigmoid函数之后得到该图像属于0或1每一个类别的概率值，当概率值大于50％，即判断该图像属于该类别。进一步的，所述宽残差网络的深度为16-40，宽度为1-12。进一步的，所述步骤(3)中准确率Acc的计算公式如下：式(b)中TP表示在数据集中能够正确识别出是背景面元和裂纹面元的个数，FN表示在数据集中识别错误是背景面元和裂纹面元的个数，TP+FN表示整个数据集。进一步的，步骤(1)中获取的起重机大梁图片数量大于100张，从而使得切分后获取的图像数量大于50000张。进一步的，所述步骤(2)中还包括灰度处理，所述灰度处理采用分量法、平均值法或加权平均法中的一种。本专利技术在实施时主要包括如下部分：首先采集多张起重机大梁的图片进行数据切分处理，经处理后的图像分为训练集和测试集，其中训练集通过用于构建神经网络的模型，在构建完毕后将模型用于测试集进行调整，通过准确率来确定最终的卷积神经网络参数，此时卷积神经网络模型建立完成，通过摄像头任意采集现有的起重机大梁图片，在切分处理后即可导入到卷积神经网络进行判断，从而直接判断出不同裂纹在图像中的位置，从而即时检测到起重机大梁上的裂纹情况。相比于现有技术，本专利技术具有如下有益效果：1、本专利技术通过深度学习技术中的卷积神经网络来对起重机大梁的照片进行处理，通过外置的摄像头不断取得起重机大梁的图片，即可随时导入到卷积神经网络模型中进行检测，从而随时随地的保持对起重机的检测，避免突发性裂纹的产生，从而更好的保护起重机大梁，具有更高的安全性能；2、本专利技术在建立完成卷积神经网络模型后，只需要架设好对准起重机大梁的摄像机，并将该摄像机连接到处理服务器即可，不需要额外的人工操作过程，也不需要在起重机上安装额外的设备，具有设置方便，检测迅速的优点。附图说明图1为本专利技术的整体流程示意图；具体实施方式下面结合附图及实施例对本专利技术中的技术方案进一步说明。实施例：如图1所示，本专利技术提出了一种基于深度学习的起重机裂纹检测方法，具体包括如下步骤：(1)数据获取：获取多张起重机大梁的图片，剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像，然后将其调整为1024*512的大小，再以32*32为单位区域的大小将整张图像切分为512张图像，并且将全部的图片重复上述操作；(2)数据标注：将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元，其中裂纹面元为包含有裂纹的图像，背景面元为不包含裂纹的图像，然后对裂纹面元和背景面元分别进行标注，将裂纹面元标注为1，将背景面元标注为0；(3)神经网络建立：将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集，其中训练集中图像的数量大于测试集，使用卷积神经网络对训练集进行本文档来自技高网...

【技术保护点】
1.一种基于深度学习的起重机裂纹检测方法，其特征在于，包括如下步骤：/n(1)数据获取：获取多张起重机大梁的图片，剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像，然后将其调整为1024*512的大小，再以32*32为单位区域的大小将整张图像切分为512张图像，并且将全部的图片重复上述操作；/n(2)数据标注：将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元，其中裂纹面元为包含有裂纹的图像，背景面元为不包含裂纹的图像，然后对裂纹面元和背景面元分别进行标注，将裂纹面元标注为1，将背景面元标注为0；/n(3)神经网络建立：将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集，其中训练集中图像的数量大于测试集，使用卷积神经网络对训练集进行训练，得到合适的卷积神经网络模型，然后将测试集导入到卷积神经网络模型中进行测试，直到满足预先设定的准确率；/n(4)实际检测：将需要检测的起重机的大梁进行拍照获取图片，按照步骤(1)中的方式处理并切分为512张图像，然后使用步骤(3)中获得的模型对每一张图像依次进行处理，若识别出标注为1的裂纹面元，则通过其编号定位到原图片中的位置，然后实际检测起重机大梁的对应部位。/n...

【技术特征摘要】
1.一种基于深度学习的起重机裂纹检测方法，其特征在于，包括如下步骤：
(1)数据获取：获取多张起重机大梁的图片，剪裁空白部分使得剩余部分全部为矩形的起重机大梁图像，然后将其调整为1024*512的大小，再以32*32为单位区域的大小将整张图像切分为512张图像，并且将全部的图片重复上述操作；
(2)数据标注：将步骤(1)中获取的剪切完毕的32*32图像分类为裂纹面元和背景面元，其中裂纹面元为包含有裂纹的图像，背景面元为不包含裂纹的图像，然后对裂纹面元和背景面元分别进行标注，将裂纹面元标注为1，将背景面元标注为0；
(3)神经网络建立：将步骤(2)中获得的标注完成的图像分别划分为训练集和测试集，其中训练集中图像的数量大于测试集，使用卷积神经网络对训练集进行训练，得到合适的卷积神经网络模型，然后将测试集导入到卷积神经网络模型中进行测试，直到满足预先设定的准确率；
(4)实际检测：将需要检测的起重机的大梁进行拍照获取图片，按照步骤(1)中的方式处理并切分为512张图像，然后使用步骤(3)中获得的模型对每一张图像依次进行处理，若识别出标注为1的裂纹面元，则通过其编号定位到原图片中的位置，然后实际检测起重机大梁的对应部位。


2.如权利要求1所述的一种基于深度学习的起重机裂纹检测方法，其特征在于：所述步骤(3)、(4)中的卷积神经网络为宽残差网络，所述宽残差网络的残差模块如式a所述：
xl+1＝xl+F(xl,Wl)(a)
式(a)中xl+1和x1分别表示的是第l个单元的输出和输入，F表示残差函数，W1表示残差模块的参数。


3.如权利要求2所述的一种基于深度学习的起重机裂纹检测方法，其特征在于，所述宽残差网络的参数设置如下：
对于图像增强，本发明对原始图像进行...

【专利技术属性】
技术研发人员：高钰敏，聂道静，李彬，
申请(专利权)人：湖北微特传感物联研究院有限公司，
类型：发明
国别省市：湖北;42