用于钢筋冲压折弯的质量检测的神经网络的训练方法技术

本申请公开了一种用于钢筋冲压折弯的质量检测的神经网络的训练方法，其包括：获取包含被冲压弯折的钢筋的图像的第一训练集和包含被检测冲压弯折合格的钢筋的图像和被检测冲压弯折不合格的钢筋的图像的第二训练集；将所述第一训练集通过第一卷积神经网络以获得第一特征图；将所述第二训练集通过第二卷积神经网络以获得第二特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；计算所述第一特征图与所述第二特征图之间的余弦距离损失函数值；将所述第一特征图通过分类器以获得分类损失函数值；以及，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器。经网络和所述分类器。经网络和所述分类器。

【技术实现步骤摘要】
用于钢筋冲压折弯的质量检测的神经网络的训练方法


[0001]本专利技术涉及深度学习和神经网络
，且更为具体地，涉及一种用于钢筋冲压折弯的质量检测的神经网络的训练方法、基于深度神经网络的用于钢筋冲压折弯的质量检测方法、系统和电子设备。

技术介绍

[0002]钢筋是指钢筋混凝土用和预应力钢筋混凝土用钢材，其横截面为圆形，有时为带有圆角的方形。包括光圆钢筋、带肋钢筋、扭转钢筋。由于钢筋常常需要弯曲后使用，因此需要对钢筋进行冲压折弯，目前在钢筋冲压折弯的过程中容易出现折弯误差较大的情况，因此需要对钢筋冲压折弯过程中产生的折弯误差进行质量检测。现行的做法是由专业的检测人员依靠其自身来进行人工判断，这种模式一方面增加了检测工作的繁琐程度，一方面也容易产生不准确的判断结果。
[0003]因此，期望能够通过机器视觉来进行钢筋冲压折弯的质量检测。
[0004]目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展为钢筋冲压折弯的质量检测问题提供了新的解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于钢筋冲压折弯的质量检测的神经网络的训练方法、基于深度神经网络的用于钢筋冲压折弯的质量检测方法、系统和电子设备，其在训练用于钢筋冲压折弯的质量检测的神经网络的训练过程中，通过余弦距离损失函数，使得卷积神经网络提取出的特征分布靠近合格图像与不合格图像的特征分布在特征空间中的连线方向，然后再通过分类函数的训练，使得针对合格样本和不合格样本提取出的特征分布分别向着合格图像与不合格图像在特征空间中的特征分布移动，以提高图像的分类精度。
[0007]根据本申请的一个方面，提供了一种用于钢筋冲压折弯的质量检测的神经网络的训练方法，其包括：
[0008]获取包含被冲压弯折的钢筋的图像的第一训练集和包含被检测冲压弯折合格的钢筋的图像和被检测冲压弯折不合格的钢筋的图像的第二训练集；
[0009]将所述第一训练集通过第一卷积神经网络以获得第一特征图；
[0010]将所述第二训练集通过第二卷积神经网络以获得第二特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
[0011]计算所述第一特征图与所述第二特征图之间的余弦距离损失函数值；
[0012]将所述第一特征图通过分类器以获得分类损失函数值；以及
[0013]基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器。
[0014]在上述用于钢筋冲压折弯的质量检测的神经网络的训练方法中，将所述第一特征图通过分类器以获得分类损失函数值，包括：将第一特征图通过全连接层以获得分类特征向量；以及，将所述分类特征向量输入分类函数以获得所述分类损失函数值。
[0015]在上述用于钢筋冲压折弯的质量检测的神经网络的训练方法中，在所述第二训练集中，所述被检测冲压弯折合格的钢筋和所述被检测冲压弯折不合格的钢筋在每个所述钢筋图像中以标签信息形式标记，所述标签信息包括所述钢筋在冲压过程中的参数；所述方法，进一步包括：计算所述第一特征图与所述标签信息之间的交叉熵损失函数值；其中，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器，包括：基于所述分类损失函数值、所述余弦距离损失函数值和所述交叉熵损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器。
[0016]在上述用于钢筋冲压折弯的质量检测的神经网络的训练方法中，所述钢筋在冲压过程中的参数包括冲压过程中的冲压力和钢筋被弯折后的温度。
[0017]在上述用于钢筋冲压折弯的质量检测的神经网络的训练方法中，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器，包括：基于所述分类损失函数值和所述余弦距离损失函数值的加权和迭代地更新所述第一卷积神经网络、第二卷积神经网络和所述分类器；其中，在每次迭代中，首先固定所述第一卷积神经网络和所述分类器的参数并更新所述第二卷积神经网络的参数，再固定所述第二卷积神经网络参数并更新所述第一卷积神经网络和所述分类器的参数。
[0018]在上述用于钢筋冲压折弯的质量检测的神经网络的训练方法中，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器，包括：基于所述分类损失函数值、所述余弦距离损失函数值和所述交叉熵损失函数值的加权和迭代地更新所述第一卷积神经网络、第二卷积神经网络和所述分类器；其中，在每次迭代中，首先固定所述第一卷积神经网络和所述分类器的参数并更新所述第二卷积神经网络的参数，再固定所述第二卷积神经网络参数并更新所述第一卷积神经网络和所述分类器的参数。
[0019]根据本申请的另一方面，提供了一种基于深度神经网络的用于钢筋冲压折弯的质量检测方法，其包括：
[0020]获取待检测的被冲压弯折的钢筋的图像；
[0021]将所述钢筋图像输入根据如上所述的用于钢筋冲压折弯的质量检测的神经网络的训练方法所训练的第一卷积神经网络和所述分类器，所述分类器的输出为表示所述钢筋被冲压弯折合格的第一概率和所述钢筋被冲压弯折不合格的第二概率；以及，
[0022]基于所述第一概率和所述第二概率确定所述钢筋是否被冲压合格。
[0023]根据本申请的又一方面，提供了一种用于钢筋冲压折弯的质量检测的神经网络的训练系统，其包括：
[0024]训练集获取单元，用于获取包含被冲压弯折的钢筋的图像的第一训练集和包含被
检测冲压弯折合格的钢筋的图像和被检测冲压弯折不合格的钢筋的图像的第二训练集；
[0025]第一特征图生成单元，用于将所述训练集获取单元获得的第一训练集通过第一卷积神经网络以获得第一特征图；
[0026]第二特征图生成单元，用于将所述训练集获取单元获得的第二训练集通过第二卷积神经网络以获得第二特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；
[0027]余弦距离损失函数值计算单元，用于计算所述第一特征图生成单元获得的所述第一特征图与所述第二特征图生成单元获得的第二特征图之间的余弦距离损失函数值；
[0028]分类损失函数值计算单元，用于将述第一特征图生成单元获得的所述第一特征图通过分类器以获得分类损失函数值；
[0029]参数更新单元，用于基于所述分类损失函数值计算单元获得的所述分类损失函数值与所述余弦距离损失函数值计算单元获得的所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器。
[0030]在上述用于钢筋冲压折弯的质量检测的神经本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于钢筋冲压折弯的质量检测的神经网络的训练方法，其特征在于，包括：获取包含被冲压弯折的钢筋的图像的第一训练集和包含被检测冲压弯折合格的钢筋的图像和被检测冲压弯折不合格的钢筋的图像的第二训练集；将所述第一训练集通过第一卷积神经网络以获得第一特征图；将所述第二训练集通过第二卷积神经网络以获得第二特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；计算所述第一特征图与所述第二特征图之间的余弦距离损失函数值；将所述第一特征图通过分类器以获得分类损失函数值；以及基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器。2.根据权利要求1所述的用于钢筋冲压折弯的质量检测的神经网络的训练方法，其中，将所述第一特征图通过分类器以获得分类损失函数值，包括：将第一特征图通过全连接层以获得分类特征向量；以及将所述分类特征向量输入分类函数以获得所述分类损失函数值。3.根据权利要求1所述的用于钢筋冲压折弯的质量检测的神经网络的训练方法，其中，在所述第二训练集中，所述被检测冲压弯折合格的钢筋和所述被检测冲压弯折不合格的钢筋在每个所述钢筋图像中以标签信息形式标记，所述标签信息包括所述钢筋在冲压过程中的参数；所述方法，进一步包括：计算所述第一特征图与所述标签信息之间的交叉熵损失函数值；其中，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器，包括：基于所述分类损失函数值、所述余弦距离损失函数值和所述交叉熵损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器。4.根据权利要求3所述的用于钢筋冲压折弯的质量检测的神经网络的训练方法，其中，所述钢筋在冲压过程中的参数包括冲压过程中的冲压力和钢筋被弯折后的温度。5.根据权利要求1所述的用于钢筋冲压折弯的质量检测的神经网络的训练方法，其中，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器，包括：基于所述分类损失函数值和所述余弦距离损失函数值的加权和迭代地更新所述第一卷积神经网络、第二卷积神经网络和所述分类器；其中，在每次迭代中，首先固定所述第一卷积神经网络和所述分类器的参数并更新所述第二卷积神经网络的参数，再固定所述第二卷积神经网络参数并更新所述第一卷积神经网络和所述分类器的参数。6.根据权利要求3所述的用于钢筋冲压折弯的质量检测的神经网络的训练方法，其中，基于所述分类损失函数值和所述余弦距离损失函数值的加权和更新所述第一卷积神经网络、第二卷积神经网络和所述分类器，包括：基于所述分类损失函数值、所述余弦距离损失函数值和所述交叉熵损失函数值的加权和迭代地更新所述第一卷积神经网络、第二卷积神经网络和所述分类器；其中，在每次迭代中，首先固定所述第一卷积神...

【专利技术属性】
技术研发人员：陈宏兴，
申请(专利权)人：中山亿铭网络科技有限公司，
类型：发明
国别省市：