用于钢筋表面的光滑程度检测的神经网络的训练方法技术

本申请涉及智慧制造领域下的智慧状态检测，其具体地公开了一种用于钢筋表面的光滑程度检测的神经网络的训练方法。所述训练方法分两个阶段对用于检测钢筋表面的光滑程度的神经网络进行训练。在第一个阶段，基于对抗学习的思路以将实际拍摄的钢筋表面图像和钢筋的计算机三维建模图像作为参考图像对用于检测钢筋表面的光滑程度的卷积神经网络进行训练，以使得其能够更加关注于图像中的形状特征。在第二阶段，通过计算特征图之间的差分特征图并通过梯度下降的反向传播来更新所述卷积神经网络，以使得其进一步能够更关注于钢筋的表面形状的不规则。这样，训练完成的所述卷积神经网络能够提高钢筋表面的光滑程度的情况的检测准确度。

【技术实现步骤摘要】
用于钢筋表面的光滑程度检测的神经网络的训练方法
本申请涉及智能制造领域下的智慧状态检测，且更为具体地，涉及一种用于钢筋表面的光滑程度检测的神经网络的训练方法、基于深度神经网络的钢筋表面的光滑程度的检测方法、用于钢筋表面的光滑程度检测的神经网络的训练系统、基于深度神经网络的钢筋表面的光滑程度的检测系统和电子设备。
技术介绍
钢筋在初步完成生产时，钢筋的表面并不是光滑平整的，钢筋的表面一般还存留有较多的毛刺，而后续对于钢筋加工需要，一般都会对钢筋的表面进行打磨，并且对钢筋进行规定长度的剪切。在实际施工应用之前，通常都需要对钢筋表面打磨以及剪切断面的光滑程度进行检测，以避免在施工过程中对施工人员造成伤害。目前，这种表面的光滑程度基本都是通过人工检查来确定的，随着计算机视觉技术的发展，也期望能够通过应用基于深度神经网络的计算机视觉技术来进行基于图像的自动检查。因此，期待一种用于钢筋表面的光滑程度检测的自动检测方案。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本文档来自技高网...

【技术保护点】
1.一种用于钢筋表面的光滑程度检测的神经网络的训练方法，其特征在于，包括：/n第一阶段：/n获取第一图像和第二图像，其中，所述第一图像为实际生产的钢筋的图像和所述第二图像为计算机三维建模的钢筋的图像；/n将所述第一图像通过第一卷积神经网络，以获得第一特征图；/n将所述第二图像通过第二卷积神经网络，以获得第二特征图，其中，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；/n将所述第一特征图和所述第二特征图输入鉴别器神经网络，以获得鉴别器损失函数值；/n以预设步长减小所述鉴别器损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络的参数；/n第二阶段：/n将所述第一图像通过经...

【技术特征摘要】
1.一种用于钢筋表面的光滑程度检测的神经网络的训练方法，其特征在于，包括：
第一阶段：
获取第一图像和第二图像，其中，所述第一图像为实际生产的钢筋的图像和所述第二图像为计算机三维建模的钢筋的图像；
将所述第一图像通过第一卷积神经网络，以获得第一特征图；
将所述第二图像通过第二卷积神经网络，以获得第二特征图，其中，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；
将所述第一特征图和所述第二特征图输入鉴别器神经网络，以获得鉴别器损失函数值；
以预设步长减小所述鉴别器损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络的参数；
第二阶段：
将所述第一图像通过经过第一阶段训练的所述第一卷积神经网络，以获得第三特征图；
计算所述第三特征图与所述第二特征图之间的差分，以获得差分特征图；
将所述差分特征图通过分类器，以获得分类损失函数值；以及
以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来过更新所述第一卷积神经网络的参数。


2.根据权利要求1所述的用于钢筋表面的光滑程度检测的神经网络的训练方法，其中，将所述第一特征图和所述第二特征图输入鉴别器神经网络，以获得鉴别器损失函数值，包括：
将所述第一特征图输入所述鉴别器神经网络以获得第四特征图；
将所述第二特征图输入所述鉴别器神经网络以获得第五特征图；
确定所述第四特征图与所述第五特征图中的预定位置的值是否相同；
响应于所述第四特征图与所述第五特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；
响应于所述第四特征图与所述第五特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；
计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。


3.根据权利要求2所述的用于钢筋表面的光滑程度检测的神经网络的训练方法，其中，所述鉴别器神经网络包括预设数量的预设尺寸的卷积层。


4.根据权利要求1所述的用于钢筋表面的光滑程度检测的神经网络的训练方法，其中，计算所述第三特征图与所述第二特征图之间的差分，以获得差分特征图，包括：
计算所述第三特征图与所述第二特征图之间按像素位置的特征值的差分，以获得所述差分特征图。


5.根据权利要求1所述的用于钢筋表面的光滑程度检测的神经网络的训练方法，其中，将所述差分特征图通过分类器，以获得分类损失函数值，包括：
将所述差分特征图通过一个或多个全连接层，以获得分类特征向量；
将所述分类特征向量输入分类函数，以获得分类结果，所述分类结果用于表示钢筋表面的光滑程度是否满足预设要求；以及
将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。


6.根据权利要求1所述的用于钢筋表面的光滑程度检测的神经网络的训练方法，其中，所述第一卷积神经网络为深度残差网络。


7.一种基于深度神经网络的钢筋表面的光滑程度的检测方法，...

【专利技术属性】
技术研发人员：翁志华，
申请(专利权)人：成都圭坡拓科技有限公司，
类型：发明
国别省市：四川;51