用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法技术

本申请涉及智慧建筑领域下的智能质量检测，其具体地公开了一种用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其基于三重损失函数对用于检测墙壁顶面的油漆涂抹质量的神经网络进行训练。具体地，在训练过程中，其通过计算涂抹油漆后的墙壁顶面的特征图与未涂抹油漆的墙壁顶面的特征图之间余弦距离损失函数值，并基于油漆本身的性质计算其与涂抹油漆后的墙壁顶面的特征图的交叉熵损失函数值，进而结合分类损失函数值构建三重损失函数值对用于检测墙壁顶面的油漆涂抹质量的神经网络进行训练，以使得所述神经网络能够学习到提取出获得更加符合类别划分的图像特征，以提高分类的准确性。

【技术实现步骤摘要】
用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法
本专利技术涉及智慧建筑领域下的智能质量检测，且更为具体地，涉及一种用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法、基于深度神经网络的墙壁顶面的油漆涂抹智能检测方法、用于检测墙壁顶面的油漆涂抹质量的神经网络的训练系统、基于深度神经网络的墙壁顶面的油漆涂抹智能检测系统和电子设备。
技术介绍
传统上墙面上漆是通过人工辊涂进行上漆，这种传统的墙壁上漆方式工作效率低下，且因为个人操作习惯不同会导致上漆品质不一，从而影响上漆的效果，且工作强度较大。目前已经开发出了用于建筑施工的自动墙面上漆装置，并且经过发展，除了能够对垂直的墙面进行涂抹外，也可以对顶部的墙面进行涂抹。但是，相比于对垂直的墙面进行涂抹，在对顶部的墙面进行涂抹之后，当油漆干透失去粘性之后，可能会存在干透的油漆掉落的情况，从而影响墙面的使用质量。因此，期望能够提供一种用于检测墙壁顶面的油漆的涂抹质量，从而确定是否会发生干透的油漆掉落的方案。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。本文档来自技高网...

【技术保护点】
1.一种用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其特征在于，包括：/n步骤1：获取第一图像和第二图像，其中，所述第一图像为被涂抹油漆后的墙壁顶面的图像，所述第二图像为未涂抹油漆的墙壁顶面的图像；/n步骤2：将所述第一图像和所述第二图像分别通过深度卷积神经网络，以从所述第一图像中提取第一特征图和从所述第二图像中提取第二特征图；/n步骤3：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；/n步骤4：计算所述第一特征图与由油漆的自身性质构成的特征向量之间的交叉熵损失函数值，其中，所述油漆的自身性质包括粘稠度、涂抹厚度；/n步骤5：将所述第一特征图通过分类器，以获得分类损失函数...

【技术特征摘要】
1.一种用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其特征在于，包括：
步骤1：获取第一图像和第二图像，其中，所述第一图像为被涂抹油漆后的墙壁顶面的图像，所述第二图像为未涂抹油漆的墙壁顶面的图像；
步骤2：将所述第一图像和所述第二图像分别通过深度卷积神经网络，以从所述第一图像中提取第一特征图和从所述第二图像中提取第二特征图；
步骤3：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；
步骤4：计算所述第一特征图与由油漆的自身性质构成的特征向量之间的交叉熵损失函数值，其中，所述油漆的自身性质包括粘稠度、涂抹厚度；
步骤5：将所述第一特征图通过分类器，以获得分类损失函数值；
步骤6：计算所述余弦距离损失函数值、所述交叉熵损失函数值和所述分类损失函数值之间的加权和，以获得损失函数值；
步骤7：以预设步长减小所述损失函数值，并通过梯度下降的反向传播来更新所述深度卷积神经网络的参数。


2.根据权利要求1所述的用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其中，步骤2：将所述第一图像和所述第二图像分别通过深度卷积神经网络，以从所述第一图像中提取第一特征图和从所述第二图像中提取第二特征图，包括：
将所述第一图像和所述第二图像分别通过深度卷积神经网络，以从所述深度卷积神经网络的第N层提取出所述第一特征图和所述第二特征图，其中，N为大于等于4且小于等于6的正整数。


3.根据权利要求1所述的用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其中，步骤4：计算所述第一特征图与由油漆的自身性质构成的特征向量之间的交叉熵损失函数值，其中，所述油漆的自身性质包括粘稠度、涂抹厚度，包括：
从用于墙面自动涂漆的装置所设定的参数中获取所述涂抹厚度；
将所述涂抹厚度与粘稠性映射到0到1的区间内并按顺序排列以获得所述特征向量；以及
计算所述第一特征图与所述特征向量之间的交叉熵损失函数。


4.根据权利要求1所述的用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其中，步骤5：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：
将所述第一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Softmax分类函数，以获得分类结果；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。


5.根据权利要求1所述的用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法，其中，所述深度卷积神经网络为深度残差网络。


6.一种基于深度神经网络的墙壁顶面的油漆涂抹智能检测方法，其特征在于，包括：
获取待检测的被涂抹油漆后的墙壁顶面的图像；
将所述图像输入根据如权利要求1到5中任意一项所述的用于检测墙壁顶面的油漆涂抹质量的神经网络的训练方法所训练的深度卷积神经网络和分类器，所述分类器的输出为表示对应于墙壁顶面的油漆涂抹质量合格的第一概率和墙壁顶面的油漆涂抹质量不合格的第二概率；以及
基于所述第一概率...

【专利技术属性】
技术研发人员：王伟名，
申请(专利权)人：成都市维旺铭网络科技有限公司，
类型：发明
国别省市：四川;51