一种基于形状特征信息的硬度压痕识别分类方法技术

本发明专利技术公开的一种基于形状特征信息的硬度压痕识别分类方法，属于硬度压痕识别测量领域。本发明专利技术实现方法为：在进行分类前收集并建立压痕数据库，作为训练最初始的数据集；然后通过迁移学习、数据图像扩充等手段，有效降低神经网络模型对于原始数据的依赖性，降低数据获取的时间和人力成本；通过修改网络参数适应硬度压痕识别分类特性，改善分类效果；通过神经网络的训练，将输出结果中与预期分类结果相似性最高的训练过程作为该压痕图片跟踪分类结果，利用该结果对图片分类过程进行纠正，作为下一次训练过程的输入，进行训练过程更新，丰富训练信息，进一步提升训练和分类精度，适应对自动打压测量前识别实时分类需求，支撑提升自动打压测量效率。升自动打压测量效率。升自动打压测量效率。

【技术实现步骤摘要】
一种基于形状特征信息的硬度压痕识别分类方法


[0001]本专利技术属于硬度压痕识别测量领域，涉及一种基于形状特征信息的硬度压痕识别分类方法。

技术介绍

[0002]硬度测量用于各种金属非金属材料性能的判断，方法简单有效且方便，且大部分硬度测量压痕较小，基本可以看作无损检测，所以通常使用硬度测量结果来研究材料的其他物理性能，有很大的实用价值。但是在实际工业化检测中，会存在不同种类的硬度块混杂现象，使得流水线全自动化检测前期的硬度块分类需要人工进行，检测效率低，同时由于压痕形状接近，不熟悉专业的人员还存在一定几率造成误分。因此需要一些手段解决上述问题，如深度学习技术。
[0003]近年来，深度学习在越来越多的场景里都发挥作用，如无人驾驶汽车、手机软件、鉴别环境等。深度学习在图像识别方面与传统图像识别方法相比，可以更深层的挖掘图像之间联系，不拘泥于有限的变化模式，这与深度学习的方式有关。
[0004]深度学习是一种通过大规模带标签的数据集、高性能计算能力和先进的计算网络实现高精度高速度的学习分类功能。计算网络由一个输入层、多个隐藏层和一个输出层组成，各层通过节点连接，前一层网络的输出作为后一层网络的输入。网络中的每一层从前面一层吸取数据，进行变换，然后往下传递。提高学习对象的复杂度、完成学习的详尽内容均依靠隐藏层网络实现。
[0005]在图像处理领域，深度学习凭借其更高的速度和精度获得了极大关注，特别是处理对象中包含有复杂变量时，传统方法得到的结果往往由于数据量小，带有一定的误差量，深度学习的处理过程更简单，处理效果更好。如H.A.Abeysundars等基于神经网络训练，通过设定阈值方法来获取图像中的缺陷点，并利用缺陷点特征对不同的图像进行分类；Danelljan等人综合各层提取学习到的图像内容，组合起来，一起生成结果训练目标，同时通过隐藏层的自筛选，剔除无用信息，生成新的目标图像，具有良好的生成图像能力；Etten基于高速YOLOv2神经网络模型提出了YOLT，用于提高遥感图像的检测速度和特征图的分辨率；杨加文等对经过降噪处理的图像进行形状改变、旋转等方式扩充数据集，提出了一种基于深度可分离卷积神经网络的图像病灶识别方法，识别准确率高；冯小雨等使用优化的Faster
‑
RCNN算法对空中目标进行检测，一定程度上解决了对体积、面积等均较小的识别对象和被第三方物体部分或全部遮挡的识别对象的难以检测的问题，同时检测速度快，结果精度好。
[0006]在图像分类领域，深度学习也已经有较好的发展，根据ILSVRC，常用的分类网络有AlexNet、ZFNet、VGGNet、GoogLeNet、ResNet等。五种分类网络相比，使用VGGNet、GoogLeNet、ResNet实现分类过程较为繁琐；AlexNet是一个用一百多万张图像训练好的CNN(卷积神经网络)，并加入了数据增强学习和GPU训练，更适合较小的数据库容量。仅依靠已有网络作为训练基础不能让网络适应发生剧烈变化的训练目标，因此需要模板更新，丰富
模板特征，同时通过注意模块让网络提取特征图集中于训练目标本身，增强模板特征的作用。

技术实现思路

[0007]面向流水线全自动化检测前期的硬度块识别分类，本专利技术主要目的是提供一种基于形状特征信息的硬度压痕识别分类方法，通过建立压痕信息库、神经网络迁移、图像数据扩充、网络参数修改、网络训练，基于形状特征信息实现硬度压痕识别分类。本专利技术能够有效地对压痕图像进行快速和准确的分类，适应对自动打压测量前识别实时分类需求，支撑提升自动打压测量效率。
[0008]为实现上述目的，本专利技术提供如下技术方案：
[0009]本专利技术公开的一种基于形状特征信息的硬度压痕识别分类方法，包括以下步骤：
[0010]步骤101：建立训练图像信息库，通过收集相同条件下不同种类的目标分类图像，并在图像分类网络上进行具体实现。
[0011]步骤101中所述收集到的压痕图像首先进行图像预处理：统一图像尺寸，排除非分类特征干扰，然后将不同种类的图片分别放在不同的文件夹下，文件夹用分类的标签命名，用于预分类辅导，然后将原数据集按预定比例分割为训练数据集与测试数据集，随机在原数据集中挑选图片作为测试数据集，其余图片作为训练数据集。再读取所述训练集和测试集；
[0012]作为优选，用imds.Files和循环函数读取所述训练集和测试集。
[0013]作为优选，所述标签命名包括B
‑
布氏压痕、V
‑
维氏压痕、K
‑
努氏压痕、MV
‑
显微压痕。
[0014]步骤102：使用神经网络迁移学习模型提升神经网络对于已经过训练的图片分类特征未经过训练的图片进行分类的知识迁移能力，利用较少的训练集达到更好的训练效果，弥补图片数据集较小带来的影响。
[0015]迁移学习模型即训练用神经网络模型是一个经过大量图像训练过的成熟模型，迁移学习模型由于已经具有丰富的图片特征以及已有图片数据集内的非线性关系，当迁移学习模型再被应用到一个新的训练上时，能够降低网络对新数据的依赖，从而减少构建深度学习模型所需的训练数据，并提高模型的泛化能力。所述神经网络迁移学习模型选用选择的迁移模型为AlexNet神经网络，输入224
×
224，卷积核11
×
11
×
3，得到特征层55
×
55
×
96；再用卷积层输出的特征层作为下一层的输入，得到特征层27
×
27
×
256，以此类推，最后一层卷积层输出13
×
13
×
256，进入到全连接层进行卷积运算，输出4096个神经元，再经过输出层的抑制过拟合，最终经训练输出1000个float型预测结果，弥补图片数据集较小带来的影响。
[0016]步骤103：使用图像数据扩充手段进行图片集合扩充，达到扩充数据集的目的同时不改变分类目的，以解决样本量过小的问题。
[0017]使用的图像数据扩充手段，包括旋转平移图像、变形部分图像、改变图像像素面积，改变图片的亮度、清晰度、对比度、锐度，放大或缩小原有图像，对原有图像进行特征干扰，获得新的样本数据，从而达到扩充数据集的目的。
[0018]作为优选，图像数据扩充手段选择图像特征定位方法保留图像分类特征点，避免
因为图像数据扩充手段造成图像特征失效。
[0019]步骤104：修改步骤102得到的神经网络参数，使得参数适应新神经网络并与目标输出匹配，以此提高神经网络的整体学习效率，实现对整个卷积神经网络的分类。
[0020]修改步骤102得到的神经网络参数，从已训练好的网络迁移过来的部分参数不进行变换，但降低对这部分网络的资源分配，将资源倾斜到新增加的网络中，以此来提高神经网络的整体学习效率。同时改变AlexNet后三层网络，即通过改变全连接层网络来加强分类效果。全本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于形状特征信息的硬度压痕识别分类方法，其特征在于：包括以下步骤，步骤101：建立训练图像信息库，通过收集相同条件下不同种类的目标分类图像，并在图像分类网络上进行具体实现；步骤102：使用神经网络迁移学习模型提升神经网络对于标注数据向未标注数据的知识迁移能力，利用较少的训练集达到更好的训练效果，弥补数据集较小带来的影响；步骤103：使用图像数据扩充手段进行图片集合扩充，达到扩充数据集的目的同时不改变分类目的，以解决样本量过小的问题；步骤104：修改步骤102得到的神经网络参数，使得参数适应新神经网络并与目标输出匹配，以此提高神经网络的整体学习效率，实现对整个卷积神经网络的分类；步骤105:对网络训练，将原数据集按预定比例分割为训练数据集与测试数据集，随机在原数据集中挑选图片作为测试数据集，其余图片作为训练数据集；在网络训练过程中，将输出结果中与预期分类结果相似性最高的训练过程作为该压痕图片跟踪分类结果，利用该结果对图片分类过程进行纠正，作为下一次训练过程的输入，进行训练过程更新，丰富训练信息，以进一步提升训练精度，直至得到满足预设精度要求的压痕图片跟踪分类结果，即基于形状特征信息实现硬度压痕识别分类。2.如权利要求1所述的一种基于形状特征信息的硬度压痕识别分类方法，其特征在于：步骤101中所述收集到的压痕图像首先进行图像预处理：统一图像尺寸，排除非分类特征干扰，然后将不同种类的图片分别放在不同的文件夹下，文件夹用分类的标签命名，用于预分类辅导，然后将原数据集按预定比例分割为训练数据集与测试数据集，随机在原数据集中挑选图片作为测试数据集，其余图片作为训练数据集；再读取所述训练集和测试集。3.如权利要求2所述的一种基于形状特征信息的硬度压痕识别分类方法，其特征在于：迁移学习模型即训练用神经网络模型是一个经过大量图像训练过的成熟模型，迁移学习模型由于已经具有丰富的图片特征以及已有数据集内的非线性关系，当迁移学习模型再被应用到一个新的训练上时，能够降低网络对新数据的依赖，从而减少构建深度学习模型所需的训练数据，并提高模型的泛化能力；所述神经网络迁移学习模型选用选择的迁移模型为AlexNet神经网络，输入224
×
224，卷积核11
×<...

【专利技术属性】
技术研发人员：陈诗琳，石伟，
申请(专利权)人：中国航空工业集团公司北京长城计量测试技术研究所，
类型：发明
国别省市：