基于神经网络模型的紧固件腐蚀图像自动分级方法技术

本发明专利技术提供一种基于神经网络模型的紧固件腐蚀图像自动分级方法，其包括如下步骤：S1、形成紧固件腐蚀图像矩阵W；S2、随机划分训练样本和测试样本；S3、在训练样本中增加对抗样本；S4、对训练样本中的每张紧固件腐蚀图像进行变换；S5、构建紧固件腐蚀图像分级模型；S6、设置紧固件腐蚀图像分级模型的参数；S7、对紧固件腐蚀图像分级模型进行训练及更新；S8、将步骤S7循环Num_train次，最终完成紧固件腐蚀图像分级模型的训练；S9、判断紧固件腐蚀图像分级模型的预测精度；S10、对待测紧固件的腐蚀图像进行紧固件腐蚀图像分级。其能够对在役紧固件表面腐蚀图像的腐蚀损伤等级进行自动分级，获知在役紧固件的使用状态并对其接下来的使用寿命进行预测。寿命进行预测。寿命进行预测。

【技术实现步骤摘要】
基于神经网络模型的紧固件腐蚀图像自动分级方法


[0001]本专利技术属于环境损伤评估领域，具体地涉及一种基于神经网络模型的紧固件腐蚀图像自动分级方法。

技术介绍

[0002]金属材料腐蚀在热力学上是一个自发的过程，因此，生活中腐蚀随处可见。紧固件作为一类在航空、航天、船舶、桥梁等领域广泛应用的基础机械零件，其腐蚀不仅影响零件外观，甚至可能对装备或设施的运行安全造成严重影响。因此，快速、准确评估紧固件的腐蚀状态，将有助于及时评估其腐蚀影响，合理安排腐蚀维护时机和维护强度。
[0003]传统的金属腐蚀程度评估方法主要包括失重法、金相法、力学性能损失法、腐蚀电化学法及无损检测法等，它们有的样品制备复杂，有的需要对构件进行破坏性检测，有的必须依赖先进而笨重的检测设备，均无法在工程现场进行应用。近年来，随着图像识别技术的进步，以金属构件外观图像为输入的腐蚀程度评估方法得到快速发展。这种方法不仅无需制样、不会对构件造成破坏，而且操作简单、响应速度快、对测试人员要求低，非常适合现场使用。
[0004]申请号为201810088533.8的专利本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的紧固件腐蚀图像自动分级方法，其特征在于：其包括如下步骤：S1、拍摄n张在役紧固件的彩色外观腐蚀图像p，为每一张在役紧固件的彩色外观腐蚀图像p添加一一对应的腐蚀损伤程度等级α作为标签，形成含有n张紧固件腐蚀图像及对应的腐蚀损伤等级的紧固件腐蚀图像矩阵W；S2、将在役紧固件的彩色外观腐蚀图像矩阵W中的n张图片p随机划分为训练样本和测试样本，所述训练样本由紧固件腐蚀图像I＝{I 1
,I2,I3,
…
I
i
,
…
I
m
}，以及对应的腐蚀损伤等级L＝{L1,L2,L3,
…
L
i
,
…
L
m
}组成，I
i
表示第i个腐蚀图像样本，L
i
表示第i个腐蚀图像样本的损伤等级；所述训练样本的图像数量为样本总数的80％，所述测试样本的图像数量为样本总数的20％；S3、在训练样本中增加对抗样本，并将对抗样本的腐蚀损伤程度等级记作0级，所述对抗样本图像的数量小于或等于训练样本数量的5％；S4、对训练样本中的每张紧固件腐蚀图像进行变换，保持紧固件腐蚀图像的腐蚀损伤等级不变，并将变换后的图像数据加入训练样本中；S5、构建紧固件腐蚀图像分级模型：紧固件腐蚀图像分级模型采用卷积神经网络拓扑结构，根据紧固件产品腐蚀损伤等级预测需求进行构建；该卷积神经网络包括一个输入层、两个卷积层、两个下采样层、两个全连接层、一个Dropout层以及一个输出层，并按输入层、第一卷积层、第一下采样层、第二卷积层、第二下采样层、第一全连接层、第二全连接层、Dropout层和输出层的顺序依次连接；所述激活函数为Relu函数；S6、设置紧固件腐蚀图像分级模型的参数：设置训练样本的数量Batchsize、模型参数更新的速率系数Learning_rate以及模型训练次数Num_train；并对紧固件腐蚀图像分级模型中卷积神经网络的参数进行随机正态初始化；S7、对紧固件腐蚀图像分级模型进行训练及更新：将全部训练样本随机打乱，依次选择Batchsize个训练样本输入到紧固件腐蚀图像分级模型进行模型训练，得到在当前输入图像和模型参数下的模型输出，即Batchsize个紧固件腐蚀图像通过紧固件腐蚀图像分级模型得到的紧固件腐蚀图像分级结果；将这些紧固件腐蚀图像分级结果作为卷积神经网络的输入值，进行卷积神经网络训练，得到误差函数对卷积神经网络参数的...

【专利技术属性】
技术研发人员：李刚，李明，
申请(专利权)人：中国航空综合技术研究所，
类型：发明
国别省市：