【技术实现步骤摘要】
一种基于深度学习的无缝钢管小样本学习方法
[0001]本专利技术属于图像识别
，尤其涉及一种基于深度学习的无缝钢管小样本学习方法
。
技术介绍
[0002]深度学习在许多计算机视觉任务中都取得了巨大的成功，例如识别，图像生成
。
尽管有所成就，深度学习算法仍然存在很大的问题
。
它们通常都缺乏了很好的适应能力
。
例如，我们很难直接使用模型来识别训练数据中未包含类别的图像，除非可以拥有提供更多信息，在对无缝钢管进行质检时经常会用到深度学习的无缝钢管小样本学习方法
。
[0003]现有技术中，基于深度学习的小样本学习处理技术的缺陷识别，传统的数字图像处理方法不能进行批量处理，难以作用于无缝钢管的之间，基于深度学习的无缝钢管表面缺陷识别，需要大量的图像数据集并进行手工标注，这需要耗费大量的人力和耗时，否则识别率不会很高
。
[0004]基于此，本专利技术设计了一种基于深度学习的无缝钢管小样本学习方法，以解决上述问题
。
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的无缝钢管小样本学习方法，其特征在于，包括下述步骤：输入无缝钢管原始图像信号，并对无缝钢管原始图像依次进行图像增强
、
去噪处理
、
二值化处理以及形态学处理，生成预处理后的无缝钢管原始图像；以凸透镜成像原理为挤出参数，通过调整光谱图的大小获得更多的标注图像；通过调整图谱与凸透镜之间的距离能够获得多张图像，接着将图像尺度进行归一化处理，获得训练卷积神经网络的输入信号；在卷积神经网络中，将首层卷积层与
Leaky ReLU
激光函数进行结合；首层卷积层将卷积特征信息进行取反操作，并与标注图像中的特征信息一同作用于
Leaky ReLU
激光函数，接着将其转移至下一层；最后采用
Softmax
分类器实现图像的分类
。2.
根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述图像增强中，采用空间域中的直方图均衡化对无缝钢管原始图像进行图像增强处理，直方图均衡化直接从无缝钢管原始图像信号中提取信号
。3.
根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述去噪处理中，采用阈值领域平衡法对增强后的无缝钢管原始图像信号进行去噪处理，保留无缝钢管原始图像信号中的细节特征
。4.
根据权利要求1所述的一种基于深度学习的无缝钢管小样本学习方法，其特征在于，所述二值化处理中，采用图像的二值化处理技术将去噪后的无缝钢管原始图像上的像素点的灰度值设置为0或
255
，即无缝钢管原始图像只有黑或白，对经过二值化处理的无缝钢管原始图像进行形态学处理
。5.
根据权利要求4所述的一种基于深度学习的无缝钢管小...
【专利技术属性】
技术研发人员：王庆帅，徐培培，
申请(专利权)人：阿法龙山东科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。