基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于ResNet与迁移学习的腐蚀金具SEM图像识别方法


[0001]本专利技术涉及材料科学和图像识别
，具体地讲，是涉及一种基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法
。

技术介绍

[0002]在材料科学领域，腐蚀金具的表面状态评估是保障材料性能和延长使用寿命的关键环节之一
。
扫描电子显微镜（
SEM
）图像在材料科学领域中具有广泛的应用，尤其是在金属材料表面腐蚀研究中，是腐蚀金具表面形貌研究的重要手段之一
。
然而，随着腐蚀程度的不断加深，金具表面出现的形态变化越来越微小，
SEM
图像中的细微特征与腐蚀程度存在复杂关联，传统图像处理方法难以准确提取这些特征，逐渐显现出局限性
。
因此，腐蚀金具
SEM
图像识别技术成为当前研究热点，具有重要的理论与实际意义
。
[0003]深度学习模型具有强大的特征提取能力，但其在不同领域可能需要调整以适应特定问题，另外神经网络需要大量的数据集提供识别准确率，但收集
SEM
图像数据耗时长
、
成本高
。ResNet
是由何凯明等人于
2015
年提出的，其核心思想是引入了
"
残差连接
"
（
Residual Connection
），通过跳过一层或多层来实现网络的跳跃连接
。r/>这些跳跃连接允许模型直接传递原始信号，减少了在深层网络中梯度消失的问题，使得可以训练更深
、
更复杂的神经网络
。ResNet
在
ImageNet
图像分类任务中取得了显著的性能提升，并引领了后续深度神经网络的设计思路
。
[0004]专利技术人通过研究发现，在腐蚀金具
SEM
图像识别中，图像的复杂性和特征之间的关联使得模型需要更好的表达能力和更深的网络结构
。
而
ResNet
的残差连接可以克服深层网络中的退化问题，有助于提取腐蚀金具
SEM
图像中复杂的特征
。
同时腐蚀金具
SEM
图像存在原始获取数据途径耗时长
、
成本高
、
数据稀缺等问题，单独采用
ResNet
还不能很好地适配该具体领域的图像识别应用
。

技术实现思路

[0005]针对上述现有技术存在的问题，本专利技术提供一种基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法，通过将
ResNet
作为基础模型，增强了模型的特征提取能力，更好地捕捉了图像中的腐蚀程度特征，并通过迁移学习的方式克服数据稀缺
、
领域知识迁移等问题，使得模型能够在有限数据情况下更好地适应并解决特定领域的图像识别任务
。
[0006]为了实现上述目的，本专利技术采用的技术方案如下：一种基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法，包括以下步骤：
S10、
获取腐蚀金具
SEM
图像的数据集：在实验室模拟酸雨对输电线金具不同程度工况的腐蚀，获得相应金具
SEM
图像的数据集，其中包含未腐蚀
、
细微结构腐蚀和亚表面腐蚀三种腐蚀类型，然后对数据集进行人工标注标签，并随机打散划分为训练集
、
验证集和测试集；
S20、
模型构建：构建一个基于
ResNet
的卷积神经网络作为
ResNet
网络模型，使用
已有的大规模图像数据集预训练
ResNet
网络模型的权重，将其作为基础模型结构；
S30、
模型迁移训练：将步骤
S10
获得的训练集数据作为模型的初始输入，使用预训练的
ResNet
网络模型对输入图像进行特征提取，使用交叉熵损失函数来衡量
ResNet
网络模型输出的预测结果与对应的标注标签之间的差异，并通过优化算法调整模型参数，使其逐步收敛，获得训练后的
ResNet
网络模型；
S40、
模型评估：使用步骤
S10
获得的验证集数据对训练后的
ResNet
网络模型进行评估，通过计算准确率
、
召回率和
F1 sorce
指标来评估模型的性能，根据评估结果对
ResNet
网络模型参数继续调优；
S50、
模型应用：使用步骤
S10
获得的测试集数据对调优后的
ResNet
网络模型进行验证，并将其应用于对腐蚀金具
SEM
图像的识别
。
[0007]具体地，所述步骤
S10
中标注标签后对数据集进行预处理，包括对图像添加噪声
、
旋转
、
调整明亮度
、
像素平移，以提高数据集包含的图像数据量
。
[0008]具体地，所述步骤
S10
中的数据集按6：2：2的比例分为训练集
、
验证集和测试集
。
[0009]具体地，所述步骤
S20
中的
ResNet
网络模型包括输入层
、
卷积层
、
批归一化层
、
由堆叠的残差块构成的瓶颈结构
、
全局平均池化层
、
全连接层和输出层，采用
ReLu
激活函数
、
交叉熵损失函数和随机梯度下降优化算法，其中每个残差块包含恒等映射分支和残差映射分支，恒等映射分支直接将残差块的输入传递到输出，保持输入信息的完整性，残差映射分支对残差块的输入进行卷积
、
批归一化和激活操作来进行特征变换输出，然后将恒等映射分支和残差映射分支的输出相加得到残差块的输出，形成残差连接
。
[0010]具体地，所述步骤
S20
中构建
ResNet
网络模型时，根据问题的复杂性和计算资源，通过试错法选择相应的层数和通道数
。
[0011]具体地，所述步骤
S20
中使用
ImageNet
数据集预训练
ResNet
网络模型的权重
。
[0012]具体地，所述步骤
S30
中在模型迁移训练时，先固定特征提取层，加载
ResNet
网络模型时，默认对参数值的每一次更改都将被本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法，其特征在于，包括以下步骤：
S10、
获取腐蚀金具
SEM
图像的数据集：在实验室模拟酸雨对输电线金具不同程度工况的腐蚀，获得相应金具
SEM
图像的数据集，其中包含未腐蚀
、
细微结构腐蚀和亚表面腐蚀三种腐蚀类型，然后对数据集进行人工标注标签，并随机打散划分为训练集
、
验证集和测试集；
S20、
模型构建：构建一个基于
ResNet
的卷积神经网络作为
ResNet
网络模型，使用已有的大规模图像数据集预训练
ResNet
网络模型的权重，将其作为基础模型结构；
S30、
模型迁移训练：将步骤
S10
获得的训练集数据作为模型的初始输入，使用预训练的
ResNet
网络模型对输入图像进行特征提取，使用交叉熵损失函数来衡量
ResNet
网络模型输出的预测结果与对应的标注标签之间的差异，并通过优化算法调整模型参数，使其逐步收敛，获得训练后的
ResNet
网络模型；
S40、
模型评估：使用步骤
S10
获得的验证集数据对训练后的
ResNet
网络模型进行评估，通过计算准确率
、
召回率和
F1 sorce
指标来评估
ResNet
网络模型模型的性能，根据评估结果对
ResNet
网络模型参数继续调优；
S50、
模型应用：使用步骤
S10
获得的测试集数据对调优后的
ResNet
网络模型进行验证，并将其应用于对腐蚀金具
SEM
图像的识别
。2.
根据权利要求1所述的基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法，其特征在于，所述
S10
中对数据集进行人工标注标签后，对数据集进行预处理，包括对图像添加噪声
、
旋转
、
调整明亮度
、
像素平移，以提高数据集包含的图像数据量
。3.
根据权利要求1所述的基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法，其特征在于，所述
S10
中的数据集按6：2：2的比例分为训练集
、
验证集和测试集
。4.
根据权利要求1所述的基于
ResNet
与迁移学习的腐蚀金具
SEM
图像识别方法，其特征在于，所述
S20
中的
ResNet
网络模型包括输入层

【专利技术属性】
技术研发人员：蔡萌琦，梁俊豪，王清远，闵光云，周林抒，陈小平，
申请(专利权)人：成都大学，
类型：发明
国别省市：