CN106815835A - 损伤识别方法及装置 - Google Patents
损伤识别方法及装置 Download PDFInfo
- Publication number
- CN106815835A CN106815835A CN201710018726.1A CN201710018726A CN106815835A CN 106815835 A CN106815835 A CN 106815835A CN 201710018726 A CN201710018726 A CN 201710018726A CN 106815835 A CN106815835 A CN 106815835A
- Authority
- CN
- China
- Prior art keywords
- impairment
- type
- sample image
- image block
- block
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30156—Vehicle coating
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种损伤识别方法及装置,属于航空设备技术领域。该损伤识别方法包括:对待识别图像进行预处理,预处理包括将待识别图像划分为M个子图像块,M为大于等于2的整数;将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型;预设识别模型通过卷积层、池化层及全连接层对子图像块进行识别;输出M个子图像块对应的损伤类型。本发明提供的损伤识别方法及装置,提高了飞行器表面损伤类型的识别率。
Description
技术领域
本发明涉及航空设备技术领域,尤其涉及一种损伤识别方法及装置。
背景技术
在航空领域,对于乘客而言,确保飞行器安全是至关重要的。以飞机为例,在对飞机进行A检和特种维修时,是通过对飞机表面进行目视检测,但该方法依赖于地勤人员的经验,使得检测的效率不高。
为了提高检测的准确率,现有技术中,通过摄像头采集飞机表面的图像,并对图像进行预处理,再提取预处理后的图像的灰度共生矩阵特征对飞机表面的损伤进行检测,但是采用该方式只能识别四种不同的损伤,并且由于灰度共生矩阵特征只是通过单一的特征描述飞机表面的损伤,因此,对于两种比较接近的损伤,采用该方法无法进行识别,从而导致飞机表面损伤类型的识别率较低。
发明内容
本发明提供一种损伤识别方法及装置,以提高飞行器表面损伤类型的识别率。
本发明实施例提供一种损伤识别方法,包括:
对待识别图像进行预处理,所述预处理包括将所述待识别图像划分为M个子图像块,M为大于等于2的整数;
将所述M个子图像块通过预设识别模型进行识别,确定所述M个子图像块对应的损伤类型;所述预设识别模型通过卷积层、池化层及全连接层对所述子图像块进行识别;
输出所述M个子图像块对应的损伤类型。
在本发明一实施例中,所述将所述M个子图像块通过预设识别模型进行识别之前,还包括:
预先获取所述预设识别模型。
在本发明一实施例中,所述预先获取所述预设识别模型,包括:
将已标记样本图像块通过初始识别模型进行识别,确定所述已标记的样本图像块对应的损伤类型;所述初始识别模型通过卷积层、池化层及全连接层对所述已标记样本图像块进行识别;其中,所述已标记样本图像块的个数等于预设批尺寸;
根据已标记样本图像块的标记损伤类型与所述已标记样本图像块的损伤类型获取所述预设识别模型。
在本发明一实施例中,所述将已标记样本图像块通过初始识别模型进行识别,确定所述已标记的样本图像块对应的损伤类型,包括:
获取所述已标记样本图像块中每一个已标记样本图像块对应的N种损伤类型的概率值;N为大于等于2的整数;
根据所述每一个已标记样本图像块对应的N种损伤类型的概率值确定所述每一个已标记样本图像块对应的损伤类型。
在本发明一实施例中,所述根据所述每一个已标记样本图像块对应的N种损伤类型的概率值确定所述每一个已标记样本图像块对应的损伤类型,包括:
判断所述每一个已标记样本图像块对应的N种损伤类型的概率值与预设阈值的大小关系;
将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述已标记样本图像块对应的损伤类型。
在本发明一实施例中,所述根据已标记样本图像块的标记损伤类型与所述已标记样本图像块的损伤类型获取所述预设识别模型,包括:
将所述标记损伤类型与所述已标记样本图像块的损伤类型进行比较,其中,所述比较次数小于等于预设迭代次数;
若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值收敛,则确定所述初始识别模型为所述预设识别模型;
若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值不收敛,则修改所述初始识别模型,得到所述预设识别模型。
在本发明一实施例中,所述将已标记样本图像块通过初始识别模型进行识别之前,还包括:
接收输入的样本图像块及所述样本图像块对应的标记损伤类型,得到所述已标记样本图像块。
在本发明一实施例中,所述将所述M个子图像块通过预设识别模型进行识别,确定所述M个子图像块对应的损伤类型,包括:
获取所述M个子图像块中每一个子图像块对应的N种损伤类型的概率值;
根据所述每一个子图像块对应的N种损伤类型的概率值确定所述每一个子图像块对应的损伤类型。
在本发明一实施例中,所述根据所述每一个子图像块对应的N种损伤类型的概率值确定所述每一个子图像块对应的损伤类型,包括:
判断所述每一个子图像块对应的N种损伤类型的概率值与预设阈值的大小关系;
将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述子图像块对应的损伤类型。
本发明实施例还提供一种损伤识别装置,包括:
处理模块,用于对待识别图像进行预处理,所述预处理包括将所述待识别图像划分为M个子图像块,M为大于等于2的整数;
确定模块,用于将所述M个子图像块通过预设识别模型进行识别,确定所述M个子图像块对应的损伤类型;所述预设识别模型通过卷积层、池化层及全连接层对所述子图像块进行识别;
输出模块,用于输出所述M个子图像块对应的损伤类型。
在本发明一实施例中,还包括:
获取模块,用于预先获取所述预设识别模型。
在本发明一实施例中,所述获取模块,具体用于将已标记样本图像块通过初始识别模型进行识别,确定所述已标记的样本图像块对应的损伤类型;所述初始识别模型通过卷积层、池化层及全连接层对所述已标记样本图像块进行识别;;其中,所述已标记样本图像块的个数等于预设批尺寸;并根据已标记样本图像块的标记损伤类型与所述已标记样本图像块的损伤类型获取所述预设识别模型。
在本发明一实施例中,所述获取模块,具体用于获取所述已标记样本图像块中每一个已标记样本图像块对应的N种损伤类型的概率值;N为大于等于2的整数;根据所述每一个已标记样本图像块对应的N种损伤类型的概率值确定所述每一个已标记样本图像块对应的损伤类型。
在本发明一实施例中,所述获取模块,具体用于判断所述每一个已标记样本图像块对应的N种损伤类型的概率值与预设阈值的大小关系;将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述已标记样本图像块对应的损伤类型。
在本发明一实施例中,所述获取模块,具体用于将所述标记损伤类型与所述已标记样本图像块的损伤类型进行比较;其中,所述比较次数小于等于预设迭代次数;若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值收敛,则确定所述初始识别模型为所述预设识别模型;若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值不收敛,则修改所述初始识别模型,得到所述预设识别模型。
在本发明一实施例中,还包括:
接收模块,用于接收输入的样本图像块及所述样本图像块对应的标记损伤类型,得到所述已标记样本图像块。
在本发明一实施例中,所述确定模块,具体用于获取所述M个子图像块中每一个子图像块对应的N种损伤类型的概率值;根据所述每一个子图像块对应的N种损伤类型的概率值确定所述每一个子图像块对应的损伤类型。
在本发明一实施例中,所述确定模块,具体用于判断所述每一个子图像块对应的N种损伤类型的概率值与预设阈值的大小关系;将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述子图像块对应的损伤类型。
本发明实施例提供的损伤识别方法及装置,通过对待识别图像进行预处理,预处理包括将待识别图像划分为M个子图像块,将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型;预设识别模型通过卷积层、池化层及全连接层对子图像块进行识别;输出M个子图像块对应的损伤类型。由此可见,本发明实施例提供的损伤识别方法,通过预先设置多种损伤类型,并对待识别图像进行预处理生成M个子图像块;之后再将M个子图像块通过卷积层、池化层及全连接层进行识别从而确定M个子图像块的损伤类型并进行输出,从而提高了飞行器表面损伤类型的识别率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种损伤识别方法的流程示意图;
图2为本发明实施例提供的一种预设识别模型的结构示意图;
图3为本发明实施例提供的另一种损伤识别方法的流程示意图;
图4为本发明实施例提供的一种预先获取预设识别模型的流程示意图;
图5为本发明实施例提供的一种确定M个子图像块对应的损伤类型的流程示意图;
图6为本发明实施例提供的一种确定已标记的样本图像块对应的损伤类型的流程示意图;
图7为本发明实施例提供的一种损伤识别装置的结构示意图;
图8为本发明实施例提供的另一种损伤识别装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中,在对图像采集设备所采集的飞机蒙皮图片进行损伤识别时,采用灰度共生矩阵特征只能识别四种不同的损伤,并且由于灰度共生矩阵特征只是通过单一的特征描述飞机表面的损伤,因此,对于两种比较接近的损伤,采用该方法无法进行识别,从而导致飞机表面损伤类型的识别率较低。本发明实施例提供的损伤识别方法,通过预先设置多种损伤类型,并对待识别图像进行预处理生成M个子图像块;之后再将M个子图像块通过卷积层、池化层及全连接层进行识别从而确定M个子图像块的损伤类型并进行输出,从而提高了飞行器表面损伤类型的识别率。下面,通过具体实施例,对本申请的技术方案进行详细说明。
需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本发明实施例提供的一种损伤识别方法的流程示意图,该损伤识别方法可以由损伤识别装置执行,示例的,该损伤识别装置可以集成在服务器中,当然,也可以集成在其他处理设备中。请参见图1所示,该损伤识别方法可以包括:
S101、对待识别图像进行预处理。
其中,预处理包括将待识别图像划分为M个子图像块,M为大于等于2的整数。
S102、将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型。
其中,预设识别模型通过卷积层、池化层及全连接层对子图像块进行识别。示例的,请参见图2所示,图2为本发明实施例提供的一种预设识别模型的结构示意图,该预设识别模型可以包括4个卷积层,3个池化层及2个全连接层,当然,也可以为其他数值,本发明实施例只是以4个卷积层,3个池化层及2个全连接层为例进行说明,但并不代表本发明仅局限于此。
S103、输出M个子图像块对应的损伤类型。
本发明实施例提供的损伤识别方法,通过对待识别图像进行预处理,预处理包括将待识别图像划分为M个子图像块,将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型;预设识别模型通过卷积层、池化层及全连接层对子图像块进行识别;输出M个子图像块对应的损伤类型。由此可见,本发明实施例提供的损伤识别方法,通过预先设置多种损伤类型,并对待识别图像进行预处理生成M个子图像块;之后再将M个子图像块通过卷积层、池化层及全连接层进行识别从而确定M个子图像块的损伤类型并进行输出,从而提高了飞行器表面损伤类型的识别率。
基于图1对应的实施例,在图1对应的实施例的基础上,进一步地,请参见图3所示,图3为本发明实施例提供的另一种损伤识别方法的流程示意图,该损伤识别方法可以包括:
S301、预先获取预设识别模型。
示例的,在本发明实施例中,通过预设识别模型对待识别图像进行损伤识别之前,需要预先获取预设识别模型,在获取到该预设识别模型之后,就可以对待识别图像进行预处理。示例的,可结合图2所示,该预设识别模型可以包括4个卷积层,3个池化层及2个全连接层,当然,也可以为其他数值,本发明实施例只是以4个卷积层,3个池化层及2个全连接层为例进行说明,但并不代表本发明仅局限于此。
S302、对待识别图像进行预处理。
其中,预处理包括将待识别图像划分为M个子图像块,M为大于等于2的整数。
S303、将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型;预设识别模型通过卷积层、池化层及全连接层对子图像块进行识别。
S304、输出M个子图像块对应的损伤类型。
在确定每一个子图像块对应的损伤类型之后,就可以输出该每一个子图像块对应的损伤类型。示例的,可以通过向量的方式输出每一个子图像块对应的损伤类型。如:第一子图像块对应的损伤类型为[0,0,1,0,0,0,0,1,0],第二子图像块对应的损伤类型为[0,0,0,1,0,0,0,0,0];…;第五子图像块对应的九种损伤类型的概率为[0,0,0,0,0,1,0,0,0]及第六子图像块对应的九种损伤类型的概率为[0,0,0,0,1,0,1,0,0],从而获取到该6个子图像块对应的损伤类型。其中,向量中的元素0表示不属于某一损伤类型,1表示属于某一损伤类型。
由此可见,本发明实施例提供的损伤识别方法,通过预先设置多种损伤类型,并对待识别图像进行预处理生成M个子图像块;之后再将M个子图像块通过卷积层、池化层及全连接层进行识别从而确定M个子图像块的损伤类型并进行输出,从而提高了飞行器表面损伤类型的识别率。
可选的,S301预先获取预设识别模型可以通过以下S401和S402实现,请参见图4所示,图4为本发明实施例提供的一种预先获取预设识别模型的流程示意图,具体为:
S401、接收输入的样本图像块及样本图像块对应的标记损伤类型,得到已标记样本图像块。
示例的,若预先接收输入的样本图像块为3个,当然,也可以为5个,或者6个等,具体可以根据实际需要进行设置,本发明实施例只是以3个为例进行说明,但并不代表本发明仅局限于此。这3个样本图像块分别为第一样本图像块、第二样本图像块及第三样本图像块。
在获取到这3个样本图像块之后,就可以对这三个样本图像块进行损伤类型标记,若第一样本图像块的损伤类型为第二损伤类型凹坑和第四损伤类型磨损,则将第一样本图像块标记为[0,1,0,1,0,0,0,0,0]。若第二样本图像块的损伤类型为第五损伤类型腐蚀,则将第二样本图像块标记为[0,0,0,0,1,0,0,0,0],若第三样本图像块的损伤类型为第七损伤类型掉漆和第九损伤类型静电烧蚀,则将第三样本图像块标记为[0,0,0,0,0,0,1,0,1],从而得到已标记的已标记样本图像块。
S402、将已标记样本图像块通过初始识别模型进行识别,确定已标记的样本图像块对应的损伤类型。
其中,初始识别模型通过卷积层、池化层及全连接层对已标记样本图像块进行识别。其中,已标记样本图像块的个数等于预设批尺寸。批尺寸用于指示深度学习网络中一次可同时处理的样本图像块的个数。
S403、根据已标记样本图像块的标记损伤类型与已标记样本图像块的损伤类型获取预设识别模型。
可选的,S403根据已标记样本图像块的标记损伤类型与已标记样本图像块的损伤类型获取预设识别模型,可以包括:
将标记损伤类型与已标记样本图像块的损伤类型进行比较,其中,比较次数小于等于预设迭代次数。
示例的,迭代次数用于指示深度学习中对一批样本图像块进行重复训练的次数。
若标记损伤类型与已标记样本图像块的损伤类型的差值收敛,则确定初始识别模型为预设识别模型。若标记损伤类型与已标记样本图像块的损伤类型的差值不收敛,则修改初始识别模型,得到预设识别模型。
示例的,在本发明实施例中,通过比较标记损伤类型与已标记样本图像块的损伤类型,若标记损伤类型与已标记样本图像块的损伤类型的差值收敛于某一值,不再发生变化时,则说明该初始识别模型符合损伤识别的需求,可以将该预设初始模型确定为预设识别模型。若标记损伤类型与已标记样本图像块的损伤类型的差值不收敛,则说明该初始识别模型的参数不准确,需要继续进行修改,以得到预设识别模型。
可选的,S303将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型可以通过以下S501-S503实现,请参见图5所示,图5为本发明实施例提供的一种确定M个子图像块对应的损伤类型的流程示意图,具体为:
S501、获取M个子图像块中每一个子图像块对应的N种损伤类型的概率值。
示例的,以M为6,N为9为例进行说明,即在本发明实施例中,将待识别图像预处理为6个子图像块,分别为第一子图像块、第二子图像块、第三子图像块、第四子图像块、第五子图像块及第六子图像块,九种损伤类型分别为:划痕(记为第一种损伤类型)、凹坑(记为第二种损伤类型)、裂纹(记为第三种损伤类型)、磨损(记为第四种损伤类型)、腐蚀(记为第五种损伤类型)、穿孔(记为第六种损伤类型)、掉漆(记为第七种损伤类型)、铆钉脱落(记为第八种损伤类型)及静电烧蚀(记为第九种损伤类型)。
示例的,6个子图像块对应的9种损伤类型的概率可以用向量表示。其中,第一个元素为子图像块对应的第一损伤类型的概率;第二个元素为子图像块对应的第二种损伤类型的概率、…、第八个元素为子图像块对应的第八个损伤类型的概率及第九个元素为子图像块对应的第九个损伤类型的概率。若获取到的第一子图像块对应的九种损伤类型的概率为[20%,23%,85%,10%,30%,57%,36%,88%,29%];第二子图像块对应的九种损伤类型的概率为[10%,33%,20%,90%,15%,27%,29%,34%,12%];…;第五子图像块对应的九种损伤类型的概率为[12%,15%,28%,32%,14%,92%,40%,33%,20%]及第六子图像块对应的九种损伤类型的概率为[34%,21%,54%,35%,90%,15%,89%,30%,9%],则可以根据获取到的概率值确定子图像块对应的损伤类型。
S502、判断每一个子图像块对应的N种损伤类型的概率值与预设阈值的大小关系。
可选的,预设阈值可以为80%,也可以为85%,当然,也可以为其他值,具体可以根据实际需要进行设置,在此,本发明不做进一步地限制。示例的,在本发明实施例中,预设阈值为80%。
S503、将概率值中大于预设阈值的概率值对应的损伤类型确定为子图像块对应的损伤类型。
结合S501可以看出,对于第一子图像块而言,其对应的第三损伤类型的概率值85%大于预设阈值80%,且其对应的第八损伤类型的概率值88%大于预设阈值80%,则可以确定第一子图像块对应的损伤类型为第三损伤类型裂纹和第八损伤类型铆钉脱落;同样的,对于第二子图像块而言,其对应的第四损伤类型的概率值90%大于预设阈值80%,则可以确定第二子图像块对应的损伤类型为第四损伤类型磨损;…;同样的,可以确定第五子图像块对应的损伤类型为第六损伤类型穿孔;第六子图像块对应的损伤类型为第五损伤类型腐蚀和第七损伤类型掉漆。
可选的,S402将已标记样本图像块通过初始识别模型进行识别,确定已标记的样本图像块对应的损伤类型,可以包括S601-S603,请参见图6所示,图6为本发明实施例提供的一种确定已标记的样本图像块对应的损伤类型的流程示意图。
S601、获取已标记样本图像块中每一个已标记样本图像块对应的N种损伤类型的概率值。
其中,N为大于等于2的整数。示例的,若获取到的第一样本图像块对应的九种损伤类型的概率为[10%,12%,4%,7%,29%,31%,90%,21%,8%];第二样本图像块对应的九种损伤类型的概率为[12%,2%,20%,11%,90%,27%,21%,9%,15%];第三样本图像块对应的九种损伤类型的概率为[15%,2%,32%,45%,5%,18%,89%,9%,95%],则可以根据获取到的概率值确定子图像块对应的损伤类型。
S602、判断每一个已标记样本图像块对应的N种损伤类型的概率值与预设阈值的大小关系。
S603、将概率值中大于预设阈值的概率值对应的损伤类型确定为已标记样本图像块对应的损伤类型。
结合S601可以看出,对于第一样本图像块而言,其对应的第七损伤类型的概率值90%大于预设阈值,则确定第一样本图像块对应的损伤类型为第七损伤类型。同样的,第二样本图像块对应的损伤类型为第五损伤类型,第三样本图像块对应的损伤类型为第七损伤类型和第九损伤类型,从而得到已标记样本图像块对应的损伤类型。
在实际应用过程中,可以预先通过将已标记样本图像块通过初始识别模型进行识别,确定已标记的样本图像块对应的损伤类型;将标记损伤类型与已标记样本图像块的损伤类型进行比较,若标记损伤类型与已标记样本图像块的损伤类型的差值收敛,则确定初始识别模型为预设识别模型;在获取到该预设识别模型之后,就可以通过对待识别图像进行预处理,并将M个子图像块通过预设识别模型的卷积层、池化层及全连接层对子图像块进行识别,从而确定M个子图像块对应的损伤类型;并输出M个子图像块对应的损伤类型。由此可见,本发明实施例提供的损伤识别方法,通过预先设置多种损伤类型,并对待识别图像进行预处理生成M个子图像块;之后再将M个子图像块通过卷积层、池化层及全连接层进行识别从而确定M个子图像块的损伤类型并进行输出,从而提高了飞行器表面损伤类型的识别率。
图7为本发明实施例提供的一种损伤识别装置70的结构示意图,请参见图7所示,该损伤识别装置70可以包括:
处理模块701,用于对待识别图像进行预处理,预处理包括将待识别图像划分为M个子图像块,M为大于等于2的整数。
确定模块702,用于将M个子图像块通过预设识别模型进行识别,确定M个子图像块对应的损伤类型;预设识别模型通过卷积层、池化层及全连接层对子图像块进行识别。
输出模块703,用于输出M个子图像块对应的损伤类型。
可选的,请参见图8所示,图8为本发明实施例提供的另一种损伤识别装置70的结构示意图,该损伤识别装置70还可以包括:
获取模块704,用于预先获取预设识别模型。
可选的,获取模块704,具体用于将已标记样本图像块通过初始识别模型进行识别,确定已标记的样本图像块对应的损伤类型;初始识别模型通过卷积层、池化层及全连接层对已标记样本图像块进行识别;其中,已标记样本图像块的个数等于预设批尺寸;并根据已标记样本图像块的标记损伤类型与已标记样本图像块的损伤类型获取预设识别模型。
可选的,获取模块704,具体用于获取已标记样本图像块中每一个已标记样本图像块对应的N种损伤类型的概率值;N为大于等于2的整数;根据每一个已标记样本图像块对应的N种损伤类型的概率值确定每一个已标记样本图像块对应的损伤类型。
可选的,获取模块704,具体用于判断每一个已标记样本图像块对应的N种损伤类型的概率值与预设阈值的大小关系;将概率值中大于预设阈值的概率值对应的损伤类型确定为已标记样本图像块对应的损伤类型。
可选的,获取模块704,具体用于将标记损伤类型与已标记样本图像块的损伤类型进行比较;其中,比较次数小于等于预设迭代次数;若标记损伤类型与已标记样本图像块的损伤类型的差值收敛,则确定初始识别模型为预设识别模型;若标记损伤类型与已标记样本图像块的损伤类型的差值不收敛,则修改初始识别模型,得到预设识别模型。
可选的,该损伤识别装置70还可以包括:
接收模块705,用于接收输入的样本图像块及样本图像块对应的标记损伤类型,得到已标记样本图像块。
可选的,确定模块702,具体用于获取M个子图像块中每一个子图像块对应的N种损伤类型的概率值;根据每一个子图像块对应的N种损伤类型的概率值确定每一个子图像块对应的损伤类型。
可选的,确定模块702,具体用于判断每一个子图像块对应的N种损伤类型的概率值与预设阈值的大小关系;将概率值中大于预设阈值的概率值对应的损伤类型确定为子图像块对应的损伤类型。
本发明实施例所示的损伤识别装置70的结构示意图,可以执行上述任一方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (18)
1.一种损伤识别方法,其特征在于,包括:
对待识别图像进行预处理,所述预处理包括将所述待识别图像划分为M个子图像块,M为大于等于2的整数;
将所述M个子图像块通过预设识别模型进行识别,确定所述M个子图像块对应的损伤类型;所述预设识别模型通过卷积层、池化层及全连接层对所述子图像块进行识别;
输出所述M个子图像块对应的损伤类型。
2.根据权利要求1所述的方法,其特征在于,所述将所述M个子图像块通过预设识别模型进行识别之前,还包括:
预先获取所述预设识别模型。
3.根据权利要求2所述的方法,其特征在于,所述预先获取所述预设识别模型,包括:
将已标记样本图像块通过初始识别模型进行识别,确定所述已标记的样本图像块对应的损伤类型;所述初始识别模型通过卷积层、池化层及全连接层对所述已标记样本图像块进行识别;其中,所述已标记样本图像块的个数等于预设批尺寸;
根据已标记样本图像块的标记损伤类型与所述已标记样本图像块的损伤类型获取所述预设识别模型。
4.根据权利要求3所述的方法,其特征在于,所述将已标记样本图像块通过初始识别模型进行识别,确定所述已标记的样本图像块对应的损伤类型,包括:
获取所述已标记样本图像块中每一个已标记样本图像块对应的N种损伤类型的概率值;N为大于等于2的整数;
根据所述每一个已标记样本图像块对应的N种损伤类型的概率值确定所述每一个已标记样本图像块对应的损伤类型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述每一个已标记样本图像块对应的N种损伤类型的概率值确定所述每一个已标记样本图像块对应的损伤类型,包括:
判断所述每一个已标记样本图像块对应的N种损伤类型的概率值与预设阈值的大小关系;
将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述已标记样本图像块对应的损伤类型。
6.根据权利要求3所述的方法,其特征在于,所述根据已标记样本图像块的标记损伤类型与所述已标记样本图像块的损伤类型获取所述预设识别模型,包括:
将所述标记损伤类型与所述已标记样本图像块的损伤类型进行比较,其中,所述比较次数小于等于预设迭代次数;
若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值收敛,则确定所述初始识别模型为所述预设识别模型;
若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值不收敛,则修改所述初始识别模型,得到所述预设识别模型。
7.根据权利要求6所述的方法,其特征在于,所述将已标记样本图像块通过初始识别模型进行识别之前,还包括:
接收输入的样本图像块及所述样本图像块对应的标记损伤类型,得到所述已标记样本图像块。
8.根据权利要求1-7任一项所述的方法,其特征在于,所述将所述M个子图像块通过预设识别模型进行识别,确定所述M个子图像块对应的损伤类型,包括:
获取所述M个子图像块中每一个子图像块对应的N种损伤类型的概率值;
根据所述每一个子图像块对应的N种损伤类型的概率值确定所述每一个子图像块对应的损伤类型。
9.根据权利要求8所述的方法,其特征在于,所述根据所述每一个子图像块对应的N种损伤类型的概率值确定所述每一个子图像块对应的损伤类型,包括:
判断所述每一个子图像块对应的N种损伤类型的概率值与预设阈值的大小关系;
将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述子图像块对应的损伤类型。
10.一种损伤识别装置,其特征在于,包括:
处理模块,用于对待识别图像进行预处理,所述预处理包括将所述待识别图像划分为M个子图像块,M为大于等于2的整数;
确定模块,用于将所述M个子图像块通过预设识别模型进行识别,确定所述M个子图像块对应的损伤类型;所述预设识别模型通过卷积层、池化层及全连接层对所述子图像块进行识别;
输出模块,用于输出所述M个子图像块对应的损伤类型。
11.根据权利要求10所述的装置,其特征在于,还包括:
获取模块,用于预先获取所述预设识别模型。
12.根据权利要求11所述的装置,其特征在于,
所述获取模块,具体用于将已标记样本图像块通过初始识别模型进行识别,确定所述已标记的样本图像块对应的损伤类型;所述初始识别模型通过卷积层、池化层及全连接层对所述已标记样本图像块进行识别;其中,所述已标记样本图像块的个数等于预设批尺寸;并根据已标记样本图像块的标记损伤类型与所述已标记样本图像块的损伤类型获取所述预设识别模型。
13.根据权利要求12所述的装置,其特征在于,
所述获取模块,具体用于获取所述已标记样本图像块中每一个已标记样本图像块对应的N种损伤类型的概率值;N为大于等于2的整数;根据所述每一个已标记样本图像块对应的N种损伤类型的概率值确定所述每一个已标记样本图像块对应的损伤类型。
14.根据权利要求13所述的装置,其特征在于,
所述获取模块,具体用于判断所述每一个已标记样本图像块对应的N种损伤类型的概率值与预设阈值的大小关系;将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述已标记样本图像块对应的损伤类型。
15.根据权利要求12所述的装置,其特征在于,
所述获取模块,具体用于将所述标记损伤类型与所述已标记样本图像块的损伤类型进行比较;其中,所述比较次数小于等于预设迭代次数;若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值收敛,则确定所述初始识别模型为所述预设识别模型;若所述标记损伤类型与所述已标记样本图像块的损伤类型的差值不收敛,则修改所述初始识别模型,得到所述预设识别模型。
16.根据权利要求15所述的装置,其特征在于,还包括:
接收模块,用于接收输入的样本图像块及所述样本图像块对应的标记损伤类型,得到所述已标记样本图像块。
17.根据权利要求10-16任一项所述的装置,其特征在于,
所述确定模块,具体用于获取所述M个子图像块中每一个子图像块对应的N种损伤类型的概率值;根据所述每一个子图像块对应的N种损伤类型的概率值确定所述每一个子图像块对应的损伤类型。
18.根据权利要求17所述的装置,其特征在于,
所述确定模块,具体用于判断所述每一个子图像块对应的N种损伤类型的概率值与预设阈值的大小关系;将所述概率值中大于所述预设阈值的概率值对应的损伤类型确定为所述子图像块对应的损伤类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710018726.1A CN106815835A (zh) | 2017-01-10 | 2017-01-10 | 损伤识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710018726.1A CN106815835A (zh) | 2017-01-10 | 2017-01-10 | 损伤识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106815835A true CN106815835A (zh) | 2017-06-09 |
Family
ID=59109314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710018726.1A Pending CN106815835A (zh) | 2017-01-10 | 2017-01-10 | 损伤识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106815835A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960256A (zh) * | 2018-06-28 | 2018-12-07 | 东软集团股份有限公司 | 一种部件损伤程度的确定方法、装置及设备 |
CN109558621A (zh) * | 2018-09-12 | 2019-04-02 | 中山大学 | 一种结构损伤识别方法及系统 |
CN111339944A (zh) * | 2020-02-26 | 2020-06-26 | 广东三维家信息科技有限公司 | 装修风格识别方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106156807A (zh) * | 2015-04-02 | 2016-11-23 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
-
2017
- 2017-01-10 CN CN201710018726.1A patent/CN106815835A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156807A (zh) * | 2015-04-02 | 2016-11-23 | 华中科技大学 | 卷积神经网络模型的训练方法及装置 |
CN104850858A (zh) * | 2015-05-15 | 2015-08-19 | 华中科技大学 | 一种注塑制品缺陷检测识别方法 |
CN105891215A (zh) * | 2016-03-31 | 2016-08-24 | 浙江工业大学 | 基于卷积神经网络的焊接视觉检测方法及装置 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN106226050A (zh) * | 2016-07-15 | 2016-12-14 | 北京航空航天大学 | 一种tfds故障自动识别方法 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
Non-Patent Citations (1)
Title |
---|
程文博 等: "基于卷积神经网络的注塑制品短射缺陷识别术", 《塑料工业》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960256A (zh) * | 2018-06-28 | 2018-12-07 | 东软集团股份有限公司 | 一种部件损伤程度的确定方法、装置及设备 |
CN109558621A (zh) * | 2018-09-12 | 2019-04-02 | 中山大学 | 一种结构损伤识别方法及系统 |
CN111339944A (zh) * | 2020-02-26 | 2020-06-26 | 广东三维家信息科技有限公司 | 装修风格识别方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977921B (zh) | 一种输电线路隐患检测方法 | |
CN112581430A (zh) | 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质 | |
CN107742093A (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
CN107563431A (zh) | 一种结合cnn迁移学习和svdd的图像异常检测方法 | |
CN108875620B (zh) | 入侵植物的监测方法及系统 | |
CN106815835A (zh) | 损伤识别方法及装置 | |
CN106355140B (zh) | 车辆检测的方法及装置 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
EP4124993A1 (en) | Automatic image classification and processing method based on continuous processing structure of multiple artificial intelligence model, and computer program stored in computer-readable recording medium to execute the same | |
CN112304614B (zh) | 采用多注意力机制的端到端滚动轴承智能故障诊断方法 | |
CN101739570A (zh) | 棉花异性纤维在线分类方法和系统 | |
CN115862073B (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
CN109387521A (zh) | 图像处理系统 | |
CN105678381A (zh) | 一种性别分类网络训练方法、性别分类方法及相关装置 | |
CN107860058A (zh) | 电暖器及其控制方法、装置、存储介质和处理器 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN115269342A (zh) | 一种基于边缘计算的监测云平台及其监测方法 | |
CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和系统 | |
CN114648708A (zh) | 光伏组件的状态检测方法及装置、存储介质及电子设备 | |
CN116385758A (zh) | 基于YOLOv5网络对传送带表面损伤的检测方法 | |
CN115294136A (zh) | 基于人工智能的纺织布瑕疵检测模型的构建检测方法 | |
CN114066438A (zh) | 基于模型的监控数据展示方法、装置、设备和存储介质 | |
CN109102486B (zh) | 基于机器学习的表面缺陷检测方法及装置 | |
CN109086737A (zh) | 基于卷积神经网络的航运货物监控视频识别方法及系统 | |
CN110394432B (zh) | 一种连铸保护浇注的检验方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170609 |
|
RJ01 | Rejection of invention patent application after publication |