CN108009581A - 一种基于cnn的裂纹识别方法、设备及存储设备 - Google Patents

一种基于cnn的裂纹识别方法、设备及存储设备 Download PDF

Info

Publication number
CN108009581A
CN108009581A CN201711239761.2A CN201711239761A CN108009581A CN 108009581 A CN108009581 A CN 108009581A CN 201711239761 A CN201711239761 A CN 201711239761A CN 108009581 A CN108009581 A CN 108009581A
Authority
CN
China
Prior art keywords
cnn
layer
test
samples pictures
learning networks
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
Application number
CN201711239761.2A
Other languages
English (en)
Inventor
丁华锋
王静婷
张雄伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN201711239761.2A priority Critical patent/CN108009581A/zh
Publication of CN108009581A publication Critical patent/CN108009581A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于CNN的裂纹识别方法、设备及存储设备，所述方法包括步骤：采集样本图片并进行分类；对分类后的样本图片进行预处理；建立CNN学习网络对样本图片进行学习；建立测试环节对经过训练后的CNN模型进行测试；判断测试结果是否满足要求；若不满足，则返回建立CNN学习网络的步骤继续执行；若满足，则获取期望的裂纹识别信息。一种基于CNN的裂纹识别设备及存储设备，用来实现所述方法。本发明可以实时高效地获得裂纹的识别信息。

Description

一种基于CNN的裂纹识别方法、设备及存储设备
技术领域
本发明涉及模式识别领域，具体涉及一种基于CNN的裂纹识别方法、设备及存储设备。
背景技术
在水下监测领域，例如对水坝水下坝体部分是否存在裂纹的监测，由于环境复杂，不可预测因素太多，使得水下坝体裂纹的监测异常困难。同时，现有设备不支持水下进行裂纹样本的采集监测，而采用人工定期入水检查的方式不仅效率低，而且成本过高，不切实际。因此，如何能够借助技术手段对水坝水下坝体裂纹进行有效监测就成为亟待解决的问题。
发明内容
本发明提供了一种基于CNN的裂纹识别方法、设备及存储设备，通过对样本图片进行分类和预处理，并采用CNN对分类和预处理后的样本图片进行分段处理，可以有效解决上述问题。
本发明提供的技术方案是：一种基于CNN的裂纹识别方法，所述方法包括步骤：采集样本图片并进行分类；对分类后的样本图片进行预处理；建立CNN学习网络对样本图片进行学习；建立测试环节对经过训练后的CNN模型进行测试；判断测试结果是否满足要求；若不满足，则返回建立CNN学习网络的步骤继续执行；若满足，则获取期望的裂纹识别信息。存储设备，所述存储设备存储指令及数据用于实现所述一种基于CNN的裂纹识别方法。一种基于CNN的裂纹识别设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种基于CNN的裂纹识别方法。
本发明的有益效果是：本发明提供了一种基于CNN的裂纹识别方法、设备及存储设备，通过对样本图片进行分类和预处理，并采用CNN对分类和预处理后的样本图片进行分段处理，可以实时高效地获得裂纹的识别信息。
附图说明
图1是本发明实施例中基于CNN的裂纹识别方法的整体流程图；
图2是本发明实施例中基于CNN的裂纹识别效果示意图；
图3是本发明实施例中处理过拟合效果示意图；
图4是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种基于CNN的裂纹识别方法、设备及存储设备。请参阅图1，图1是本发明实施例中基于CNN的裂纹识别方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：
S101：采集样本图片并进行分类,具体包括：对样本图片进行分类；所述分类具体为将样本图片分为：训练集、验证集及测试集。样本图片的采集量为702张,其中,训练集分配570张,测试集分配132张,验证集以训练集570张的10％，即57张为验证集张数。具体地，训练集分为有裂纹270张，没裂纹300张。测试集分为有裂纹63张，没裂纹69张。
S102：对分类后的样本图片进行预处理，具体为：对样本图片进行剪裁、对局部像素进行访问和更改、由RGB转为HSV或LAB颜色空间转换、数据类型转换、灰度处理、随机添加椒盐噪音及二值化。
S103：建立CNN学习网络对样本图片进行学习。所述CNN学习网络包括5部分，具体为：第一部分为：卷积层，激活函数层，池化层及高斯Dropout层；第二部分为：卷积层，激活函数层，池化层及高斯Dropout层；第三部分为：卷积层，激活函数层，池化层及高斯Dropout层；第四部分为：全连接层，激活层，高斯Dropout层及Dropout层；第五部分为：全连接层，活函数层，配置层。所述卷积层包含L2正则化项；所述全连接层包含L2正则化项。第一部分～第四部分中激活函数层使用的激活函数为relu；第五部分中激活函数层使用的激活函数为sigmod。所述配置层中包含优化项，具体为：Adam优化器或SGD优化器。
S104：建立测试环节对经过训练后的CNN模型进行测试。所述测试网络具体包括：训练层及测试层；在所述训练层中用训练集中的样本图片对CNN学习网络进行训练得到训练后的CNN学习网络；对训练后的CNN学习网络采用验证集中的样本图片进行验证；在所述测试层，采用测试集中的样本图片对验证后的CNN学习网络进行实地测试以获取实用的CNN学习网络。
S105：判断测试结果是否满足要求。
S106：若不满足，则返回建立CNN学习网络的步骤继续执行。
S107：若满足，则获取期望的裂纹识别信息。
错误率和精度使用率很高，但是在实际工程中不是唯一标准，并且常常不能满足任务需求。比如说在大坝裂纹检测中，精度表示进行判断时有裂纹和没有裂纹中有多少是判断正确的，但是在实际应用中，有裂纹对工程的影响重大，因此更加需要重视的应该是有裂纹的有多少能被检测出来，那么这个时候精度不是唯一性能度量了。
在大坝裂纹检测中，根据预测结果与标签的组合有四种检测结果，真实有裂纹样本预测也为有裂纹——真正例(true positive)，真实没裂纹预测为有裂纹——假正例(false positive)，真实有裂纹预测为没裂纹——假反例(false negative)，真实没裂纹预测为没裂纹——真反例(true negative)，分类的“混淆矩阵”如表1所示。
表1
查准率为P，查全率为R，分别定义为：
查全率与查准率一般来说是相互矛盾的，查全率大时查准率会相对小一些，因此需要根据具体检测对象来确定所需的性能度量。
参见图2，图2是本发明实施例中基于CNN的裂纹识别效果示意图，包括：拟合精度曲线201、样本集坐标轴202、精度轴203、查准率204及查全率205。由图中可见，精度曲线201稳步上升，查准率204为80.4％，查全率205为87.3％，上述指标显示了本发明方案在实际应用中的有效性。
参见图3，图3是本发明实施例中处理过拟合效果示意图，包括：过拟合曲线301、样本点302及调整后拟合曲线303。由图中可见，通过加载L2正则化项和Dropout层，可以有效的避免预测过程中的CNN网络过拟合现象的发生。
参见图4，图4是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种基于CNN的裂纹识别设备401、处理器402及存储设备403。
基于CNN的裂纹识别设备401：所述一种基于CNN的裂纹识别设备401实现所述一种基于CNN的裂纹识别方法。
处理器402：所述处理器402加载并执行所述存储设备403中的指令及数据用于实现所述的一种基于CNN的裂纹识别方法。
存储设备403：所述存储设备403存储指令及数据；所述存储设备403用于实现所述的一种基于CNN的裂纹识别方法。
通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术，本发明的实施例提供了一种基于CNN的裂纹识别方法、设备及存储设备，通过对样本图片进行分类和预处理，并采用CNN对分类和预处理后的样本图片进行分段处理，可以实时高效地获得裂纹的识别信息。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于CNN的裂纹识别方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：采集样本图片并进行分类；对分类后的样本图片进行预处理；建立CNN学习网络对样本图片进行学习；建立测试环节对经过训练后的CNN模型进行测试；判断测试结果是否满足要求；若不满足，则返回建立CNN学习网络的步骤继续执行；若满足，则获取期望的裂纹识别信息。
2.如权利要求1所述的一种基于CNN的裂纹识别方法，其特征在于：所述采集样本图片并进行分类具体包括：对样本图片进行分类；所述分类具体为将样本图片分为：训练集、验证集及测试集。
3.如权利要求1所述的一种基于CNN的裂纹识别方法，其特征在于：所述对分类后的样本图片进行预处理具体为：对样本图片进行剪裁、对局部像素进行访问和更改、由RGB转为HSV或LAB颜色空间转换、数据类型转换、灰度处理、随机添加椒盐噪音及二值化。
4.如权利要求1所述的一种基于CNN的裂纹识别方法，其特征在于：所述CNN学习网络包括5部分，具体为：第一部分为：卷积层，激活函数层，池化层及高斯Dropout层；第二部分为：卷积层，激活函数层，池化层及高斯Dropout层；第三部分为：卷积层，激活函数层，池化层及高斯Dropout层；第四部分为：全连接层，激活层，高斯Dropout层及Dropout层；第五部分为：全连接层，活函数层，配置层。
5.如权利要求4所述的一种基于CNN的裂纹识别方法，其特征在于：所述卷积层包含L2正则化项；所述全连接层包含L2正则化项。
6.如权利要求4所述的一种基于CNN的裂纹识别方法，其特征在于：第一部分～第四部分中激活函数层使用的激活函数为relu；第五部分中激活函数层使用的激活函数为sigmod。
7.如权利要求4所述的一种基于CNN的裂纹识别方法，其特征在于：所述配置层中包含优化项，具体为：Adam优化器或SGD优化器。
8.如权利要求2所述的一种基于CNN的裂纹识别方法，其特征在于：所述测试环节具体包括：训练层及测试层；在所述训练层中用训练集中的样本图片对CNN学习网络进行训练得到训练后的CNN学习网络；对训练后的CNN学习网络采用验证集中的样本图片进行验证；在所述测试层，采用测试集中的样本图片对验证后的CNN学习网络进行实地测试以获取实用的CNN学习网络。
9.存储设备，其特征包括：所述存储设备存储指令及数据用于实现权利要求1～8所述的任意一种方法。
10.一种基于CNN的裂纹识别设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行权利要求9中所述存储设备中的指令及数据用于实现权利要求1～8所述的任意一种方法。
CN201711239761.2A 2017-11-30 2017-11-30 一种基于cnn的裂纹识别方法、设备及存储设备 Pending CN108009581A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711239761.2A CN108009581A (zh) 2017-11-30 2017-11-30 一种基于cnn的裂纹识别方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711239761.2A CN108009581A (zh) 2017-11-30 2017-11-30 一种基于cnn的裂纹识别方法、设备及存储设备

Publications (1)

Publication Number Publication Date
CN108009581A true CN108009581A (zh) 2018-05-08

Family

ID=62055425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711239761.2A Pending CN108009581A (zh) 2017-11-30 2017-11-30 一种基于cnn的裂纹识别方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN108009581A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765381A (zh) * 2018-05-15 2018-11-06 南水北调东线山东干线有限责任公司 一种水利工程裂纹提取方法及系统、信息处理终端
CN109472272A (zh) * 2018-11-05 2019-03-15 四川长虹电器股份有限公司 一种基于自编码卷积网络的线条检测方法

Citations (8)

* Cited by examiner, † Cited by third party
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
CN106682649A (zh) * 2017-01-24 2017-05-17 成都容豪电子信息科技有限公司 一种基于深度学习的车型识别方法
CN106803069A (zh) * 2016-12-29 2017-06-06 南京邮电大学 基于深度学习的人群高兴程度识别方法
CN106875381A (zh) * 2017-01-17 2017-06-20 同济大学 一种基于深度学习的手机外壳缺陷检测方法
CN107169956A (zh) * 2017-04-28 2017-09-15 西安工程大学 基于卷积神经网络的色织物疵点检测方法
CN107180225A (zh) * 2017-04-19 2017-09-19 华南理工大学 一种针对卡通人物面部表情的识别方法
CN107301383A (zh) * 2017-06-07 2017-10-27 华南理工大学 一种基于Fast R‑CNN的路面交通标志识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
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
CN106803069A (zh) * 2016-12-29 2017-06-06 南京邮电大学 基于深度学习的人群高兴程度识别方法
CN106875381A (zh) * 2017-01-17 2017-06-20 同济大学 一种基于深度学习的手机外壳缺陷检测方法
CN106682649A (zh) * 2017-01-24 2017-05-17 成都容豪电子信息科技有限公司 一种基于深度学习的车型识别方法
CN107180225A (zh) * 2017-04-19 2017-09-19 华南理工大学 一种针对卡通人物面部表情的识别方法
CN107169956A (zh) * 2017-04-28 2017-09-15 西安工程大学 基于卷积神经网络的色织物疵点检测方法
CN107301383A (zh) * 2017-06-07 2017-10-27 华南理工大学 一种基于Fast R‑CNN的路面交通标志识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
KASTHURIRANGAN GOPALAKRISHNAN 等: "Deep Convolutional Neural Networks with transfer learning for computer vision-based data-driven pavement distress detection", 《CONSTRUCTION AND BUILDING MATERIALS》 *
YOUNG-JIN CHA 等: "Deep Learning-Based Crack Damage Detection Using Convolutional Neural Networks", 《COMPUTER-AIDED CIVIL AND INFRASTRUCTURE ENGINEERING》 *
周飞燕 等: "卷积神经网络研究综述", 《计算机学报》 *
张庆辉 等: "卷积神经网络综述", 《中原工学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108765381A (zh) * 2018-05-15 2018-11-06 南水北调东线山东干线有限责任公司 一种水利工程裂纹提取方法及系统、信息处理终端
CN108765381B (zh) * 2018-05-15 2022-04-15 南水北调东线山东干线有限责任公司 一种水利工程裂纹提取方法及系统、信息处理终端
CN109472272A (zh) * 2018-11-05 2019-03-15 四川长虹电器股份有限公司 一种基于自编码卷积网络的线条检测方法

Similar Documents

Publication Publication Date Title
WO2020073951A1 (zh) 用于图像识别的模型的训练方法、装置、网络设备和存储介质
Pennekamp et al. Implementing image analysis in laboratory‐based experimental systems for ecology and evolution: a hands‐on guide
US10467547B1 (en) Normalizing text attributes for machine learning models
CN108229580A (zh) 一种基于注意力机制及特征融合的眼底图中糖网特征分级装置
JP2015087903A (ja) 情報処理装置及び情報処理方法
CN113919442B (zh) 一种基于卷积神经网络烟叶成熟度状态识别方法
CN110288007A (zh) 数据标注的方法、装置及电子设备
CN112819063B (zh) 一种基于改进的Focal损失函数的图像识别方法
CN109271897B (zh) 人脸动作单元检测方法、装置、计算机设备及存储介质
CN108009581A (zh) 一种基于cnn的裂纹识别方法、设备及存储设备
CN111126347A (zh) 人眼状态识别方法、装置、终端及可读存储介质
Wang et al. Automatic rebar counting using image processing and machine learning
Remya et al. A comprehensive study on convolutional neural networks for chromosome classification
CN111522736A (zh) 一种软件缺陷预测方法、装置、电子设备及计算机存储介质
WO2022042509A1 (zh) 基于表达量预测模型的细胞筛选方法和装置
CN113283388B (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
CN114913523B (zh) 基于yolox的植物气孔多功能实时智能识别系统
CN113221761B (zh) 基于集成式Yolo网络的iPSCs群落检测方法、存储介质及装置
CN115482189A (zh) 显示面板的缺陷检测方法、装置、存储介质及电子设备
Li et al. A lightweight fully convolutional neural network of high accuracy surface defect detection
CN112613521A (zh) 基于数据转换的多层次数据分析系统及方法
Liu et al. Domestic Waste Sorting System Based on Deep Learning
Mondal et al. Forensic Source Identification of OSN Compressed Images
CN115018066B (zh) 一种边端模式下的深度神经网络本地化训练方法
CN107977681A (zh) 一种基于svm的裂纹识别方法、设备及存储设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180508