CN110175985A - 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 - Google Patents
碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN110175985A CN110175985A CN201910324309.9A CN201910324309A CN110175985A CN 110175985 A CN110175985 A CN 110175985A CN 201910324309 A CN201910324309 A CN 201910324309A CN 110175985 A CN110175985 A CN 110175985A
- Authority
- CN
- China
- Prior art keywords
- faster
- carbon fiber
- core wire
- fiber composite
- formula
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了碳纤维复合芯导线损伤检测方法,包括以下步骤:S1:采用X射线成像的方式对碳纤维复合芯导线进行图像采集;S2:对碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;S3:根据训练样本的样本特征确定Faster R‑CNN网络的输入、输出和中间部分结构;S4:使用训练样本训练Faster R‑CNN网络,确定训练效果最优的Faster R‑CNN网络,作为损伤检测模型;S5:使用损伤检测模型对经过预处理标准化后的检测样本进行检测,标记出碳纤维复合芯导线图像中的损伤位置。本发明还公开了相应的装置和计算机存储介质。本发明能够有效区分损伤区域与背景。
Description
技术领域
本发明涉及无损检测技术,特别是涉及碳纤维复合芯导线损伤检测方法、装置及计算机存储介质。
背景技术
碳纤维复合芯导线具有弧垂小、载流量大、重量轻等优点,在线路增容改造时可充分利用原有杆塔,即能大幅提升线路输送容量,是目前应对通道资源紧张、负荷快速增长的便利手段之一。应用中发现,碳纤维复合芯导线,尤其是导线的碳纤维复合芯,在产品生产、安装架线等过程中极易产生损伤,如果不能及时发现这些损伤并进行处理,必然危及输电线路的运行安全。
射线检测技术作为一种通用的用于发现设备或材料内部缺陷的检测技术,当应用于碳纤维复合芯导线损伤的检测时,受外层铝股之间的间隙的影响,获得的射线图片中,内部复合芯棒损伤缺陷的影像往往被众多的铝股之间间隙影像所遮挡或干扰,导致缺陷影像不易被识别,甚至造成漏检。另外一方面,损伤的影响较为模糊且在图像中呈现尺寸较小,肉眼识别速度慢、漏检率高。
对于上述问题,常规的检测方法大都是通过将图像进行锐化、灰度变换、平滑和傅里叶变换后的图像预处理方法,然后进行二值化处理,图像边缘提取和图像识别技术提取出缺陷图像。但此类方法因为损伤区域不是很明显,与背景对比度相差不大,效果十分有限。
发明内容
发明目的:本发明的目的是提供一种碳纤维复合芯导线损伤检测方法、装置及计算机存储介质,能够解决现有技术中存在的“无法有效区分损伤区域与背景”的技术问题。
技术方案:本发明所述的碳纤维复合芯导线损伤检测方法,包括以下步骤:
S1:采用X射线成像的方式对碳纤维复合芯导线进行图像采集,获得碳纤维复合芯导线图像;
S2:根据步骤S1采集得到的碳纤维复合芯导线图像整体的特征分布,对所述碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;
S3:根据步骤S2得到的训练样本的样本特征确定Faster R-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层;
S4:使用步骤S2得到的训练样本训练步骤S3得到的Faster R-CNN网络,确定训练效果最优的Faster R-CNN网络作为损伤检测模型;
S5:使用步骤S4得到的损伤检测模型对经过预处理标准化后的检测样本进行检测,标记出碳纤维复合芯导线图像中的损伤位置。
进一步,所述步骤S3中,Faster R-CNN网络的输出通过以下过程确定:根据碳纤维复合芯导线图像的形貌,将无损伤、折断、锯断、空隙、裂缝分别进行分类,并将分类结果和定位位置作为Faster R-CNN网络的输出。
进一步,所述步骤S4中,使用步骤S2得到的训练样本训练步骤S3得到的Faster R-CNN网络的过程中,采用如式(1)所示的损失函数L({pi},{ti})进行训练:
式(1)中,Lcls(pi,pi *)为分类损失,如式(2)所示;Lreg(ti,ti *)为回归损失,如式(4)所示;pi表示预测的损伤位置框中Faster R-CNN网络输出的预测的第i个训练样本的分类概率,pi *表示第i个训练样本的真实标签类别,ti表示预测的第i个损伤位置框的位置,ti *表示实际的第i个损伤位置框的位置,Ncls表示预测分类总数,Nreg表示预测的损伤位置框总数,λ表示系数;
式(2)中,T表示训练样本输入Faster R-CNN网络后的概率输出的类别总数;yi如式(4)表示;Sj如式(3)所示;
式(3)中,αk为训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为k类别的概率;αj表示训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为j类别的概率;
Lreg(ti,ti *)=R(ti-ti *) (5)
式(5)中,R(ti-ti *)如式(6)所示;式(6)中,σ取值为3。
进一步,所述步骤S4中,训练过程中,Faster R-CNN网络根据损失函数的数值,根据反向传播算法和亚当优化算法逐层计算更新量,更新Faster R-CNN网络的权值和偏置。
本发明所述的碳纤维复合芯导线损伤检测装置,包括:
图像采集模块:用于采用X射线成像的方式对碳纤维复合芯导线进行图像采集,获得碳纤维复合芯导线图像;
图像制作模块:用于根据图像采集模块采集得到的碳纤维复合芯导线图像整体的特征分布,对所述碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;
网络生成模块:用于根据图像制作模块得到的训练样本的样本特征确定FasterR-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层;
模型生成模块:用于使用图像制作模块得到的训练样本训练网络生成模块得到的Faster R-CNN网络,确定训练效果最优的Faster R-CNN网络作为损伤检测模型;
损伤检测模块:用于使用模型生成模块得到的损伤检测模型对经过预处理标准化后的检测样本进行检测,标记出碳纤维复合芯导线图像中的损伤位置。
进一步,所述网络生成模块通过以下过程确定Faster R-CNN网络的输出:根据碳纤维复合芯导线图像的形貌,将无损伤、折断、锯断、空隙、裂缝分别进行分类,并将分类结果和定位位置作为Faster R-CNN网络的输出。
进一步,所述使用图像制作模块得到的训练样本训练网络生成模块得到的FasterR-CNN网络的过程中,采用如式(1)所示的损失函数L({pi},{ti})进行训练:
式(1)中,Lcls(pi,pi *)为分类损失,如式(2)所示;Lreg(ti,ti *)为回归损失,如式(4)所示;pi表示预测的损伤位置框中Faster R-CNN网络输出的预测的第i个训练样本的分类概率,pi *表示第i个训练样本的真实标签类别,ti表示预测的第i个损伤位置框的位置,ti *表示实际的第i个损伤位置框的位置,Ncls表示预测分类总数,Nreg表示预测的损伤位置框总数,λ表示系数;
式(2)中,T表示训练样本输入Faster R-CNN网络后的概率输出的类别总数;yi如式(4)表示;Sj如式(3)所示;
式(3)中,αk为训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为k类别的概率;αj表示训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为j类别的概率;
Lreg(ti,ti *)=R(ti-ti *) (5)
式(5)中,R(ti-ti *)如式(6)所示;式(6)中,σ取值为3。
进一步,所述模型生成模块的训练过程中,Faster R-CNN网络根据损失函数的数值,根据反向传播算法和亚当优化算法逐层计算更新量,更新Faster R-CNN网络的权值和偏置。
本发明所述的计算机存储介质,所述计算机存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现所述的碳纤维复合芯导线损伤检测方法的步骤。
有益效果:本发明公开了一种碳纤维复合芯导线损伤检测方法、装置及计算机存储介质,本发明通过训练Faster R-CNN网络能够自动实现碳纤维复合芯导线的损伤检测,检测效率和精度高,能够有效区分损伤区域与背景。
附图说明
图1为本发明具体实施方式中Faster R-CNN网络的工作流程图;
图2为本发明具体实施方式中Faster R-CNN网络的卷积层的工作流程图;
图3为本发明具体实施方式中Faster R-CNN网络的候选区域网络的工作流程图;
图4为本发明具体实施方式中Faster R-CNN网络的区域卷积层的工作流程图;
图5为本发明具体实施方式中方法的流程图。
具体实施方式
本具体实施方式公开了一种碳纤维复合芯导线损伤检测方法,如图5所示,包括以下步骤:
S1:采用X射线成像的方式对碳纤维复合芯导线进行图像采集;
S2:根据步骤S1采集得到的碳纤维复合芯导线图像整体的特征分布,对碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;
S3:根据步骤S2得到的训练样本的样本特征确定Faster R-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层;
S4:使用步骤S2得到的训练样本训练步骤S3得到的Faster R-CNN网络,确定训练效果最优的Faster R-CNN网络,Faster R-CNN网络作为损伤检测模型;
S5:使用步骤S4得到的损伤检测模型对经过预处理标准化后的检测样本进行检测,自动标记出碳纤维复合芯导线图像中的损伤位置,并分类输出损伤情况。
步骤S2中,对碳纤维复合芯导线图像进行制作的过程包括对碳纤维复合芯导线图像进行裁剪,去除图像中导线以外的部分,并标记出损伤区域和类型。其中,标记损伤区域可以采用人工手动标记的方式,画出矩形框将损伤区域框出。
步骤S3中,Faster R-CNN网络的输入根据碳纤维复合芯导线进行图像的尺寸进行确定。步骤S3中,Faster R-CNN网络的输出通过以下过程确定:根据碳纤维复合芯导线图像的形貌,将无损伤、折断、锯断、空隙、裂缝分别进行分类,并将分类结果和定位位置作为Faster R-CNN网络的输出。
图1示出了,Faster R-CNN网络的工作流程图。Faster R-CNN网络的各参数设置:迭代次数为50次,批次大小为32,初始学习率为0.0001,损失函数采用交叉熵损失函数和L1范式损失函数,优化器为亚当优化器。Faster R-CNN网络包括卷积层、候选区域层和区域卷积层。其中,各个层的工作流程如下。
(1)卷积层的工作流程
如图2所示,卷积层的工作流程为:数据输入至第一卷积层,第一卷积层处理后输出至第一批归一化层,第一批归一化层处理后输出至第一池化层,第一池化层处理后输出至第二卷积层,第二卷积层处理后输出至第二批归一化层,第二批归一化层处理后输出至第二池化层,第二池化层处理后输出至第三卷积层,第三卷积层处理后输出至第四卷积层,第四卷积层处理后输出至第五卷积层,第五卷积层处理后进行卷积输出。其中,第一卷积层又称第一激活层,第二卷积层又称第二激活层,第三卷积层又称第三激活层,第四卷积层又称第四激活层,第五卷积层又称第五激活层。
(2)候选区域网络的工作流程
如图3所示,候选区域网络的工作流程为:卷积输出至第六卷积层,第六卷积层进行预测框估计之后送至候选框层,第一卷积层进行分类得分估计后再进行分类估计,分类估计结果送至候选框层,候选框层进行候选区域输出。
(3)区域卷积层的工作流程
如图4所示,区域卷积层的工作流程为:卷积输出至感兴趣区域池化层,候选区域也输出至感兴趣区域池化层,感兴趣区域池化层处理后输出至第一全连接层,第一全连接层处理后输出至第二全连接层,第二全连接层处理后分别进行预测框估计和分类得分估计,分类得分估计之后进行分类估计。其中,感兴趣区域池化层又称第三池化层,第一全连接层又称第六激活层,第一全连接层还可以称为第一dropout层,第二全连接层又称第七激活层,第二全连接层还可以称为第二dropout层。
步骤S4中,使用步骤S2得到的训练样本训练步骤S3得到的Faster R-CNN网络的过程中,采用如式(1)所示的损失函数L({pi},{ti})进行训练:
式(1)中,Lcls(pi,pi *)为分类损失,如式(2)所示;Lreg(ti,ti *)为回归损失,如式(4)所示;pi表示预测的损伤位置框中Faster R-CNN网络输出的预测的第i个训练样本的分类概率,pi *表示第i个训练样本的真实标签类别,ti表示预测的第i个损伤位置框的位置,ti *表示实际的第i个损伤位置框的位置,Ncls表示预测分类总数,Nreg表示预测的损伤位置框总数,λ表示系数;
式(2)中,T表示训练样本输入Faster R-CNN网络后的概率输出的类别总数;yi如式(4)表示;Sj如式(3)所示;
式(3)中,αk为训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为k类别的概率;αj表示训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为j类别的概率;
Lreg(ti,ti *)=R(ti-ti *) (5)
式(5)中,R(ti-ti *)如式(6)所示;式(6)中,σ取值为3。
步骤S4中,训练过程中,Faster R-CNN网络根据损失函数的数值,根据反向传播算法和亚当优化算法逐层计算更新量,从而更新Faster R-CNN网络的权值和偏置。
本具体实施方式还公开了碳纤维复合芯导线损伤检测装置,包括:
图像采集模块:用于采用X射线成像的方式对碳纤维复合芯导线进行图像采集,获得碳纤维复合芯导线图像;
图像制作模块:用于根据图像采集模块采集得到的碳纤维复合芯导线图像整体的特征分布,对所述碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;
网络生成模块:用于根据图像制作模块得到的训练样本的样本特征确定FasterR-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层;
模型生成模块:用于使用图像制作模块得到的训练样本训练网络生成模块得到的Faster R-CNN网络,确定训练效果最优的Faster R-CNN网络作为损伤检测模型;
损伤检测模块:用于使用模型生成模块得到的损伤检测模型对经过预处理标准化后的检测样本进行检测,标记出碳纤维复合芯导线图像中的损伤位置。
网络生成模块通过以下过程确定Faster R-CNN网络的输出:根据碳纤维复合芯导线图像的形貌,将无损伤、折断、锯断、空隙、裂缝分别进行分类,并将分类结果和定位位置作为Faster R-CNN网络的输出。
模型生成模块使用图像制作模块得到的训练样本训练网络生成模块得到的Faster R-CNN网络的过程中,采用如式(1)所示的损失函数L({pi},{ti})进行训练:
式(1)中,Lcls(pi,pi *)为分类损失,如式(2)所示;Lreg(ti,ti *)为回归损失,如式(4)所示;pi表示预测的损伤位置框中Faster R-CNN网络输出的预测的第i个训练样本的分类概率,pi *表示第i个训练样本的真实标签类别,ti表示预测的第i个损伤位置框的位置,ti *表示实际的第i个损伤位置框的位置,Ncls表示预测分类总数,Nreg表示预测的损伤位置框总数,λ表示系数;
式(2)中,T表示训练样本输入Faster R-CNN网络后的概率输出的类别总数;yi如式(4)表示;Sj如式(3)所示;
式(3)中,αk为训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为k类别的概率;αj表示训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为j类别的概率;
Lreg(ti,ti *)=R(ti-ti *) (5)
式(5)中,R(ti-ti *)如式(6)所示;式(6)中,σ取值为3。
模型生成模块的训练过程中,Faster R-CNN网络根据损失函数的数值,根据反向传播算法和亚当优化算法逐层计算更新量,更新Faster R-CNN网络的权值和偏置。
本具体实施方式还公开了一种计算机存储介质,计算机存储介质上存储有计算机程序,计算机程序被处理器执行时,实现碳纤维复合芯导线损伤检测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.碳纤维复合芯导线损伤检测方法,其特征在于:包括以下步骤:
S1:采用X射线成像的方式对碳纤维复合芯导线进行图像采集,获得碳纤维复合芯导线图像;
S2:根据步骤S1采集得到的碳纤维复合芯导线图像整体的特征分布,对所述碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;
S3:根据步骤S2得到的训练样本的样本特征确定Faster R-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层;
S4:使用步骤S2得到的训练样本训练步骤S3得到的Faster R-CNN网络,确定训练效果最优的Faster R-CNN网络作为损伤检测模型;
S5:使用步骤S4得到的损伤检测模型对经过预处理标准化后的检测样本进行检测,标记出碳纤维复合芯导线图像中的损伤位置。
2.根据权利要求1所述的碳纤维复合芯导线损伤检测方法,其特征在于:所述步骤S3中,Faster R-CNN网络的输出通过以下过程确定:根据碳纤维复合芯导线图像的形貌,将无损伤、折断、锯断、空隙、裂缝分别进行分类,并将分类结果和定位位置作为Faster R-CNN网络的输出。
3.根据权利要求1所述的碳纤维复合芯导线损伤检测方法,其特征在于:所述步骤S4中,使用步骤S2得到的训练样本训练步骤S3得到的Faster R-CNN网络的过程中,采用如式(1)所示的损失函数L({pi},{ti})进行训练:
式(1)中,Lcls(pi,pi *)为分类损失,如式(2)所示;Lreg(ti,ti *)为回归损失,如式(4)所示;pi表示预测的损伤位置框中Faster R-CNN网络输出的预测的第i个训练样本的分类概率,pi *表示第i个训练样本的真实标签类别,ti表示预测的第i个损伤位置框的位置,ti *表示实际的第i个损伤位置框的位置,Ncls表示预测分类总数,Nreg表示预测的损伤位置框总数,λ表示系数;
式(2)中,T表示训练样本输入Faster R-CNN网络后的概率输出的类别总数;yi如式(4)表示;Sj如式(3)所示;
式(3)中,αk为训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为k类别的概率;αj表示训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为j类别的概率;
Lreg(ti,ti *)=R(ti-ti *) (5)
式(5)中,R(ti-ti *)如式(6)所示;式(6)中,σ取值为3。
4.根据权利要求3所述的碳纤维复合芯导线损伤检测方法,其特征在于:所述步骤S4中,训练过程中,Faster R-CNN网络根据损失函数的数值,根据反向传播算法和亚当优化算法逐层计算更新量,更新Faster R-CNN网络的权值和偏置。
5.碳纤维复合芯导线损伤检测装置,其特征在于:包括:
图像采集模块:用于采用X射线成像的方式对碳纤维复合芯导线进行图像采集,获得碳纤维复合芯导线图像;
图像制作模块:用于根据图像采集模块采集得到的碳纤维复合芯导线图像整体的特征分布,对所述碳纤维复合芯导线图像进行制作,得到训练样本和检测样本;
网络生成模块:用于根据图像制作模块得到的训练样本的样本特征确定Faster R-CNN网络的输入、输出、卷积层、候选区域网络和区域卷积层;
模型生成模块:用于使用图像制作模块得到的训练样本训练网络生成模块得到的Faster R-CNN网络,确定训练效果最优的Faster R-CNN网络作为损伤检测模型;
损伤检测模块:用于使用模型生成模块得到的损伤检测模型对经过预处理标准化后的检测样本进行检测,标记出碳纤维复合芯导线图像中的损伤位置。
6.根据权利要求5所述的碳纤维复合芯导线损伤检测装置,其特征在于:所述网络生成模块通过以下过程确定Faster R-CNN网络的输出:根据碳纤维复合芯导线图像的形貌,将无损伤、折断、锯断、空隙、裂缝分别进行分类,并将分类结果和定位位置作为Faster R-CNN网络的输出。
7.根据权利要求5所述的碳纤维复合芯导线损伤检测装置,其特征在于:所述使用图像制作模块得到的训练样本训练网络生成模块得到的Faster R-CNN网络的过程中,采用如式(1)所示的损失函数L({pi},{ti})进行训练:
式(1)中,Lcls(pi,pi *)为分类损失,如式(2)所示;Lreg(ti,ti *)为回归损失,如式(4)所示;pi表示预测的损伤位置框中Faster R-CNN网络输出的预测的第i个训练样本的分类概率,pi *表示第i个训练样本的真实标签类别,ti表示预测的第i个损伤位置框的位置,ti *表示实际的第i个损伤位置框的位置,Ncls表示预测分类总数,Nreg表示预测的损伤位置框总数,λ表示系数;
式(2)中,T表示训练样本输入Faster R-CNN网络后的概率输出的类别总数;yi如式(4)表示;Sj如式(3)所示;
式(3)中,αk为训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为k类别的概率;αj表示训练样本输入Faster R-CNN网络后,Faster R-CNN网络输出的判定为j类别的概率;
Lreg(ti,ti *)=R(ti-ti *) (5)
式(5)中,R(ti-ti *)如式(6)所示;式(6)中,σ取值为3。
8.根据权利要求7所述的碳纤维复合芯导线损伤检测装置,其特征在于:所述模型生成模块的训练过程中,Faster R-CNN网络根据损失函数的数值,根据反向传播算法和亚当优化算法逐层计算更新量,更新Faster R-CNN网络的权值和偏置。
9.一种计算机存储介质,所述计算机存储介质上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时,实现权利要求1-4中任意一项所述的碳纤维复合芯导线损伤检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910324309.9A CN110175985A (zh) | 2019-04-22 | 2019-04-22 | 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910324309.9A CN110175985A (zh) | 2019-04-22 | 2019-04-22 | 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110175985A true CN110175985A (zh) | 2019-08-27 |
Family
ID=67689729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910324309.9A Pending CN110175985A (zh) | 2019-04-22 | 2019-04-22 | 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110175985A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991286A (zh) * | 2019-11-23 | 2020-04-10 | 中国矿业大学(北京) | 基于卷积神经网络的电铲铲斗缺陷自动识别装置及方法 |
CN111445445A (zh) * | 2020-03-16 | 2020-07-24 | 东南大学 | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
CN116958739A (zh) * | 2023-06-25 | 2023-10-27 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065873A2 (en) * | 2013-10-28 | 2015-05-07 | University Of Massachusetts | Structural health monitoring of wind turbine blades using wireless acoustic sensing |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
-
2019
- 2019-04-22 CN CN201910324309.9A patent/CN110175985A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015065873A2 (en) * | 2013-10-28 | 2015-05-07 | University Of Massachusetts | Structural health monitoring of wind turbine blades using wireless acoustic sensing |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
Non-Patent Citations (2)
Title |
---|
刘明明: "基于Gabor与区域卷积神经网络的晶圆表面多尺度缺陷检测技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王永伟 等: "碳纤维复合材料导线X射线无损检测技术开发及应用", 《化学分析计量》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991286A (zh) * | 2019-11-23 | 2020-04-10 | 中国矿业大学(北京) | 基于卷积神经网络的电铲铲斗缺陷自动识别装置及方法 |
CN111445445A (zh) * | 2020-03-16 | 2020-07-24 | 东南大学 | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
CN111445445B (zh) * | 2020-03-16 | 2023-05-30 | 东南大学 | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
CN116958739A (zh) * | 2023-06-25 | 2023-10-27 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
CN116958739B (zh) * | 2023-06-25 | 2024-06-21 | 南京矩视科技有限公司 | 一种基于注意力机制的碳纤维丝道实时动态编号方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765412B (zh) | 一种带钢表面缺陷分类方法 | |
CN111860171B (zh) | 一种大规模遥感图像中不规则形状目标的检测方法及系统 | |
CN110310259A (zh) | 一种基于改进YOLOv3算法的木结瑕疵检测方法 | |
CN109559298A (zh) | 一种基于深度学习的乳液泵缺陷检测的方法 | |
CN110175985A (zh) | 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN107563431A (zh) | 一种结合cnn迁移学习和svdd的图像异常检测方法 | |
CN109271374A (zh) | 一种基于机器学习的数据库健康度打分方法和打分系统 | |
CN104063713B (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
CN108052946A (zh) | 一种基于卷积神经网络的高压机柜开关自动识别方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN112418130A (zh) | 一种基于bp神经网络的香蕉成熟度检测方法及装置 | |
CN107506350A (zh) | 一种识别信息的方法和设备 | |
CN111242144A (zh) | 电网设备异常的检测方法和装置 | |
CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
CN114359199A (zh) | 一种基于深度学习的鱼类计数方法、装置、设备和介质 | |
CN115019209A (zh) | 一种基于深度学习的电力杆塔状态检测的方法及系统 | |
Lin et al. | Identification of icing thickness of transmission line based on strongly generalized convolutional neural network | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
Wang et al. | High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5 | |
CN111258996B (zh) | 一种面向工业大数据的产品质量多源深度融合预报方法 | |
Tu et al. | Automatic leaf counting using improved YOLOv3 | |
Lin et al. | Fabric Defect Detection with Fusion of Convolutional Attention Module and YOLOv5 | |
CN111626409B (zh) | 一种图像质量检测的数据生成方法 | |
CN117292119B (zh) | 一种输电多尺度目标检测方法及系统 |
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: 20190827 |