CN116563361A - 一种基于深度学习的门窗垂直度判别方法 - Google Patents
一种基于深度学习的门窗垂直度判别方法 Download PDFInfo
- Publication number
- CN116563361A CN116563361A CN202210087535.1A CN202210087535A CN116563361A CN 116563361 A CN116563361 A CN 116563361A CN 202210087535 A CN202210087535 A CN 202210087535A CN 116563361 A CN116563361 A CN 116563361A
- Authority
- CN
- China
- Prior art keywords
- training
- door
- window
- layer
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 4
- 238000009434 installation Methods 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的门窗垂直度判别方法，包括：采集各类门窗图像，预处理后作为训练样本；基于训练样本训练神经网络模型，具体包括预训练和微调：预训练前设置神经网络初始值，预训练采用无监督训练，基于训练样本中无标签数据，对神经网络模型每一层逐层进行训练，训练完一层后将该层的输出作为下一层的输入，直至产生所需要的隐含层；微调采用有监督训练，基于训练样本中有标签数据，在网络的最后一层设置BP网络，以最后一层的输出为输入，有监督地进行训练，对整个网络进行微调；将现场采集的门窗图像输入至训练好的神经网络模型中，输出门窗垂直度。本发明可以快速准确地判断出门窗的安装是否符合验收标准。
Description
技术领域
本发明涉及图像识别技术领域，更具体的说是涉及一种基于深度学习的门窗垂直度判别方法。
背景技术
目前，门窗垂直度检测方法是经纬仪法或吊线、尺量等。经纬仪法测量较为准确，但所需的操作空间大，不适用于施工现场；吊线法容易受到外界干扰，测量误差较大；且构件表面相对竖直方向的倾斜角度和平整度均会对上述两种方法的测量精度产生影响。而传统倾角仪的安装通常采用捆扎法，这种方法存在仪器难以安装固定、仪器垂直度难以保证、接线复杂等缺点。此外，传统倾角仪数据读取和传输较困难，不能即时得到构件垂直度是否合格的结果。这些问题的存在不可避免地对门窗构件垂直度的检测和监测产生影响。
因此，如何提供一种基于深度学习的门窗垂直度判别方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于深度学习的门窗垂直度判别方法，可以快速准确地判断出门窗的安装是否符合验收标准。
为了实现上述目的，本发明采用如下技术方案：
一种基于深度学习的门窗垂直度判别方法，包括：
采集各类门窗图像，预处理后作为训练样本；
基于训练样本训练神经网络模型，具体包括预训练和微调：
预训练前设置神经网络初始值，预训练采用无监督训练，基于训练样本中无标签数据，对神经网络模型每一层逐层进行训练，训练完一层后将该层的输出作为下一层的输入，直至产生所需要的隐含层；微调采用有监督训练，基于训练样本中有标签数据，在网络的最后一层设置BP网络，以BP网络最后一层的输出为输入，有监督地进行训练，对整个网络进行微调；
将现场采集的门窗图像输入至训练好的神经网络模型中，输出门窗垂直度。
优选的，所述预处理包括将训练样本分为无标签数据和有标签数据。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的门窗垂直度判别方法，可以快速准确地判断出门窗的安装是否符合验收标准，由此实现了门窗验收的智能判断，大幅度提高了门窗验收的效率，为门窗垂直度的判断提供了理论支撑。
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作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的神经网络模型训练流程图。
图2附图为本发明提供的神经网络模型预测门窗垂直度的过程。
具体实施方式
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，所描述的实施例仅仅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。
本发明实施例公开了一种基于深度学习的门窗垂直度判别方法，如图1所示，包括：
采集各类门窗图像，预处理后作为训练样本；
基于训练样本训练神经网络模型，具体包括预训练和微调：
预训练前设置神经网络初始值，预训练采用无监督训练，基于训练样本中无标签数据，对神经网络模型每一层逐层进行训练，训练完一层后将该层的输出作为下一层的输入，直至产生所需要的隐含层；微调采用有监督训练，基于训练样本中有标签数据，在网络的最后一层设置BP网络，以BP网络最后一层的输出为输入，有监督地进行训练，对整个网络进行微调，训练结束后，网络将样本的特征值存储在各个参数值中；由此实现了门窗验收的智能判断，为门窗垂直度的判断提供了理论支撑。
将现场采集的门窗图像输入至训练好的神经网络模型中，输出门窗垂直度。本发明由于训练样本的特征值已存储在各个参数值中，当有图像输入网络时，通过特征值匹配进行识别。将门窗图像输入后，模型自动对图像进行识别和分析，输出垂直度判别结果，由此形成基于图像识别和深度学习的门窗垂直度判别方法，提高了门窗的验收效率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (2)
1.一种基于深度学习的门窗垂直度判别方法，其特征在于，包括：
采集各类门窗图像，预处理后作为训练样本；
基于训练样本训练神经网络模型，具体包括预训练和微调：
预训练前设置神经网络初始值，预训练采用无监督训练，基于训练样本中无标签数据，对神经网络模型每一层逐层进行训练，训练完一层后将该层的输出作为下一层的输入，直至产生所需要的隐含层；微调采用有监督训练，基于训练样本中有标签数据，在网络的最后一层设置BP网络，以BP网络最后一层的输出为输入，有监督地进行训练，对整个网络进行微调；
将现场采集的门窗图像输入至训练好的神经网络模型中，输出门窗垂直度。
2.根据权利要求1所述的一种基于深度学习的门窗垂直度判别方法，其特征在于，所述预处理包括将训练样本分为无标签数据和有标签数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087535.1A CN116563361A (zh) | 2022-01-25 | 2022-01-25 | 一种基于深度学习的门窗垂直度判别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210087535.1A CN116563361A (zh) | 2022-01-25 | 2022-01-25 | 一种基于深度学习的门窗垂直度判别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116563361A true CN116563361A (zh) | 2023-08-08 |
Family
ID=87488422
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210087535.1A Pending CN116563361A (zh) | 2022-01-25 | 2022-01-25 | 一种基于深度学习的门窗垂直度判别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116563361A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118189898A (zh) * | 2024-05-20 | 2024-06-14 | 四川华腾公路试验检测有限责任公司 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
-
2022
- 2022-01-25 CN CN202210087535.1A patent/CN116563361A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118189898A (zh) * | 2024-05-20 | 2024-06-14 | 四川华腾公路试验检测有限责任公司 | 一种隧道检修道盖板倾斜角度检测分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11814931B2 (en) | Machine-learning for sedimentary facies prediction | |
| US9519865B2 (en) | Apparatus and methods of analysis of pipe and annulus in a wellbore | |
| CN116563361A (zh) | 一种基于深度学习的门窗垂直度判别方法 | |
| CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
| CN103235953B (zh) | 一种光纤分布式扰动传感器模式识别的方法 | |
| CN104299417A (zh) | 基于波形检测的车辆识别方法 | |
| CN116229299A (zh) | 基于无人机的建筑或构筑物损伤评估方法、终端及介质 | |
| CN110673208A (zh) | 一种机器学习框架下高维特征约束的初至拾取方法及系统 | |
| CN114694640A (zh) | 基于音频频谱图的异常声音提取识别方法及装置 | |
| CN112507867B (zh) | 一种基于EDLines线特征的车道线检测方法 | |
| CN116012275A (zh) | 一种随钻电成像数据井下实时处理装置及方法 | |
| CN113075296A (zh) | 基于声波检测和bim模型的外墙结构安全检测方法、装置 | |
| CN109886421B (zh) | 基于集成学习的群智能采煤机切割模式识别系统 | |
| CN111563886B (zh) | 基于非监督特征学习的隧道钢轨表面病害检测方法及装置 | |
| US11333013B2 (en) | Segmentation of time-frequency signatures for automated pipe defect discrimination | |
| CN107870359B (zh) | 微地震事件识别方法及装置 | |
| CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
| CN116796231A (zh) | 一种基于测井曲线自动划分岩性及对比的方法及装置 | |
| CN116434258A (zh) | 一种表格数据的自动识别方法 | |
| CN109686110A (zh) | 车位空满状态判别方法及设备 | |
| CN115422965A (zh) | 一种基于车内噪声的整车行驶路面识别方法及系统 | |
| CN112360341B (zh) | 基于机器学习的滑动定向钻井工具面状态辨识方法 | |
| CN113554673A (zh) | 一种基于随钻电成像图像的自动识别裂缝的方法及系统 | |
| CN114997231B (zh) | 一种地铁列车诱发环境振动响应的快速识别方法 | |
| CN114065817B (zh) | 一种波形智能分类方法 |
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 |