[发明专利]一种基于深度学习的TFDS非故障图像检测方法

权利要求书

1.一种基于深度学习的TFDS非故障图像检测方法，其特征在于包括以下步骤：

步骤11、收集TFDS图像，建立非故障图像训练样本图库和包含故障及非故障图像的测试样本图库；

步骤12、采用基于机器学习算法的半自动标注方法标注步骤11的非故障图像训练样本图库，得到标注信息，同时由非故障图像训练样本图库和标注信息建立关键区域图库；

步骤13、根据步骤11的非故障图像训练样本图库和步骤12的标注信息建立多区域多类别同步关键区域检测的网络模型，所述网络模型包括图像特征提取模块和目标区域检测模块，图像特征提取模块用于获取图像特征表达，目标区域检测模块用于对关键区域进行定位检测；

步骤14、使用步骤12的关键区域图库预训练步骤13的图像特征提取模块，获得步骤13的网络模型中图像特征提取模块网络层的预训练参数；

步骤15、根据步骤14的预训练参数初始化网络模型中的参数，结合步骤11包含故障及非故障图像的测试样本图库采用多次测试进一步微调的网络训练策略训练步骤13的网络模型，得到一个只检测非故障图像的网络模型；

步骤16、使用步骤15训练好的网络模型检测现场TFDS图像，检测时，先由步骤13的图像特征提取模块获得图像的特征表达，再由步骤13的目标区域检测模块定位关键区域，能够准确检测出该图像中关键区域的图像判为非故障图像，反之判为疑似故障图像，排除非故障图像，而疑似故障图像将由室内列检人员人眼去观察判别。

2.根据权利要求1所述的方法，其特征在于：步骤11所述的非故障图像训练样本图库是只将包含待检测关键区域的非故障图像列入训练样本图库中，且保证包含每类关键区域的样本数基本均衡，避免样本倾斜；所述包含故障及非故障图像的测试样本图库则将包含待检测关键区域的故障及非故障图像均列入测试样本图库中，其中的故障图像尽可能包含该关键区域一些常见表现形式的故障图像。

3.根据权利要求1所述的方法，其特征在于：步骤12所述的标注非故障图像训练样本图库是对步骤11中建立的非故障图像训练样本图库采用半自动标注的方法，即人工标注部分图像，并用这些带有人工标注的非故障图像训练样本图库训练一个基于机器学习算法构建的分类器，结合该分类器的检测辅助人工标注；建立关键区域图库是根据标注信息将非故障图像训练样本图库中的关键区域裁剪并按照关键区域的类别分类。

4.根据权利要求1所述的方法，其特征在于：步骤13所述的建立多区域多类别同步关键区域检测的网络模型，即建立一个基于深度学习多类别的关键区域检测的网络模型，用于检测TFDS图像中的一些关键区域，检测的类别与待检测的关键区域类别数相一致；关键区域检测的网络模型基于卷积神经网络理论，包括图像特征提取模块和目标区域检测模块，具体包括以下步骤：

(1)基于原图像建立多层卷积层提取图像特征得到最后一层卷积特征图，该卷积特征图用于目标区域检测模块中目标区域的特征表达；(2)根据原图像提取候选区域，这些候选区域映射至最后一层卷积特征图得到相应的特征表达，再经过全连接层等至网络的输出层，网络的输出包括目标区域框的回归和目标区域框的分类。

其中由(1)得到图像特征提取模块，用于建立原图像的特征表达，从而便于获取(2)中候选区域的特征表达，由(2)得到目标区域检测模块，根据网络的输出即可得到网络模型检测到的目标区域及该目标区域所属的类别。

5.根据权利要求1所述的方法，其特征在于：步骤14所述的关键区域图库预训练网络模型，仅预训练步骤13网络模型中的图像特征提取模块，即从图像输入到最后一层卷积特征图之间的权值参数；通过训练一个关键区域图库的分类网络，得到图像特征提取模块中网络层的预训练参数，该预训练参数能够给步骤13的网络模型提供一个较好的初始化参数。

6.根据权利要求1所述的方法，其特征在于：步骤15中使用步骤14预训练得到的权值参数初始化步骤13网络模型的图像特征提取模块中的网络层参数，而其它参数随机初始化。