[发明专利]一种基于CNN的裂纹识别方法、设备及存储设备

权利要求书

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。