[发明专利]基于卷积神经网络间迁移学习的桥梁支座病害识别方法在审

专利信息
申请号: 201810066766.8 申请日: 2018-01-24
公开(公告)号: CN108363961A 公开(公告)日: 2018-08-03
发明(设计)人: 崔弥达;吴刚;蒋剑彪;杨美群 申请(专利权)人: 东南大学;北京九通衢检测技术股份有限公司;江西赣粤高速公路股份有限公司
主分类号: G06K9/00 分类号: G06K9/00;G06K9/62
代理公司: 南京苏高专利商标事务所(普通合伙) 32204 代理人: 曾教伟
地址: 210018*** 国省代码: 江苏;32
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 卷积神经网络 桥梁支座 病害 病害识别 知识迁移 自动识别 数据量 迁移 训练神经网络 图像预处理 标签信息 模式训练 图片缩放 图像处理 现实意义 彩色图 数据集 训练集 收敛 测试 场景 学习 赋予
【权利要求书】:

1.一种基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于,包括以下步骤:

S1:获取桥梁支座病害照片,并为每张照片赋予标签信息,标签信息对应于照片所属的桥梁支座病害类型;

S2:运用图像处理的方法,增加用于训练卷积神经网络的数据量;

S3:将获取的桥梁支座病害照片划分训练集和测试集,训练集用于训练卷积神经网络,测试集用于测试网络,并把训练集与测试集中的所有图片缩放成预定大小的彩色图,并进行图像预处理;

S4:获取一个在其他数据集上已经训练好的卷积神经网络模型,并根据桥梁支座病害识别的要求调整该卷积神经网络的输出层节点个数;

S5:以知识迁移的方式,用经过预处理的桥梁支座照片训练卷积神经网络,使用梯度下降与误差反向传播算法调整全连接层的权值,得到具有自动识别桥梁支座病害功能的卷积神经网络模型。

2.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S1中,支座病害照片的数据集应包含多个不同种类的病害。

3.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S2中,通过图像处理的方法增加用于训练卷积神经网络的图像数量,用于提高神经网络的泛化能力。

4.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S3中,图片的大小统一缩放成像素大小为224×224的图片。

5.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S3中,图像的预处理方法为:计算所有图像的像素值之和然后除以图像的数量得到一个均值图像,在每一幅图像中减去所述均值图像的像素值。

6.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S4中,获取的预先训练好的模型为在ImageNet数据集上已经训练好的经典的VGG16卷积神经网络模型。

7.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S4中,根据桥梁支座病害识别的要求调整该卷积神经网络的输出层节点个数是指调整其网络Softmax输出层为N个节点,N表示需要分类的桥梁支座病害的类别个数,Softmax层计算公式如下:

其中,Si为该层的第i个净输入,Sk为该层第k个净输入。

8.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S5中,对神经网络进行知识迁移的方法为:将已经预先训练好的模型纵向划分为各个子网络,在使用桥梁支座病害照片训练时,只训练调整最后全连接层的权值而维持其他各子网络的权值不变。

9.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S5中,梯度下降法的具体步骤为:计算损失函数对各个权值的梯度,从任一点开始,沿该点梯度的反方向运动一段距离,在新位置继续沿梯度反方向运行一段距离,这样不断的更新网络的权值。

10.根据权利要求1所述的基于卷积神经网络的桥梁支座病害自动识别方法,其特征在于:步骤S5中,反向传播算法的具体步骤为:在利用梯度下降法迭代更新卷积神经网络各层的权值时,梯度根据链式求导法则从网络的最后一层依次向前传播。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于东南大学;北京九通衢检测技术股份有限公司;江西赣粤高速公路股份有限公司,未经东南大学;北京九通衢检测技术股份有限公司;江西赣粤高速公路股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201810066766.8/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top