[发明专利]基于深度哈希网络的铸件缺陷图像检测方法

说明书

一种基于深度哈希网络的铸件缺陷图像检测方法属于材料铸件缺陷图像检测领域，包含以下步骤：对网络进行初始化，在ImageNet数据集上预训练一个基于AlexNet的卷积神经网络；输入图像，并且对图像进行预处理；将预处理过的图像输入到一个拥有5层卷积和3层池化的卷积神经网络当中；将最后一层池化的结果输入到两个全连接层；将全连接层的输出输入到哈希层；将哈希层的输出输入到分类层，得到输入图像属于每个类别的概率来确定输入图像的分类结果；在训练网络过程中，当达到测试迭代次数时，会得到当前迭代次数的网络正确率，当达到最大迭代次数时，会得到最终的网络模型，本发明能够很好的提高图像特征的提取能力和图像分类的精度。

技术领域

本发明属于材料铸件缺陷图像检测领域，具体涉及一种基于深度哈希网络的无损检测方法。

背景技术

在现代工业领域中，无损检测技术发展迅速。无损检测方法有很多，根据美国国家宇航局调研分析，可以分为6大类约70余种。目前，材料缺陷检测技术在航空航天，建筑，交通，制造等行业有着广泛的应用，不仅保持了这些行业的正常运行，而且提供了产品质量和安全保证。因此，一系列的材料无损检测设备与技术被应用到实际的生产生活当中，例如超声波检测、红外检测、电子涡流检测、磁粉检测、渗透检测等。但是，这些现有技术存在诸如检测准确性不高、自动化程度较差、对人为因素有严重依赖以及需要复杂的技术操作等问题。近年来，机器学习一直是人工智能领域炙手可热的研究对象，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。受到机器学习的启发，我们的目标是使用机器来高效快速地识别材料铸件是否存在缺陷，而真实材料能够被转变成包含所有材料表征的图像。因此，这项工作变为一个图像分类问题。最近的研究表明，深度卷积神经网络(CNN)能够显著提高图像分类，目标检测以及许多其他视觉任务的性能，展现了深度CNN网络对于丰富图像表现的学习能力。在这些任务中，深度CNN能够被看作是一个专门针对某个任务设计的目标函数的特征提取器。由于深度CNN捕捉图像潜在特征的能力非常强，Krizhevsky在图像分类中使用了来自网络第7层的特征向量，并在ImageNet数据集上表现出了出色的性能。然而，由于来自CNN的特征向量是高维的，并且直接在欧几里得空间中比较两个4096维的特征向量是效率比较低的，高维数据所需的大量计算给机器运行速度和存储空间带来了巨大挑战。目前，由于二进制哈希码能够在保证精确度的基础上很好地解决计算速度和存储效率，二进制哈希理论引起了研究人员的广泛关注。这种方法旨在将高维图像表示映射到汉明空间中的简洁二进制码，同时保持一些相似性(例如基于标签的语义相似性)。现有的哈希理论可以分为有监督哈希和无监督哈希，它们的区别在于是否使用了监督信息，比如每个数据的标签信息。大多数哈希方法遵循的标准程序是首先提取诸如广义搜索树(GIST)和尺度不变特征变换(SIFT)之类的特征作为图像表示向量，然后分离投影和量化步骤来将这些特征向量转换成为二进制编码，但是这些程序的学习能力不足以适应复杂的图像特征，因为手工特征会导致固有的图像信息丢失。理想情况下，在哈希码学习过程中，一张图像要被期望能够有效地保存图像特征信息。考虑到深度CNN的自主学习能力和哈希理论的优越性，我们将二者结合构造深度哈希网络应用在材料缺陷无损检测当中。

发明内容

本发明的目的是提供一种基于深度哈希网络的铸件图像检测方法，能够提高材料无损检测精度以及机器运行速度，达到实现自动化与智能化的目的。

本发明是这样实现的，包括下列步骤：

a、在ImageNet上预训练一个卷积神经网络；

b、输入图像，并对输入图像进行预处理；

c、图像(已预处理)开始进入深度哈希网络的第一个卷积层，并将第一个卷积层的输出结果进行max-pooling运算；

d、上一层的输出结果进入第二个卷积层，并将第二个卷积层的输出结果进行max-pooling运算；