[发明专利]一种基于深度学习的电涡流扫描图像分类识别方法

权利要求书

1.一种基于深度学习的电涡流扫描图像分类识别方法，其特征在于，包括以下步骤：

S1、通过检测装置采集被测材料的电涡流扫描图像，并对采集图像进行归一化处理，形成灰度图，图像的分辨率为a×b；

S2、将每一幅电涡流扫描图像f_i∈R^a×b的像素值按列相连构成d×1的列向量，d＝a×b；将每类材料缺陷的扫描图像向量各自随机取3/4作为训练样本X，容量为m，1/4作为测试样本Y，容量为n，其表示如下：

x_i＝{x_1i,x_2i,…,x_di}^T

y_i＝{y_1i,y_2i,…,y_di}^T

S3、将训练集对应的图像通过Sober算子进行边缘检测，然后得到不包含边缘外背景的图像，同样，将图像构成M×1的列向量，得到去背景化训练样本X′；

S4、构建多个稀疏降噪自编码器；

S5、输入训练样本X、训练样本参考标签X′进行逐层无监督预训练；首先使用训练样本、训练样本参考标签训练第一个编码器，然后以第一个编码器隐含层的输出作为第二个编码器输入，训练第二个编码器，以此类推完成全部编码器的训练；

S6、将多个训练好的稀疏降噪编码器的编码网络提取出来进行栈式组合，再加上LR层作为输出层构建包含多个隐含层的深度神经网络；其中，深度网络输入层神经元数等于样本数据维数d；隐含层数等于稀疏降噪自编码器数量，各隐含层神经元数分别等于对应编码器隐含层神经元数；LR层神经元数量为类别数；

S7、结合数据标签，使用BP算法与批量梯度下降法对深度网络进行微调，完成微调的网络结合SoftMax分类器，可实现特征自动提取与分类识别；

S8、将测试样本Y输入深度神经网络进行特征提取与分类识别，测试网络性能。

2.根据权利要求1所述的一种基于深度学习的电涡流扫描图像分类识别方法，其特征在于步骤S3所述的边缘检测，对训练样本去背景化处理的具体方法和步骤如下：

S31、根据Sober算子构建两个3×3的矩阵C_X，C_Y作为卷积核，其表达式如下：

S32、使用Cx，Cy和训练样本中对应的每一幅原始电涡流扫描图像f_i做卷积，分别得到横向梯度矩阵Gx_i＝Cx*f_i和纵向梯度矩阵Gy_i＝Cy*f_i，i＝1,2,…,N；

S33、计算图像的梯度值矩阵G_i＝Gx_i(|g_jk|)+Gy_i(|g_jk|)，G_i∈R^m×n；若矩阵中的某个梯度大于设定的阈值，该梯度对应的图像位置为边缘点；

S34、将G_i∈R^m×n中的边缘点置为1，其余点置为0；由于电涡流成像检测的特性，电涡流扫描图像中的材料缺陷一般为封闭图形，因此边缘内侧的区域也置为1，代表缺陷区域；

S35、将G_i和f_i逐点相乘，得到去背景化训练样本X′＝{x′₁，x′₂,…,x′_N}，x′_i＝G_i*f_i。

3.根据权利要求1所述的一种基于深度学习的电涡流扫描图像分类识别方法，其特征在于步骤S5所述的降噪自编码器预训练具体原理与步骤如下：

S51、将测试样本x_i添加噪声获得损坏数据并输入第一个编码器：编码器将映射到隐藏层，获得特征表达h，特征表达h再映射到输出层，得到重构数据z_i，其表达式如下：

其中，W⁽¹⁾∈R^r×d表示输入至隐含层权重，b⁽¹⁾∈R^r×1为隐含层的输入偏置；W⁽²⁾∈R^d×r表示隐含层至输出层权重，b⁽²⁾∈R^d×1为输出层的输入偏置；r为隐含层节点数量，s()表示Sigmoid激活函数；

S52、求出该编码器的代价函数值：编码器的代价函数如下所示：

上式中第一项为均方误差项，第二项为正则化项，其目的是尽量减小权重的大小，防止过度拟合，第三项为稀疏限制项，表达式如下：

其中z_i^(j)表示输入的输出，x′_i^(j)表示第i个去背景化训练样本的第j个参数；λ为权值衰减系数；l为网络层数；为第k层与k+1层之间，第j个神经元与第i个神经元的网络权重值；

S53、使用BP算法最小化代价函数J(W,b)，得到该编码器模型的最优解W和b，同时采用批量梯度下降法在每次迭代时更新权重值，更新过程如下所示：

S54、第一个编码器训练完成后，将其隐含层输出h作为第二个编码器的输入训练第二个编码器，以此类推直到所有编码器训练完成；除第一个编码器外，其他编码器只要求能重构出输入特征，其代价函数如下：

其中表示该编码器输出的输出参数，表示上一个编码器隐含层第i个输出的第j个参数；求解和更新W和b的过程同步骤S53。