[发明专利]一种基于深度学习的泰勒锥检测方法及检测系统

权利要求书

1.一种基于深度学习的泰勒锥检测方法，其特征在于，所述方法包括：

采集图像样本；

获取图像样本，将所述图像样本分为训练集、交叉验证集、测试集；

对所述训练集、所述交叉验证集内的图像样本进行标记，生成xml标记文件；

选择网络模型为ssd_mobilenet，配置网络模型超参数、定义损失函数对所述训练集进行训练，并在训练过程中输出当前训练步数、损失值、训练一步所需的时间；

其中，配置所述网络模型超参数包括将标记类别数量设为1、输入的图像尺寸设为长640px、宽640px、核函数设为Sigmoid函数、每步训练的图像样本数量设为10张、学习率设为0.0799999982119、学习率下降的速度设为0.0266660004854、训练步数上限设为12500步、所述交叉验证集内的图像样本数量设为3000张，所述损失函数为：y为输入的真实值，y的取值为0或1，1表示泰勒锥，0表示非泰勒锥，/为输出的预测值，/的取值范围为[0,1]，/m为输入图像样本数量，j为预测损失，i的取值为1，2，…，m；

不定时保存训练出的模型参数，用当前的模型参数对交叉验证集内的图像样本进行预测，并输出当前的预测图片、预测损失、预测准确率；

若当前预测准确率达到预设的预测准确率或者当前训练步数达到训练步数上限，则停止训练，根据当前的模型参数保存模型作为最终的泰勒锥检测模型；否则根据所述预测损失、所述预测准确率调整网络模型超参数继续进行训练；

在静电纺丝设备上安装部署了所述泰勒锥检测模型的小型计算机，使用所述泰勒锥检测模型在静电纺丝过程中对纺丝针头处是否形成泰勒锥进行检测。

2.如权利要求1所述的基于深度学习的泰勒锥检测方法，其特征在于，所述xml标记文件包括图片名称、图片地址、图片大小、标记类别、所述标记类别对应的区域坐标。

3.如权利要求1所述的基于深度学习的泰勒锥检测方法，其特征在于，所述训练集的图像样本数量占所述图像样本总量的70％、所述交叉验证集的图像样本数量占所述图像样本总量的15％、所述测试集的图像样本数量占所述图像样本总量的15％。

4.如权利要求1所述的基于深度学习的泰勒锥检测方法，其特征在于，所述预测准确率的计算公式为：

5.如权利要求1所述的基于深度学习的泰勒锥检测方法，其特征在于，所述使用所述泰勒锥检测模型在静电纺丝过程中对纺丝针头处是否形成泰勒锥进行检测包括以下步骤：

拍摄静电纺丝过程中纺丝针头处的图像；

在图像上的纺丝针头位置处标记“泰勒锥”；

计算预测概率，并将所述预测概率标记在所述图像上；

将标记后的图像作为检测图像输出。

6.一种基于深度学习的泰勒锥检测系统，其特征在于，所述系统包括图像样本采集装置、检测模型训练装置、静电纺丝装置；

所述图像样本采集装置包括工业相机、显微镜头，所述工业相机与所述显微镜头连接，所述工业相机与所述显微镜头用于采集图像样本；

所述检测模型训练装置包括高性能计算机，所述高性能计算机使用如权利要求1-4任一项所述的训练泰勒锥检测模型的方法，生成泰勒锥检测模型；

所述静电纺丝装置包括部署了所述泰勒锥检测模型的小型计算机、用于拍摄纺丝针头处的图像的摄像头，所述静电纺丝装置使用如权利要求5所述的方法对纺丝针头处是否形成泰勒锥进行检测。