[发明专利]一种基于卷积神经网络的天花板震害的识别方法

权利要求书

1.一种基于卷积神经网络的天花板震害的识别方法，其特征在于该天花板震害的识别方法按以下步骤实现：

步骤一：在天花板震害图片中挑选出目标样本，调整图片的目标区域处于中心，在保持高宽比的同时，将目标样本随机缩放大小为224×224，进行归一化处理，得到预处理的目标样本；

步骤二：对预处理的目标样本进行旋转和镜像处理，得到扩充后的天花板震害数据集图像；

步骤三：加载预训练的AlexNet模型作为特征提取器，提取扩充后的天花板震害数据集图像的深度特征向量，修改AlexNet模型的最后一个全连接层，采用交叉熵损失函数和Adam自适应优化函数进行反向传播，迭代训练神经网络，得到初训练Alex Net模型；

步骤四：利用扩充后的天花板震害数据集图像继续训练步骤三得到的初训练Alex Net模型，修改最后一个全连接层，采用交叉熵损失函数和Adam自适应优化函数进行反向传播，迭代训练神经网络，调整神经网络的学习率、batchsize以及epoch，得到训练后的Alex Net模型；

步骤五：利用步骤四训练后的AlexNet模型对测试样本进行预测并输出，从而完成天花板震害的识别。

2.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤二中对目标图片进行90°、180°和270°旋转。

3.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤二中对目标图片进行水平镜像和垂直镜像。

4.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤三和步骤四中所述的交叉熵损失函数的表达式为：

L＝-[y·log(p)+(1-y)·log(1-p)]；

其中：y—表示样本的标签，正类为1，负类为0；

P—表示样本预测为正的概率。

5.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤三和步骤四中所述的Adam自适应优化函数的算法如下：

(1)初始化参数θ，初始化一阶和二阶矩变量m_t＝0，ν_t＝0，初始化时间步t＝0；

(2)计算梯度的一阶矩估计和二阶矩估计，计算公式为：

m_t＝β₁·m_t-1+(1-β₁)·g_t，ν_t＝β₂·ν_t-1+(1-β₂)·g_t²；

式中，g_t为梯度，m_t为梯度的t时刻平均值，ν_t为梯度的t时刻非中心方差值，m_t-1为梯度的t-1时刻平均值，V_t-1为梯度的t-1时刻非中心方差值，矩估计的指数衰减速率β₁和β₂在区间[0,1)内，β₁取0.9，β₂取0.999；

(3)对一阶矩估计和二阶矩估计的校正，计算公式为：

(4)参数更新的最终公式为：

式中，θ_t为更新的参数，η为学习率，ε为用于数值稳定的小常数，ε取10^-8。

6.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤三迭代训练神经网络达到固定的epoch＝30后停止训练，保存模型。

7.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤四迭代训练神经网络，使AlexNet模型的epoch为30～50。

8.根据权利要求1所述的一种基于卷积神经网络的天花板震害的识别方法，其特征在于步骤四得到的训练后的AlexNet模型的学习率为0.001、dropout＝0.5、batchsize＝4、epoch＝50。