[发明专利]基于机器视觉与深度学习的金属断口类型智能识别系统

说明书

基于机器视觉与深度学习的金属断口类型智能识别系统，包括图像采集模块、图像预处理模块和图像识别模块，图像采集模块实时采集现场金属断口图像发送至图像预处理模块对图像进行预处理，图像预处理模块输出的数据进入图像识别模块，对金属断口类型进行识别诊断；图像预处理模块采用神经网络模型；图像识别模块采用基于深度学习的金属断口分类模型。本发明可以实现金属断口类型无人化诊断，使得金属断裂诊断可以准确及时；结合计算机视觉技术与神经网络技术，将全局性联系引入图像去噪，在去噪的同时最大程度保留图像的结构特征；可实现金属断口类型智能化诊断，对比传统方法可提升金属断口类型诊断的准确率。

技术领域

本发明涉及机器视觉与人工智能技术领域。

背景技术

在复杂环境作用下，服役的金属材料会产生断裂、腐蚀、疲劳等失效事故，进而造成重大经济损失与人员伤亡。传统的金属断口识别方法一般由工人或技术员通过经验以及相关方面知识对其进行分析判断，这种方法不仅准确率难以得到保证，对分析所需时间、环境等也有一定要求。近年来，在实际工程应用中，常常会因不能及时准确的研判断裂原因而无法采取措施进行防范，导致事故重演。随着机器视觉与人工智能技术的高速发展，如何通过对金属断口图像进行准确高效的智能识别，提出判定金属断裂机理的新方法，对于高品质金属制品生产和安全使用意义重大。

发明内容

本发明的目的在于提供一种基于机器视觉与深度学习的金属断口类型智能识别系统，以解决上述背景技术中提到的问题。一方面通过机器视觉中图像处理的方法对采集到的金属断口图像进行预处理；另一方面，使用深度学习的方法对金属断口图像类型进行准确高效的智能识别，以达到金属断口类型的无人化诊断。

本发明为实现上述目的所采用的技术方案是：基于机器视觉与深度学习的金属断口类型智能识别系统，包括图像采集模块、图像预处理模块和图像识别模块，图像采集模块实时采集现场金属断口图像发送至图像预处理模块对图像进行预处理，图像预处理模块输出的数据进入图像识别模块，对金属断口类型进行识别诊断；图像预处理模块采用神经网络模型；图像识别模块采用基于深度学习的金属断口分类模型。

还包括信息上传模块、网络云端及数据库，图像采集模块采集的现场金属断口图像由信息上传模块将数据发送至图像预处理模块，同时信息上传模块中的数据发送至网络云端，进而输入数据库进行保存；图像预处理模块输出的数据进入图像识别模块对金属断口类型进行识别诊断，识别的结果实时输出并通过信息上传模块上传到网络云端进而上传到数据库进行保存。

所述神经网络模型为四层全连接神经网络，首先输入噪声图像，提取噪声图像非局部均值数据，然后初始化模型中的权值与偏置值，将非局部均值数据作为输入训练神经网络，计算模型中各隐含层与输出层结果，当误差更新小于下限或迭代次数大于上限时停止训练，训练好的模型即可用于金属断口图像的降噪预处理。

所述基于深度学习的金属断口分类模型为卷积神经网络，输入层为224×224的金属断口图像，第一卷积层中由两层32个3×3卷积核组成，在其后加入LRN正则化，第一池化层为步长为2的2×2最大值池化；第二卷积层由两层64个3×3卷积核组成，第二层池化层为步长为2的2×2平均值池化；第三卷积层为两层128个3×3卷积核，其后的池化层为步长为2的2×2平均值池化；第三卷积层输出的图像经Flatten层压平并降为一维作为卷积层与全连接层间的过渡；第一全连接层具有128个神经元，在全连接层后是BN层与Dropout层，输出层为3个神经元对应三种断口类别，分类器是softmax分类器。

所述基于深度学习的金属断口分类模型中的激活函数为relu激活函数，损失函数为二进制交叉熵损失函数，优化器为RMSprop。