[发明专利]一种基于深度学习的外破图像智能识别方法

权利要求书

1.一种基于深度学习的外破图像智能识别方法，其特征在于：包括如下步骤：

步骤1：外破图像样本数据收集，针对每类外破设备收集图像素材样本；

步骤2：人工图像标定，通过人工将搜集到的目标图像进行分类，并分别在图像素材上进行手动标定，将图像中外破设备的特征通过不同的矩形框标注；外破设备特征样本作为算法学习的正样本，其他设备样本作为算法排除的负样本；

步骤3：构建模型，利用Tensorflow算法将目标外破设备的纹理特征、形状特征、空间关系特征进行提取，并对提取出来的特征信息进行分类训练，输出形成可识别各类目外破装置的检测模型；

步骤4：模型训练，基于已标定的正负样本进行自主特征学习，优化模型特征参数，并根据检测结果进行纠偏及标定，标定后的素材进行重新训练，通过不断迭代形成高可用的分析模型；

步骤5：模型评估，通过现场测试验证外破识别模型，对外破设备进行智能识别。

2.根据权利要求1所述的一种基于深度学习的外破图像智能识别方法，其特征在于：所述步骤4中，模型训练，采用改进的SSD算法进行目标检测，通过在不同卷积层的特征图上预测物体区域，输出离散化的多尺度、多比例的默认框平行坐标，同时利用小卷积核预测一系列候选框的边框坐标补偿和每个类别的置信度；在整幅图像上各个位置用多尺度区域的局部特征图边框回归。

3.根据权利要求2所述的一种基于深度学习的外破图像智能识别方法，其特征在于：所述的改进的SSD算法，采用多尺度特征图检测，将卷积特征层添加到截断的基础网络的末尾，卷积特征层尺寸逐渐减小，得到多个尺度检测的预测值，检测的卷积模型对于每个卷积特征层是不同的。

4.根据权利要求2所述的一种基于深度学习的外破图像智能识别方法，其特征在于：所述的改进的SSD算法，检测的卷积预测器：每个添加的卷积特征层或可选的基础网络的现有卷积特征层可以使用一组卷积滤波器产生固定的预测集合。

5.根据权利要求2所述的一种基于深度学习的外破图像智能识别方法，其特征在于：所述的改进的SSD算法，默认框与宽高比：将一组默认边界框与顶层网络每个特征图单元关联，默认框对特征图作卷积运算，使得每个框实例相对于其对应单元格的位置是固定的；在每个特征映射单元中，预测相对于单元格中的默认框形状的偏移，以及每个框中实例的每类分数。

6.根据权利要求2所述的一种基于深度学习的外破图像智能识别方法，其特征在于：所述的改进的SSD算法所采用的匹配策略为：将默认框与任何的标注数据配对，只需两者之间的交并比大于一个阈值，即可判定为目标识别对象。

7.根据权利要求2所述的一种基于深度学习的外破图像智能识别方法，其特征在于：所述的改进的SSD算法，数据增广为：针对每一张训练图像，随机采样一个图像块，当标注数据的中心在采样的图像块中时，保留重叠部分；在多次采样步骤之后，每一个采样的图像块被改变到固定的大小，并且以0.5，0.5的概率随机的水平翻转。