[发明专利]一种基于图像识别的腐蚀等级信息处理方法及系统

权利要求书

1.一种基于图像识别的腐蚀等级信息处理方法，其特征在于，所述基于图像识别的腐蚀等级信息处理方法包括：

获取已标注的金属形貌图片作为数据集；对获取的训练数据集进行去重，随机选择每个类别的一半数量的图像作为测试集，其余图像作为训练集图像；并对训练数据集进行扩充；

使用Keras框架搭建卷积神经网络模型，进行模型训练；

利用训练好的模型分析金属表面腐蚀形貌的等级。

2.如权利要求1所述于图像识别的腐蚀等级信息处理方法，其特征在于，所述训练数据集扩充方法包括：

(1)采用高斯模糊函数对数据集的图片进行高斯模糊处理；

(2)通过随机值函数进行数值矩阵的生成与运算，指定标准差与方差，将得到的高斯噪声矩阵与原图像叠加，对图像添加高斯噪声；

(3)对图像随机裁剪出原图面积64％的部分，即边长比为4:5的裁剪尺寸。

3.如权利要求2所述于图像识别的腐蚀等级信息处理方法，其特征在于，所述数值矩阵为25×25像素，均值为15。

4.如权利要求2所述于图像识别的腐蚀等级信息处理方法，其特征在于，步骤(2)中，所述将得到的高斯噪声矩阵与原图像叠加包括：叠加控制相加后的值保持在原图像的像素值范围内即0到255，将像素值低于0的点设置为0，高于255的点设置为255。

5.如权利要求1所述于图像识别的腐蚀等级信息处理方法，其特征在于，所述卷积神经网络模型包括：4个卷积加池化模块、全连接层以及输出层；

所述每个卷积加池化模块分别包括3个卷积层与一个最大池化层；所述卷积层卷积核尺寸为2×2；所述每个卷积层之后都添加有激活函数，所述激活函数为线性整流函数；

所述最大池化层尺寸为2×2；

所述全连接层神经节点个数为64，所述全连接层只有一层；所述全连接层之后添加有使用relu激活函数的激活层；所述激活层之后添加有Dropout层，所述Dropout层用于随机让部分神经元失活；所述失活神经元的比例为0.5；

所述输出层即预测层节点个数为3。

6.如权利要求1所述于图像识别的腐蚀等级信息处理方法，其特征在于，所述模型训练方法包括：

1)分别读取训练集与测试集的图像数据；

2)将卷积神经网络初始化，并设置训练批次大小与相关评价函数；

3)使用反向传播算法训练网络，使损失函数曲线收敛，网络拟合；

4)绘制网络训练的相关评价函数的图像以及记录测试准确率的数值；

5)根据损失函数和测试准确率，进行模型优化。

7.如权利要求6所述于图像识别的腐蚀等级信息处理方法，其特征在于，所述步骤1)之前，还需进行：将每张图片的尺寸重新设置448×448；并将每张图像的三个通道所有像素的值进行归一化处理，将每个通道的像素值的范围控制在0到1之间；

步骤2)中，所述训练批次大小设置为：训练轮数为300轮，将每个批次的数目设置为8、16、32或64，即每批次同时学习的图像数量；

步骤2)中，所述评价函数为正确分类的图像所占的百分比，计算方式如下：

式中，r_test即测试准确率，N′为测试集中样本的数量，I用于计算正确分类数目的指示函数，即仅当时为1，而当时为0，y_i则是样本i的真实类别，为样本i的预测类别；

损失函数为多分类交叉熵损失函数，计算方式如下：

式中，N为训练集中样本的总数量，M为类别的数量，y_i,j表示样本i的真实类别是否属于类别j，若属于，则y_ij的值为1，否则为0，则表示将样本i的类别预测为j类的概率值。