[发明专利]用于智能转动性能检测的神经网络的训练方法

权利要求书

1.一种用于智能转动性能检测的神经网络的训练方法，其特征在于，包括：

步骤1：通过摄像头获取高速转轴在高速转动过程中的多个图像，其中，所述多个图像中每个图像对应于所述高速转轴的不同的旋转角度；

步骤2：将所述多个图像通过第一卷积神经网络，以获得对应于所述多个图像的多个旋转特征图；

步骤3：对于所述多个旋转特征图中的第一旋转特征图，将所述第一旋转特征图通过第二卷积神经网络以获得第一耦合特征图；

步骤4：将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络，以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值；

步骤5：以预设步长减小所述鉴别器损失函数值，并以梯度下降的反向传播来更新所述第二卷积神经网络的参数；

步骤6：分别将所述第一耦合特征图与所述多个旋转特征图中的第三旋转特征图和后续的所述旋转特征图输入鉴别器神经网络，以分别获得所述第一耦合特征图与所述第三旋转特征图和后续的所述旋转特征图之间的鉴别器损失函数值；

步骤7：以预设步长减小分别所述鉴别器损失函数值，并通过梯度下降的反向传播来迭代地更新所述第二卷积神经网络的参数；

步骤8：对于所述多个旋转特征图中的第二旋转特征图和后续的所述旋转特征图，以步骤3至步骤7的方式迭代地更新所述第二卷积神经网络的参数直到完成所述多个旋转特征图的一个周期的更新；

步骤9：将每个所述旋转特征图通过所述第二卷积神经网络所获得的耦合特征图以样本维度进行排列，以获得分类特征图；

步骤10：将所述分类特征图通过分类器，以获得分类损失函数值；以及

步骤11：以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数。

2.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法，其中，步骤4：将所述第一耦合特征图与所述多个旋转特征图中的第二旋转特征图输入鉴别器神经网络，以获得所述第一耦合特征图与所述第二旋转特征图之间的鉴别器损失函数值，包括：

将所述第一耦合特征图输入所述鉴别器神经网络以获得第一特征图；

将所述第二旋转特征图输入所述鉴别器神经网络以获得第二特征图；

确定所述第一特征图与所述第二特征图中的预定位置的值是否相同；

响应于所述第一特征图与所述第二特征图中的预定位置的值相同，计算所述预定位置的值的以二为底的对数值的负数值作为第一值；

响应于所述第一特征图与所述第二特征图中的预定位置的值不同，计算所述预定位置的值的以二为底的对数值作为第二值；以及

计算所述第一值按照值相同的位置的平均值和所述第二值按照值不同的位置的平均值之和作为所述鉴别器损失函数值。

3.根据权利要求2所述的用于智能转动性能检测的神经网络的训练方法，其中，所述鉴别器神经网络包括预设数量的预设尺寸的卷积层。

4.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法，其中，步骤10：将所述分类特征图通过分类器，以获得分类损失函数值，包括：

将所述分类特征图通过一个或多个全连接层，以获得分类特征向量；

将所述分类特征向量输入Softmax分类函数，以获得分类结果；以及

将分类结果和真实值输入损失函数，以获得所述分类损失函数值。

5.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法，其中，步骤11：以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络和所述第二卷积神经网络的参数，包括：

以预设步长减小所述分类损失函数值，并通过梯度下降的反向传播来更新所述第一卷积神经网络、所述第二卷积神经网络和所述分类器的参数。

6.根据权利要求1所述的用于智能转动性能检测的神经网络的训练方法，其中，所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。