[发明专利]用于智能转动性能检测的神经网络的训练方法

说明书

本申请涉及智能制造领域中的智能转动性能检测，其具体地公开了一种用于智能转动性能检测的神经网络的训练方法，其基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征，从而提高高速转轴的转动性能的检测能力。具体地，在训练过程中，采用类似于对抗生成模型的迁移学习的思路，将高速转轴在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中，从而转换为高维特征的强变换，以使得用于转动性能检测的神经网络能够充分学习各个旋转特征图之间的旋转特性，进而增强模型检测的准确性。

技术领域

本发明涉及智能制造领域中的智能转动性能检测，且更为具体地，涉及一种用于智能转动性能检测的神经网络的训练方法、基于深度神经网络的智能转动性能检测方法、用于智能转动性能检测的神经网络的训练系统、基于深度神经网络的智能转动性能检测系统和电子设备。

背景技术

目前，高速转轴的应用越来越广泛，而在利用新材料制作高速转轴时，往往需要对高速转轴进行检测，且其中最主要的是旋转检测。在目前的旋转检测的检测装置中，通过使得高速转轴以高速转动，来检测高速转轴的转动性能，但是，在判断高速转轴在旋转过程中的微小的转动不均匀方面，仍然缺乏有效的手段。

因此，期待一种能够提高高速转轴的转动性能的检测能力的技术方案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为高速转轴的转动性能检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于智能转动性能检测的神经网络的训练方法、基于深度神经网络的智能转动性能检测方法、用于智能转动性能检测的神经网络的训练系统、基于深度神经网络的智能转动性能检测系统和电子设备，其基于深度学习的计算机视觉检测方案来捕捉高速转轴在高速转动过程中由微小的转动不均匀所导致的视觉方面的特征，从而提高高速转轴的转动性能的检测能力。具体地，在训练过程中，采用类似于对抗生成模型的迁移学习的思路，将高速转轴在高速转动过程当中的多个图像在高维特征空间中的旋转弱变换通过迁移学习的方式耦合到高维图像空间中，从而转换为高维特征的强变换，以使得用于转动性能检测的神经网络能够充分学习各个旋转特征图之间的旋转特性，进而增强模型检测的准确性。

根据本申请的一个方面，提供了一种用于智能转动性能检测的神经网络的训练方法，其包括：

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；