[发明专利]基于两阶段卷积神经网络的集装箱表面损伤检测方法

权利要求书

1.一种基于两阶段卷积神经网络的集装箱表面损伤检测方法，其特征在于，该方法包含如下步骤：

S1、制作集装箱表面损伤检测训练数据集和测试数据集，具体收集所需的集装箱表面损伤图片，并进行图像预处理；为集装箱表面损伤类型建立标签值表，对每张图片其对应表面损伤类型的标签值进行标注，图片样本与标签值表共同组成集装箱表面损伤检测数据集；将数据集划分为训练集和测试集，从集装箱表面损伤检测数据集中选取半数各损伤类型图片样本，按随机顺序摆放并按摆放顺序对每张图片进行编号，并将图片编号与对应损伤类型标签值保存到训练集文本文件中，这些图片样本与训练集文本文件构成训练数据集，按同样方法制作形成测试数据集；

S2、构建基于两阶段卷积神经网络的集装箱表面损伤检测模型，两阶段卷积神经网络包括分割网络与分类网络，分割网络对集装箱表面损伤图像样本进行处理以获取损伤分割特征图，分类网络对集装箱表面损伤图像进行损伤类型判断；

S3、通过训练数据集和测试数据集训练该集装箱表面损伤检测模型；

S4、运用训练好的模型对集装箱表面损伤进行判别并输出检测结果。

2.根据权利要求1所述的基于两阶段卷积神经网络的集装箱表面损伤检测方法，其特征在于，步骤S1中，收集集装箱表面损伤图片，从中选取大量箱体表面“破裂”、“锈蚀”、“凹坑”、“孔洞”、“磨损”状态明显的图片进行图像预处理，预处理后的图片统一为相同高度与宽度像素。

3.根据权利要求1所述的基于两阶段卷积神经网络的集装箱表面损伤检测方法，其特征在于，图像预处理具体为：

采用加权平均法对RGB三分量以不同权值进行加权平均，得到灰度图像；

对图像进行几何变换处理，修正图像采集成像过程中的随机误差，并使用双线性插值算法以避免输出图像的像素被映射到输入图像非整数坐标上；

采用图像增强技术加强图像质量与信息量并改善识别效果，具体运用中值滤波邻域增强算法以消除图像噪声将其变得清晰，运用梯度算子邻域增强算法扩大不同物体特征间差别以突出有用信息。

4.根据权利要求1所述的基于两阶段卷积神经网络的集装箱表面损伤检测方法，其特征在于，分割网络包括依次连接的CNN分割网络和ASPP网络，CNN分割网络为9个3*3卷积层和3个2*2池化层，每个池化层分别设置在第2、第5和第9个卷积层之后，以此构成3组依次连接的卷积-池化层；输入原图片样本X后，图片样本特征值在卷积层与卷积核尺寸内各位置权值进行卷积操作，提取出图片多个特征并得到一组卷积层特征图集合，每个卷积层后连接BN层和ReLU层，进行批量标准化与激活函数处理，特征图集合在池化层与池化窗口进行池化操作，使特征图数据量降低并对其进行二次特征提取，避免发生过拟合现象，每个池化层后连接BN层进行批量标准化；ASPP网络为并列分布的1个1*1卷积层和3个3*3空洞卷积层，采样率分别为4、6和8，每个卷积层后使用BN批量标准化操作，并连接1个2*2平均池化层进行处理，每个平均池化层中Avg函数计算结果表示由X中每个2*2区域内平均像素值组成的输出矩阵值；最终将其四层输出连接到一起，通过1个1*1卷积层与1个上采样层，利用双线性插值方法恢复原图片样本分辨率以获取损伤分割特征图X’。

5.根据权利要求4所述的基于两阶段卷积神经网络的集装箱表面损伤检测方法，其特征在于，分类网络包括两个CNN分类网络，每个CNN分类网络为1个5*5卷积层、2个3*3卷积层和3个2*2最大池化层以及末尾2个120与84的全连接层，每个最大池化层分别设置在单个卷积层之后，以此构成3对依次连接的卷积-池化层；每层有多个二维平面，每个平面有多个神经元；每个卷积层后连接ReLU层进行激活函数处理，激活函数ReLU计算输出(0,x)中较大参数值；每个最大池化层中Max函数计算结果表示由X中每个2*2区域内像素值最大者组成的输出矩阵值；每个全连接层前连接Dropout层，全连接层的一维列向量为最末端池化层特征图全部展开重组形成，与Softmax层采用全连接方式连接。