[发明专利]一种基于深度学习的门窗垂直度判别方法

说明书

本发明公开了一种基于深度学习的门窗垂直度判别方法，包括：采集各类门窗图像，预处理后作为训练样本；基于训练样本训练神经网络模型，具体包括预训练和微调：预训练前设置神经网络初始值，预训练采用无监督训练，基于训练样本中无标签数据，对神经网络模型每一层逐层进行训练，训练完一层后将该层的输出作为下一层的输入，直至产生所需要的隐含层；微调采用有监督训练，基于训练样本中有标签数据，在网络的最后一层设置BP网络，以最后一层的输出为输入，有监督地进行训练，对整个网络进行微调；将现场采集的门窗图像输入至训练好的神经网络模型中，输出门窗垂直度。本发明可以快速准确地判断出门窗的安装是否符合验收标准。

技术领域

本发明涉及图像识别技术领域，更具体的说是涉及一种基于深度学习的门窗垂直度判别方法。

背景技术

目前，门窗垂直度检测方法是经纬仪法或吊线、尺量等。经纬仪法测量较为准确，但所需的操作空间大，不适用于施工现场；吊线法容易受到外界干扰，测量误差较大；且构件表面相对竖直方向的倾斜角度和平整度均会对上述两种方法的测量精度产生影响。而传统倾角仪的安装通常采用捆扎法，这种方法存在仪器难以安装固定、仪器垂直度难以保证、接线复杂等缺点。此外，传统倾角仪数据读取和传输较困难，不能即时得到构件垂直度是否合格的结果。这些问题的存在不可避免地对门窗构件垂直度的检测和监测产生影响。

因此，如何提供一种基于深度学习的门窗垂直度判别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于深度学习的门窗垂直度判别方法，可以快速准确地判断出门窗的安装是否符合验收标准。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的门窗垂直度判别方法，包括：

采集各类门窗图像，预处理后作为训练样本；

基于训练样本训练神经网络模型，具体包括预训练和微调：

预训练前设置神经网络初始值，预训练采用无监督训练，基于训练样本中无标签数据，对神经网络模型每一层逐层进行训练，训练完一层后将该层的输出作为下一层的输入，直至产生所需要的隐含层；微调采用有监督训练，基于训练样本中有标签数据，在网络的最后一层设置BP网络，以BP网络最后一层的输出为输入，有监督地进行训练，对整个网络进行微调；

将现场采集的门窗图像输入至训练好的神经网络模型中，输出门窗垂直度。

优选的，所述预处理包括将训练样本分为无标签数据和有标签数据。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于深度学习的门窗垂直度判别方法，可以快速准确地判断出门窗的安装是否符合验收标准，由此实现了门窗验收的智能判断，大幅度提高了门窗验收的效率，为门窗垂直度的判断提供了理论支撑。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的神经网络模型训练流程图。

图2附图为本发明提供的神经网络模型预测门窗垂直度的过程。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种基于深度学习的门窗垂直度判别方法，如图1所示，包括：