[发明专利]一种基于多尺度深度卷积神经网络的全场位移在线识别方法

权利要求书

1.一种基于多尺度深度卷积神经网络的全场位移在线识别方法，其特征在于，所述全场位移在线识别方法包括以下步骤：

步骤1，建立散斑图像-位移数据集，标识出散斑图像对应的位移；

步骤2，根据散斑图像的位移，将其分为不同尺度的数据集，并将散斑图裁剪到相应的尺寸；

步骤3，构建基于深度学习的多尺度卷积神经网络，自动判断输入的散斑图的尺度，并输出相应的位移；

所述多尺度卷积神经网络包括特征提取模块和多尺度决策融合模块；

所述特征提取模块包括小尺度CNN网络、中尺度CNN网络、大尺度CNN网络和全尺度CNN网络，分别输出小尺度特征向量、中尺度特征向量、大尺度特征向量和全尺度特征向量；

所述多尺度决策融合模块将四个不同尺度的特征向量生成系数矩阵，并通过系数矩阵与小尺度特征向量、中尺度特征向量和大尺度特征向量进行融合生成输出向量。

2.根据权利要求1所述全场位移在线识别方法，其特征在于，所述小尺度CNN网络包括依次连接的第一小尺度卷积模块、平均池化层、第二小尺度卷积模块、第三小尺度卷积模块、第四小尺度卷积模块、第五小尺度卷积模块和第六小尺度卷积模块；

所述中尺度CNN网络包括依次连接的第一中尺度卷积模块、平均池化层、第二中尺度卷积模块、第三中尺度卷积模块、第四中尺度卷积模块、第五中尺度卷积模块和第六中尺度卷积模块；

所述大尺度CNN网络包括依次连接的第一大尺度卷积模块、平均池化层、第二大尺度卷积模块、第三大尺度卷积模块、第四大尺度卷积模块、第五大尺度卷积模块、第六大尺度卷积模块和第七大尺度卷积模块；

所述全尺度CNN网络包括依次连接的第一全尺度卷积模块、平均池化层、第二全尺度卷积模块、第三全尺度卷积模块、第四全尺度卷积模块、第五全尺度卷积模块、第六全尺度卷积模块和第七全尺度卷积模块；

各卷积模块均包括依次连接的数量和尺寸不同的卷积核、归一化单元和Relu函数单元。

3.根据权利要求1所述全场位移在线识别方法，其特征在于，在步骤3中，多尺度融合模块中，四个不同尺度的输出数据叠加在一起，然后进入全连接层，生成一个6×1的向量。这个向量被改变形状，然后通过一个SoftMax层，生成一个3×2的系数矩阵

在该系数矩阵中，满足以下等式：

其中，c_j和d_j表示各尺度系数矩阵的元素，并且都在[0,1]的范围内；最后，可以得到输入子集图像对应的位移向量为：

其中，u₁为小尺度特征向量的横坐标，v₁为小尺度特征向量的纵坐标，u₂为中尺度特征向量的横坐标，v₂为中尺度特征向量的纵坐标，u₃为大尺度特征向量的横坐标，v₃为大尺度特征向量的纵坐标。

4.根据权利要求3所述全场位移在线识别方法，其特征在于，在步骤3中还包括位移场多尺度卷积神经网络分阶段训练方法：

对每个单尺度网络都是单独训练的，冻结训练和验证后的参数；然后训练多尺度融合模块，只更新多尺度融合模块的权重参数。

5.根据权利要求4所述全场位移在线识别方法，其特征在于，在步骤3中，使用模型的预测值与实际值之间的偏差量的均方误差(MSE)来定义：

其中，n是每个迭代步骤中使用的数据数量，是第i个输入散斑图像的预测位移，是第i个输入散斑图像的实际位移，i＝1,2,…,n；

基于训练数据集，通过最小化损失值来学习包括权重W和b在内的模型参数的最佳值：

当得到权重W和偏置b时，融合系数c_j和d_j可以通过决策层融合模块来计算。