[发明专利]一种基于深度学习的电涡流扫描图像分类识别方法

摘要

本发明公开了一种基于深度学习的电涡流扫描图像分类识别方法，步骤为：S1、采集被测材料的电涡流扫描图像，并进行预处理；S2、构建训练样本与测试样本；S3、使用Sobel算子处理，得到去背景化的训练样本；S4、构建多个稀疏降噪自编码器，并初始化；S5、输入训练样本与去背景化的训练样本，对多个稀疏降噪自编码器进行无监督的逐层自学习预训练；S6、将多个训练好的稀疏降噪编码器的编码网络提取出来进行栈式组合构建栈式稀疏降噪自编码深度神经网络；S7、结合数据标签，使用BP算法与批量梯度下降法对深度神经网络进行微调；S8、将测试样本输入深度神经网络进行性能测试。该方法使隐含层提取到的图像特征能更加简明地反映材料缺陷，有利于分类准确率提高。

主权项

1.一种基于深度学习的电涡流扫描图像分类识别方法，其特征在于，包括以下步骤：S1、通过检测装置采集被测材料的电涡流扫描图像，并对采集图像进行归一化处理，形成灰度图，图像的分辨率为a×b；S2、将每一幅电涡流扫描图像f_i∈R^a×b的像素值按列相连构成d×1的列向量，d＝a×b；将每类材料缺陷的扫描图像向量各自随机取3/4作为训练样本X，容量为m，1/4作为测试样本Y，容量为n，其表示如下：x_i＝{x_1i,x_2i,…,x_di}^Ty_i＝{y_1i,y_2i,…,y_di}^TS3、将训练集对应的图像通过Sober算子进行边缘检测，然后得到不包含边缘外背景的图像，同样，将图像构成M×1的列向量，得到去背景化训练样本X′；S4、构建多个稀疏降噪自编码器；S5、输入训练样本X、训练样本参考标签X′进行逐层无监督预训练；首先使用训练样本、训练样本参考标签训练第一个编码器，然后以第一个编码器隐含层的输出作为第二个编码器输入，训练第二个编码器，以此类推完成全部编码器的训练；S6、将多个训练好的稀疏降噪编码器的编码网络提取出来进行栈式组合(初始化)，再加上LR层作为输出层构建包含多个隐含层的深度神经网络；其中，深度网络输入层神经元数等于样本数据维数d；隐含层数等于稀疏降噪自编码器数量，各隐含层神经元数分别等于对应编码器隐含层神经元数；LR层神经元数量为类别数；S7、结合数据标签，使用BP算法与批量梯度下降法对对深度网络进行微调，完成微调的网络结合SoftMax分类器，可实现特征自动提取与分类识别；S8、将测试样本Y输入深度神经网络进行特征提取与分类识别，测试网络性能。