[发明专利]基于深度学习图像识别的套筒灌浆密实度判别方法在审
| 申请号： | 201910870663.1 | 申请日： | 2019-09-16 |
| 公开（公告）号： | CN110569917A | 公开（公告）日： | 2019-12-13 |
| 发明（设计）人： | 张应迁;吴佳晔;李科;王红印;冯源;贾其松;苏亚军 | 申请（专利权）人： | 四川升拓检测技术股份有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 51220 成都行之专利代理事务所(普通合伙) | 代理人： | 李朝虎 |
| 地址： | 643000 四川省自*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了基于深度学习图像识别的套筒灌浆密实度判别方法，解决了现有的套筒灌浆密实度判别方法检测耗时费力，检测成本较高而识别率不高的问题。本发明包括S1：通过敲击方式获取套筒各个测试点的波形图作为样本数据，共采集套筒灌浆密实度数据信息1200个训练样本数据；S2：对套筒灌浆密实度数据样本进行预处理，形成weka支持的arff文件；S3：构建套筒灌浆密实度深度学习网络模型，设置该深度学习网络模型的训练参数，根据步骤S2预处理后的arff文件输入到该深度学习网络模型的输入层进行模型训练，从而获得训练好的套筒灌浆密实度深度学习网络模型；S4：根据模型实时进行套筒灌浆密实度判别。 | ||
| 搜索关键词： | 灌浆密实度 套筒 网络模型 预处理 学习 训练样本数据 方式获取 模型训练 数据信息 数据样本 文件输入 学习图像 训练参数 样本数据 波形图 测试点 识别率 输入层 检测 构建 敲击 耗时 费力 采集 | ||
【主权项】：
1.基于深度学习图像识别的套筒灌浆密实度判别方法，其特征在于：该方法包括以下步骤：/nS1：通过敲击方式获取套筒各个测试点的波形图作为样本数据，共采集套筒灌浆密实度数据信息得到1200个样本，并将这1200个样本作为训练样本，其中密实样本和空样本各600个；/nS2：对套筒灌浆密实度数据样本进行预处理，形成weka支持的arff文件，arff文件格式如下：/n@relation image/n@attribute filename string/n@attribute class{sound,void}/n@data/nsound121.png,sound/nsound122.png,sound/nvoid121.png,void/nvoid122.png,void/n其中，arff文件属性有2个，arff文件属性包括filename和class；filename文件名类型为字符型；class为分类属性，包括密和空，sound代表密实，void代表空；/nS3：构建套筒灌浆密实度深度学习网络模型，设置该深度学习网络模型的训练参数，根据步骤S2预处理后的arff文件输入到该深度学习网络模型的输入层进行模型训练，从而获得训练好的套筒灌浆密实度深度学习网络模型；其中，深度学习网络模型包括输入层、第一隐藏网络层、第二隐藏网络层、全连接层和输出层，第一隐藏网络层包括第一卷积层和第一池化层，第二隐藏网络层包括第二卷积层和第二池化层；输入层输入步骤S2预处理后的arff文件，输入层输出给第一卷积层，第一卷积层输出给第一池化层，第一池化层输出给第二卷积层，第二卷积层输出给第二池化层，第二池化层输出给全连接层，全连接层输出给输出层；/nS4：将待监测的套筒灌浆密实度数据信息预处理为arff文件并实时输入到步骤S3训练好的套筒灌浆密实度深度学习网络模型中，输出套筒灌浆密实度数组M[a,b]，该数组M由2个双精度型数值a、b表示，a、b数值的和为1，a、b分别代表类别标签密实、空；当a大于0.5时，认为该套筒灌浆密实度为密实的；当a小于0.5时，认为该套筒灌浆密实度为空的。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于四川升拓检测技术股份有限公司，未经四川升拓检测技术股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910870663.1/，转载请声明来源钻瓜专利网。
