[发明专利]一种基于深度学习技术实现设备裂损自动识别的方法

权利要求书

1.一种基于深度学习技术实现设备裂损自动识别的方法，其特征在于：包括应用在预处理服务器的系统平台上的过程和应用在训练服务器的系统平台上的过程；所述应用在预处理服务器的系统平台上的过程包括以下步骤：S11用于图像归一化处理的过程；S12用于图像部位标注和裁剪的过程；S13用于部位图像正负样本生成的过程；所述应用在训练服务器的系统平台上的过程包括以下步骤：S21用于制作数据集的过程；S22用于设置训练初始化参数和调优过程；S23用于测试验证模型过程。

2.根据权利要求1所述的基于深度学习技术实现设备裂损自动识别的方法，其特征在于：所述应用在预处理服务器的系统平台上的过程需要预先配置应用平台，包括以下步骤：在源服务器上搭建数据预处理平台；配置处理库-Opencv和Python；确认预处理平台是否部署成功。

3.根据权利要求1所述的基于深度学习技术实现设备裂损自动识别的方法，其特征在于：所述应用在预处理服务器的系统平台上的过程具体包括以下步骤：S11用于图像归一化处理的过程:通过预处理脚本文件对数据进行抽取,按照预训练图像要求修改分辨率并存储在指定位置；S12用于图像部位标注和裁剪的过程:对S11中收集的数据处理；所述数据处理过程包括针对不同数据进行大小裁剪、边缘扩充和分辨率缩放处理，以得到规整适合的数据集；对生成图像集进行制作特定位置标注；S13用于部位图像正负样本生成的过程：对数据集进行初步训练；利用初步模型循环进行图像标注；选择数据的存放方式；准备完成。

4.根据权利要求1所述的基于深度学习技术实现设备裂损自动识别的方法，其特征在于：所述应用在训练服务器的系统平台上的过程需要预先配置应用平台，包括以下步骤：在服务器上搭建Tensorflow平台；配置训练初始参数及模型数据；确认数据集及运行平台部署成功。

5.根据权利要求1所述的基于深度学习技术实现设备裂损自动识别的方法，其特征在于：应用在训练服务器的系统平台上的过程具体包括以下步骤：S21用于制作数据集的过程：制作各个部位训练数据集；S22用于设置训练初始化参数和调优过程：进入监控中心查看状态，确认是否进行调整；S23用于测试验证模型过程：完成训练后，进行图像处理，获得缺陷的正负样本；利用正负样本调整，自动生成海量负样本；把正负样本做成数据集，进行训练；训练完成对模型进行测试；训练完成。