[发明专利]一种基于深度残差神经网络的管道自动检测和分类方法

权利要求书

1.一种基于深度残差神经网络的管道自动检测和分类方法，其特征在于，所述方法包括以下步骤：

步骤1：采集若干幅缺陷管道和正常管道的真实图像，并对其进行扩充后形成图像集；

步骤2：确定图像集中任一图像的缺陷类型，并根据缺陷类型设置对应的标签值，将图像集中的所有图像和对应的标签值按照一定比例划分成训练集、验证集、测试集；

步骤3：随机选择图像集中的一幅图像作为预训练模型的输入，通过对卷积层特征可视化方法迁移前M层模型；

步骤4：构建深度残差神经网络模型，包括前M层模型、连接在前M层模型之后的若干个串联的残差模块、一全连接层和最后的softmax激活函数，任一个残差模块包括3层卷积层；

步骤5：将训练集和验证集中的图像作为输入，对应的标签值作为目标输出对深度残差神经网络模型的参数进行优化，并结合测试集得到含有N个残差模块的深度残差神经网络；

步骤6：将实时采集的图像预处理后作为步骤5所得网络的输入，得到当前图像关于任一缺陷类型的概率P，P＝{P₁，P₂，...，P₆₅}；

所述步骤3包括以下步骤：

步骤3.1：以Resnet-34为预训练模型，从图像集中随机选择一幅图像作为预训练模型的输入，经预训练模型计算得到各卷积层的输出特征图，初始化i＝1；

步骤3.2：初始化x＝1；

步骤3.3：选择第i层卷积层中第x个输出特征图的最强激活神经元；

步骤3.4：对步骤3.3所得最强激活神经元进行反卷积运算，得到在像素级空间的重构图像；

步骤3.5：检查重构图像是否存在与输入的图像一致的特征，若是，则i＝i+1，并返回步骤3.2，否则执行步骤3.6；

步骤3.6：判断x是否等于第i层卷积层中输出特征图的总个数，若是，则迁移前M＝i-1层模型，包括前M层模型的结构及其参数，否则x＝x+1，并返回步骤3.3；

所述步骤5包括以下步骤：

步骤5.1：初始化N＝1；设置残差模块的准确率差值门限ε₂；

步骤5.2：以训练集和验证集中的图像作为输入，以对应的标签值作为目标输出对深度残差神经网络模型进行训练，优化模型参数得到含有N个残差模块的深度残差神经网络模型；

步骤5.3：将测试集中的图像作为步骤5.2所得网络模型的输入，对步骤5.2所得网络模型进行测试；记录测试正确率P_N；

步骤5.4：判断N＝1，若是，则令N＝N+1，并返回步骤5.2；否则判断P_N-P_N-1＜ε₂，若是，停止训练并记N＝N-1，保存含有N个残差模块的深度残差神经网络，否则令N＝N+1，并返回步骤5.2。

2.如权利要求1所述的一种基于深度残差神经网络的管道自动检测和分类方法，其特征在于，所述步骤1包括以下步骤：

步骤1.1：对任一真实图像通过数据增强方法生成若干幅变换图像，所述数据增强方法包括裁剪、旋转、翻转、色彩变换中的一种或多种，将所有变换图像与所有真实图像进行标准化处理后，形成准图像集；

步骤1.2：以准图像集为基础，通过生成式对抗网络生成若干幅生成图像，放入准图像集形成图像集。

3.如权利要求2所述的一种基于深度残差神经网络的管道自动检测和分类方法，其特征在于，所述步骤1.2中，通过生成式对抗网络生成若干幅生成图像包括以下步骤：

步骤1.2.1：以卷积神经网络模型为基础构造判别网络和生成网络；其中生成网络的输入为随机噪声，输出为一幅图像，判别网络的输入为一幅图像，输出为0～1的值；

步骤1.2.2：以准图像集的图像作为训练样本，对生成式对抗网络进行训练，优化生成网络和判别网络的参数后得到生成式对抗网络；

步骤1.2.3：输入若干个随机噪声，得到若干幅生成图像，进行标准化处理。