[发明专利]一种基于深度学习的链条形变测量方法

权利要求书

1.一种基于深度学习的链条形变检测方法，其特征在于，将拍摄的链条影像抽帧转换为图像，手动标注出实例部分，来构建训练数据集；搭建基于深度卷积神经网络的语义分割模型；使用标注好的训练数据集训练语义分割模型；当需要检测链条形变时，将实时拍摄的链条影像输入到训练好的语义分割模型中，分割出链条部分；之后，对链条图像进行二值化处理并去除干扰杂声；最后，利用中心扩张算法来测量分割出的链条的尺寸信息；具体步骤为：构建链条图像训练数据集101、搭建基于卷积神经网络的语义分割模型步骤102、使用链条图像数据集来训练神经网络模型步骤103、链条形变检测步骤104；

构建链条图像训练数据集101，从步骤201到步骤202：

步骤201：将原图像x中的链条部分标注出来，保存为链条掩码图像y；

步骤202：将链条掩码图像和原图像组成图像对{x,y}，作为训练数据集；

搭建基于卷积神经网络的语义分割模型步骤102，从步骤301到步骤304：

步骤301：使用扩张卷积和普通卷积作为基本卷积层，Relu作为激活函数来搭建主干网络；

步骤302：使用双线性插值法来进行插值采样；

步骤303：使用改进的交叉熵损失即NLL损失和Dice损失，作为卷积神经网络的损失函数，使用Adam作为优化函数；

步骤304：设置学习效率为0.0005，批训练数量为8，迭代200次；

使用链条图像数据集来训练神经网络模型步骤103，从步骤401到步骤414：

步骤401：定义循环变量为t，并赋初值t＝1；

步骤402：当t＝200执行步骤403，否则执行步骤414；

步骤403：定义循环变量为k，并赋初值k＝1；

步骤404：将5000张训练图像分批，每批包含8张训练图像；

步骤405：当k＝625执行步骤406，否则执行步骤407；

步骤406：将图像x送入到卷积神经网络模型；

步骤407：设经过最后一层卷积神经网络的结果为y^*；

步骤408：计算链条真实掩码y和y^*之间的损失，更新神经网络连接函数的权值；

步骤409：k＝k+1；

步骤410：模型训练完毕；

链条形变检测步骤104，从步骤501到步骤510：

步骤501：将图像送入训练好的语义分割模型中；

步骤502：获得标注出链条中间空心区域的图像，得到语义分割后的链条图像；

步骤503：将语义分割后的链条图像从RGB图像转换为灰度图像；

步骤504：将灰度图像转换为像素值为0和255的黑白二值图像；

步骤505：使用高斯滤波去除二值图像中的干扰杂声；

步骤506：找出空心区域的中心点，并作为中心扩张的起始点；

步骤507：利用中心扩张的规则找到空心区域的最大内接矩形；

步骤508：测量最大内接矩形的长和宽的值；

步骤509：利用比例尺进行转换，得到链条空心区域的实际长宽尺寸；

步骤510：比较测量尺寸和标定尺寸，判断链条是否发生形变。