[发明专利]一种对有限训练样本进行结构多损伤智能识别方法

权利要求书

1.一种对有限训练样本进行结构多损伤智能识别方法，其特征在于，包括以下步骤：

S1、建立ResNet50网络，并采用孪生神经网络的模型结构组成得到SiResNet50；

S2、使用损伤训练集训练SiResNet50，并设置足够多的迭代次数使得Contrastiveloss收敛；

S3、SiResNet50训练中从数据集中随机多次抽取一对图片进行对比；

S4、对孪生神经网络分类方法进行优化，选取标签图片，并将测试集图片输入已训练的SiResNet50模型进行分类。

2.根据权利要求1所述的有限训练样本进行结构多损伤智能识别方法，其特征在于：所述步骤S1中，Siamese Network的基本网络可为其他神经网络，在本专利，基于计算资源与准确率的考虑，选择ResNet50、即深度为50的ResNet，为Siamese Network的基本网络。

3.根据权利要求2所述的有限训练样本进行结构多损伤智能识别方法，其特征在于：

所述的ResNet50的核心为残差单元，残差单元与普通单元的区别在于残差结构通过跳接在激活函数前，将浅层的若干神经层的输出跃过多层与后面层的输出相加，并输入到激活函数，残差结构通过跳跃链接，增强了梯度的流动，ResNet50由一个输出层和4个ResidualBlock组成，其中Conv为卷积层，MaxPool为最大池化层，AvgPool为平均池化层，ResidualBlock1代表输入到ResidualBlock1的特征向量会x经过64个1×1的卷积核、再经过64个3×3的卷积核，最后经过256个1×1的卷积核，得到新的特征向量x1，x1与x相加进入激活函数ReLu得到新的输出x’,ResidualBlock2,ResidualBlock 3,ResidualBlock 4同ResidualBlock1一样，ReLu公式如下：

其中，x是输入激活函数的特征向量。

4.根据权利要求1所述的对有限训练样本进行结构多损伤智能识别方法，其特征在于：所述步骤S2中，Siamese Network包含两个并行的网络，它们具有完全相同的结构和共享一样的权重,与CNN不同，输入Siamese Network为图像对，输入Siamese Network的图像对是同一类别的则为正图像对，不为同类别的则为负图像对，输出的同样也是一对特征值，最终计算这对输出之间的相似度来做出最后的预测，计算相似度采用基于欧式距离的Contrastive loss，Siamese Network中的两个并行网络是CNN、RNN(Recurrent NeuralNetwork)、MLP(Multilayer Perceptron)或其他神经网络之一；为了使计算资源与计算精度平衡，采用步骤S1建立的ResNet50作为中Siamese Network的并行网络。