[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

说明书

本发明公开了一种对有限训练样本进行结构多损伤智能识别方法，具体步骤为：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Contrastive loss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优化，首先选取标签图片输入训练好的SiResNet50得到标签特征，并将测试集图片输入SiResNet50与标签特征进行对比分类。本发明可用于有限训练样本下的结构多损伤自动快速分类，并且实现了有限训练样本下的多类别损伤识别。

技术领域

本发明涉及损伤智能识别技术领域，具体涉及一种对有限训练样本进行结构多损伤智能识别方法。

背景技术

目前基于深度学习的损伤识别多是针对单一损伤类型而言，如识别有无裂缝。然而实际工程中存在着多种类型的结构损伤，如蜂窝麻面、锈蚀、混凝土剥落等，而传统损伤识别多由人目测，自动化程度低，主观性影响高，因此亟需基于深度学习开发一种多损伤自动化识别的技术。

传统深度学习面对有限的训练样本时，精度、鲁棒性均不理想。通常需要通过足够多的训练样本来建立一个具备鲁棒性的结构损伤识别模型，然而，收集足够的训练样本过程非常耗时，且有些场景无法提供足够的样本数量，而在损伤检测过程中，由于传感器数量不足、测量手段困难或环境复杂等原因均可能造成测试数据不足,或产生小样本问题。因此，目前在实际工程应用层面上待解决的关键问题体现在：

(1)如何在训练样本不足的条件下，提高模型鲁棒性与预测精度；

(2)如何提高模型的泛化能力，使模型适用于多类别损伤识别；

(3)如何提高模型的训练效率，有效集成到移动端。

发明内容

本发明的目的在于提供一种对有限训练样本进行结构多损伤智能识别方法，进行有限训练样本下基于孪生残差神经网络的结构多损伤识别的方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种对有限训练样本进行结构多损伤智能识别方法，具体步骤如下：

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。为了解决Siamese Network识别效率过低的问题，对孪生神经网络分类方法进行优化。

S4、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。

步骤S1中，建立ResNet50。Residual Network(ResNet)是Kaiming He在2016年提出的具有残差单元的卷积神经网络。在ResNet出现之前，研究人员认为不断加深网络层数可以对更加复杂困难的图像提取更加抽象的特征，然而加深网络层数会导致训练困难，更加导致过拟合，梯度消失，网络退化。ResNet通过加入残差结构解决了上述问题。因此ResNet获得ILSVRC 2015中图像分类任务的第1名。多层数的ResNet可应用于更加复杂的场景，同时对计算配置要求也更高。基于计算资源与准确率的考虑，本文选择ResNet50(深度为50的ResNet)为Siamese Network的基本网络。