[发明专利]一种基于改进神经网络的齿面损伤识别方法及装置

权利要求书

1.一种基于改进神经网络的齿面损伤识别方法，该方法利用改进神经网络建立齿面损伤分类模型，之后通过向齿面损伤分类模型中输入待检测的齿轮表面图像，得到该齿轮表面损伤的分析结果；其特征在于，利用改进神经网络建立齿面损伤分类模型的步骤如下：

一)利用机器视觉系统获取齿轮的齿面图像，并依据齿面损伤的特征，将获取的齿面图像进行分类并标注出每个分类的真实标签；

二)将每一类的齿面图像裁剪至相同大小，并进行图像增强，形成分类的齿面图像数据集；

三)以ResNet-34作为初代网络模型构建卷积神经网络，并利用齿面图像数据集对构建的卷积神经网络进行训练，形成的权重保存到已构建的卷积神经网络中；

四)利用分类函数softmax对卷积神经网络的输出结果进行分类处理，得到各分类的概率向量；

五)选取概率向量中的最大值作为预测类型，并输出该预测类型及预测概率作为齿轮表面损伤的分析结果。

2.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤一)中将获取的齿面图像进行分类是指，将获取的齿面图像按照齿面点蚀、齿面磨损、轮齿折断和正常齿面四种类型并进行分类，并将四种类型作为对应分类的真实标签。

3.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤二)中图像增强的方法为，依次经水平翻转、垂直翻转、旋转180度、缩放、偏移、模糊、变亮、变暗和加入椒盐噪声。

4.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤二)形成分类的齿面图像数据集中，训练集和测试集的比例为9：1。

5.根据权利要求1所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于：所述步骤三)中的卷积神经网络，依次包括输入层、第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、全局平均池化层和全连接层。

6.根据权利要求5所述的一种基于改进神经网络的齿面损伤识别方法，其特征在于，构建所述步骤三)中卷积神经网络的具体操作为：

1)第一卷积层

1.1)将维度为(224,224,64)的图像，通过64个7*7的卷积核并以2的步长进行卷积操作，在得到像素矩阵的外围进行3圈补零操作，得到(112,112,64)的三维特征图；

1.2)对得到的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；

1.3)通过3*3的卷积核并以2的步长对步骤1.2)输出的特征图进行最大池化操作，之后在得到像素矩阵的外围进行1圈补零操作得到(56,56,64)的三维特征图；

2)第二卷积层

2.1)将上步骤中得到的(56,56,64)的三维特征图通过64个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(56,56,64)的三维特征图；

2.2)对上步骤中得到的(56,56,64)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；

2.3)将上步骤中得到的三维特征图重复步骤2.1)中的卷积和补零操作，并对得到的三维特征图进行批归一化操作；

2.4)将步骤2.1)中输入的三维特征图与步骤2.3)输出的三维特征图进行相加，之后通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；

2.5)重复步骤2.1)-步骤2.4)两次，输出维度为(56,56,64)的三维特征图；

3)第三卷积层

3.1)将上步骤中得到的维度为(56,56,64)的三维特征图通过128个3*3的卷积核并以2的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(28,28,128)的三维特征图；

3.2)将上步骤中得到的(28,28,128)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作，得到维度为(28,28,64)的三维特征图；

3.3)将上步骤中得到的维度为(28,28,64)的三维特征图通过128个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵外围进行1圈补零操作，得到(28,28,128)的三维特征图，再将其进行批归一化操作；

3.4)将步骤3.1)中输入的三维特征图通过128个1*1的卷积核并以2的步长进行卷积，得到(28,28,128)的三维特征图，并将其与步骤3.3)得到的特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作，得到维度为(28,28,128)的三维特征图；

3.5)将上步骤中得到的(28,28,128)的三维特征图通过128个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵外围进行1圈补零操作，得到(28,28,128)的三维特征图；

3.6)对上步骤中输出的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；

3.7)重复步骤3.5)并对得到的三维特征图进行批归一化操作；

3.8)将上步骤中输出的三维特征图与步骤3.5)中输入的维度为(28,28,128)的三维特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；

3.9)重复步骤3.5)-步骤3.8)两次，输出维度为(28,28,128)的三维特征图；

4)第四卷积层

4.1)将上步骤中得到的三维特征图通过256个3*3的卷积核并以2的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(14,14,256)的三维特征图；

4.2)将上步骤中得到的(14,14,256)的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作，得到维度为(14,14,256)的三维特征图；

4.3)将上步骤中得到的三维特征图通过256个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(14,14,256)的三维特征图，并将其进行批归一化操作；

4.4)将步骤4.1)中输入的三维特征图通过256个1*1的卷积核并以2的步长进行卷积，得到的维度为(14,14,256)的三维特征图与上步骤中输出的三维特征图相加，之后通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；

4.5)将上步骤中输出的三维特征图通过256个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(14,14,256)的三维特征图；

4.6)对上步骤中输出的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；

4.7)重复步骤4.5)并对得到的三维特征图进行批归一化操作；

4.8)将步骤4.5)中输入的三维特征图与上步骤中输出的三维特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；

4.9)重复步骤4.5)-步骤4.8)四次，输出维度为(14,14,256)的三维特征图；

5)第五卷积层

5.1)将上步骤中得到的三维特征图通过512个3*3的卷积核并以2的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(7,7,512)的三维特征图；

5.2)将上步骤中得到的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作，得到维度为(7,7,512)的三维特征图；

5.3)将上步骤中得到的三维特征图通过512个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(7,7,512)的三维特征图，并将其进行批归一化操作；

5.4)将步骤5.1)中输入的三维特征图通过512个1*1的卷积核并以2的步长进行卷积，得到的维度为(7,7,512)的三维特征图与上步骤中输出的三维特征图相加，之后通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；

5.5)将上步骤中输出的三维特征图通过512个3*3的卷积核并以1的步长进行卷积，在得到像素矩阵的外围进行1圈补零操作，得到(7,7,512)的三维特征图；

5.6)对上步骤中输出的三维特征图进行批归一化操作，之后通过ReLU激活函数对批归一化后的三维特征图进行非线性映射操作；

5.7)重复步骤5.5)并对得到的三维特征图进行批归一化操作；

5.8)将步骤5.5)中输入的三维特征图与上步骤中输出的三维特征图相加，之后再通过ReLU激活函数对相加后得到的三维特征图进行非线性映射操作；

5.9)重复步骤5.5)-步骤5.8)一次，输出维度为(7,7,512)的三维特征图；

6)全局平均池化层

对上步骤中输出的维度为(7,7,512)的三维特征图进行全局平均池化操作，输出维度为(1,1,512)的三维特征图；

7)全连接层

将上步骤中输出的维度为(1,1,512)的三维特征图转化为4维的特征向量。