[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有效
| 申请号： | 201910841403.1 | 申请日： | 2019-09-06 |
| 公开（公告）号： | CN110728654B | 公开（公告）日： | 2023-01-10 |
| 发明（设计）人： | 陈月芬;陈爱华;杨本全;张石清 | 申请（专利权）人： | 台州学院 |
| 主分类号： | G06T7/00 | 分类号： | G06T7/00;G06V10/764;G06V10/82;G06N3/08 |
| 代理公司： | 杭州赛科专利代理事务所(普通合伙) 33230 | 代理人： | 郭薇 |
| 地址： | 318000 浙江*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度残差神经网络的管道自动检测和分类方法，通过生成式对抗网络扩充图像形成图像集，以图像集为基础，通过迁移学习迁移前M层模型，构建含有N个残差模块的深度残差神经网络，本发明通过生成式对抗网络解决小样本问题带来的过拟合现象，采用迁移学习技术构建一个残差深度神经网络，实现对管道缺陷的检测和分类，既节约了人工成本，又增加了检测精度，同时自动判定缺陷的种类和等级，为后期的管道维修提供充分的信息，提高了管道维修的效率。 | ||
| 搜索关键词： | 一种 基于 深度 神经网络 管道 自动检测 分类 方法 | ||
【主权项】：
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：/n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；/n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；/n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；/n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；/n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；/n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＝{P
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于台州学院，未经台州学院许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910841403.1/，转载请声明来源钻瓜专利网。
