[发明专利]基于卷积神经网络的磁芯表面裂纹检测的确定系统及方法

权利要求书

1.基于卷积神经网络的磁芯表面裂纹检测的确定系统，其特征在于：它包括：

图像信息获取单元：用于获取磁芯表面裂纹图像信息作为训练集及交叉验证集；

卷积神经网络配置单元：用于调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分別进行训练，确定多个不同结构的卷积神经网络的参数；

最优磁芯表面裂纹检测模型确定单元：用于将所述交叉验证集分别输入所述多个不同结构卷积神经网络，将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优模型；

第二图像信息获取单元，用于获取磁芯表面裂纹图像信息作为测试集；

测试单元，用于将所述测试集输入最优磁芯表面裂纹检测模型，得到测试集中各测试样本的磁芯表面裂纹检测结果，统计磁芯表面裂纹检测结果的准确性。

2.根据权利要求1所述的基于卷积神经网络的磁芯表面裂纹检测的确定系统，其特征在于：所述卷积神经网络的结构包括：输入层、第一卷积层、第二卷积层、.....、第二十四卷积层、第一池化层、第二池化层、.....、第二十四池化层及全连接输出层；

所述输入层，用于输入磁芯表面裂纹图像信息；

所述第一卷积层，用于将预先训练好的第一层卷积核与输入层输入的磁芯表面裂纹图像信息进行卷积运算得到第一卷积特征图；

所述第一池化层，用于对第一卷积层输出的第一卷积特征图进行采样，得到采样区域的第一层特征平均值；

所述第二卷积层，用于将预先训练好的第一层卷积核与第一池化层输出的第一层特征平均值进行卷积运算得到第二卷积层特征图；

所述第二池化层，用于对第二卷积层输出的第二卷积特征图进行采样，得到采样区域的第二层特征平均值；

所述的第三卷积层至二十四卷积层重复第一卷积层和第二卷积层的操作、所述的第三池化层至二十四池化层重复第一池化层和第二池化层的操作；

所述全连接输出层，用于对第二十四池化层输出的第二十四层特征平均值进行训练，输出磁芯表面裂纹检测结果，所述结果包括：正常、裂纹标注图像。

3.根据权利要求1所述的基于卷积神经网络的磁芯表面裂纹检测的确定系统，其特征在于：所述卷积神经网络配置单元包括：

初始化模块，用于初始化卷积神经网络中的所有权重；

激活值生成模块，用于根据训练集中给定的训练样本，进行前向传导运算，即由输入层与第一卷积层权重作矩阵运算得到第一池化层所有神经元的激活值，将此与第一池化层权重作矩阵运算得到第二卷积层所有神经元的激活值，以此类推，最终得到全连接输出层的激活值；

误差确定模块，用于利用全连接输出层产生的激活值与实际值之间的误差和全连接输出层的权重，确定第二十四池化层的误差，以此类推，算出每一层相应的误差；

权重更新模块，用于利用每一层的误差算出相应的偏导数，利用偏导数来更新所有权重；

训练结果保存模块，用于完成卷积神经网络的训练过程，保存训练结果。

4.一种基于卷积神经网络的磁芯表面裂纹检测的确定方法，其特征在于：它包括以下步骤：

s1.通过所述图像信息获取单元获取磁芯表面裂纹图像信息作为训练集及交叉验证集；

s2.通过所述卷积神经网络配置单元调整卷积神经网络每层神经元的个数，利用所述训练集对调整后的多个不同卷积神经网络分别进行训练，确定多个不同结构的卷积神经网络的参数；

s3.将所述交叉验证集分别输入所述多个不同结构卷积神经网络，通过最优磁芯表面裂纹检测模型确定单元将磁芯表面裂纹检测结果准确率最高的卷积神经网络作为最优磁芯表面裂纹检测模型；

s4.通过第二图像信息获取单元获取磁芯表面裂纹图像信息作为测试集；

s5.将所述测试集输入所述最优磁芯表面裂纹检测模型，得到所述测试集中各测试样本的磁芯表面裂纹检测结果，并统计磁芯表面裂纹检测结果的准确性，所述磁芯表面裂纹检测结果包括：正常、裂纹标注图像。