[发明专利]基于深度学习图像识别的套筒灌浆密实度判别方法

权利要求书

1.基于深度学习图像识别的套筒灌浆密实度判别方法，其特征在于：该方法包括以下步骤：

S1：通过敲击方式获取套筒各个测试点的波形图作为样本数据，共采集套筒灌浆密实度数据信息得到1200个样本，并将这1200个样本作为训练样本，其中密实样本和空样本各600个；

S2：对套筒灌浆密实度数据样本进行预处理，形成weka支持的arff文件，arff文件格式如下：

@relation image

@attribute filename string

@attribute class{sound,void}

@data

sound121.png,sound

sound122.png,sound

void121.png,void

void122.png,void

其中，arff文件属性有2个，arff文件属性包括filename和class；filename文件名类型为字符型；class为分类属性，包括密和空，sound代表密实，void代表空；

S3：构建套筒灌浆密实度深度学习网络模型，设置该深度学习网络模型的训练参数，根据步骤S2预处理后的arff文件输入到该深度学习网络模型的输入层进行模型训练，从而获得训练好的套筒灌浆密实度深度学习网络模型；其中，深度学习网络模型包括输入层、第一隐藏网络层、第二隐藏网络层、全连接层和输出层，第一隐藏网络层包括第一卷积层和第一池化层，第二隐藏网络层包括第二卷积层和第二池化层；输入层输入步骤S2预处理后的arff文件，输入层输出给第一卷积层，第一卷积层输出给第一池化层，第一池化层输出给第二卷积层，第二卷积层输出给第二池化层，第二池化层输出给全连接层，全连接层输出给输出层；

S4：将待监测的套筒灌浆密实度数据信息预处理为arff文件并实时输入到步骤S3训练好的套筒灌浆密实度深度学习网络模型中，输出套筒灌浆密实度数组M[a,b]，该数组M由2个双精度型数值a、b表示，a、b数值的和为1，a、b分别代表类别标签密实、空；当a大于0.5时，认为该套筒灌浆密实度为密实的；当a小于0.5时，认为该套筒灌浆密实度为空的。

2.根据权利要求1所述的基于深度学习图像识别的套筒灌浆密实度判别方法，其特征在于：步骤S1中通过敲击方式获取套筒各个测试点的波形图，针对套筒各个测试点的波形图，首先，通过解析软件自动截取测试点波形图并保存为图片格式，图片尺寸1387×551，此时图片颜色为彩色三通道；其次，通过图片处理软件将以上图片缩小到414×186，颜色设置为单通道的黑白两色。

3.根据权利要求1所述的基于深度学习图像识别的套筒灌浆密实度判别方法，其特征在于：步骤S3中设置该深度学习网络模型的训练参数，训练参数包括：第一卷积层的卷积核大小为5×5，卷积核步长为1×1，扩充边缘为2，卷积模式为same模式，卷积核个数为20；第二卷积层的卷积核大小为5×5，卷积核步长为1×1，扩充边缘为2，卷积模式为same模式，卷积核个数为50；第一池化层的池化方法为最大池化法，卷积核大小为2×2，卷积核步长为2×2；第二池化层的池化方法为最大池化法，卷积核大小为2×2，卷积核步长为2×2；全连接层的卷积核个数为500；输出层的损失函数为多类交叉熵函数，卷积核个数为2；模型迭代次数为5；随机种子为1；图片高度为186，图片宽度为414，通道数为黑白2种颜色，训练批处理样本为2。

4.根据权利要求3所述的基于深度学习图像识别的套筒灌浆密实度判别方法，其特征在于：所述第一卷积层、所述第二卷积层和所述输出层的激活函数均采用ReLU函数，ReLU函数的表达式如下：

式中，x为所在层的输入信号，ReLU(x)为所在层的输出信号，当所在层输入信号x≤0时，输出信号ReLU(x)都是0；当所在层输入信号x＞0的情况下，输出信号ReLU(x)都是x。