[发明专利]一种基于迁移学习的螺钉螺母检测方法

权利要求书

1.一种基于迁移学习的螺钉螺母检测方法，其特征在于，包括以下步骤：

S1、获取螺钉螺母图像，建立数据集，对数据集进行数据增强；

所述步骤S1具体为：获取螺钉螺母图像，建立数据集，对该数据集进行数据增强处理，扩大数据集，把数据集分为训练集和测试集；所述数据增强处理包括翻转、裁剪、旋转、叠加噪声；

所述把数据集分为训练集和测试集，即在分层采样的基础上，将数据集分为10份，轮流将其中9份作为训练数据，1份作为测试数据，进行试验，再进行10次交叉验证，求出均值；

所述把数据集分为训练集和测试集具体为：把该数据集平均分为10份，将其中的9份作为训练集，剩下的1份作为测试集，一共训练10次，每一次训练得到的精度为R_i，最后的精度为10次结果的平均值为在训练集对检测网络进行训练得到检测网络的参数，在测试集上进行精度的检测，得到R_i；

S2、构建基于迁移学习第一网络模型并进行对比，选择最优网络模型；

所述步骤S2具体如下：

S201、构建基于迁移学习第一网络模型，即构建基于Inception-V3的三种训练模型：SNT+，SNT和TNT；其中，SNT+代表保留前三层的预训练模型参数，重新训练剩下层数的卷积层的模型参数；SNT代表只训练最后的全连接层；TNT表示从零开始训练模型所有的参数；

S202、通过比较三中训练模型在数据集上得到的精确度，得到最优网络模型SNT；

S3、修改最优网络模型的全连接层，重新添加用于识别螺钉螺母的全连接层，构建迁移学习第二网络模型；

所述步骤S3具体为：

修改最优网络模型SNT的全连接层，并重新添加用于识别螺钉螺母的全连接层，构建迁移学习第二网络模型；

设定结果是互斥的，损失函数定义为：L(P_A)＝-(1-P_A)^τLog(P_A)；

其中，y∈[0,1]为真实标签，p为预测概率；

S4、通过数据集对迁移学习第二网络模型进行训练，得到螺钉螺母识别模型；

所述步骤S4具体如下；

S401、将螺钉螺母数据集里的每张图片进行统一裁剪；

S402、将裁剪的图片输入迁移学习第二网络模型，在迁移学习第二网络模型的卷积模块进行步骤处理，对图像进行特征提取；所述步骤处理包括卷积、Relu、最大池化；

S403、将提取到的特征输入到卷积神经网络中训练，通过卷积算法计算得到的预测边框和标注的检测边框，再进行交集运算，计算结果为预测边框和真实边框的交集面积；

S404、然后对该边框进行调整和修正，最后得到最终输出的结果边框，进而得到螺钉螺母识别模型；

S5、利用迁移学习第二网络模型，对检测结果进行判断，得到检测网络；

所述步骤S5为：

使用迁移学习第二网络模型在测试集上判断能否检测到的螺钉螺母是否符合实际，即从测试集中随机提取图像文件，通过迁移学习第二网络模型判断该图像文件上是否存在螺钉螺母，如果不存在螺钉螺母，则剔除该图像文件，进行下一次检测；如果存在螺钉螺母，则输出图像中螺钉螺母的检测框，同时输出检测框的坐标信息；此时得到，得到由迁移学习构成的螺钉螺母的检测网络。