[发明专利]基于特征组合与CNN的大坝缺陷识别与分类方法

摘要

本发明公开了一种基于特征组合与CNN的大坝缺陷识别与分类方法，包括以下步骤：1)分别提取图像的LBP特征和GABOR特征图，然后基于特征向量余弦特征组合两种特征得到LG组合特征；2)将LG组合特征作为深度学习模型CNN的输入，通过逐层训练神经网络，提取更高层次的特征，根据此特征训练出CNN分类器；3)将测试样本提取LG特征后输入到训练好的CNN分类器中，分类识别出最后的缺陷类别。

主权项

1.一种基于特征组合与CNN的大坝缺陷识别与分类方法，用于对海量所采集到的大坝图像进行分析，实现对其的识别和分类；其特征在于，包括两个方面：LG组合特征提取和基于特征组合的CNN模型训练；1)LG组合特征提取：首先分别提取训练样本图像的LBP特征和GABOR特征图，然后基于特征向量余弦特征组合两种特征得到LG组合特征；2)基于特征组合的CNN模型训练：将LG组合特征作为深度学习模型CNN的输入，通过逐层训练神经网络，提取更高层次的特征，根据此特征训练出LG‑CNN分类器；3)最后将测试样本提取LG特征后输入到训练好的LG‑CNN分类器中，分类识别出最后的缺陷类别；基于特征组合的CNN模型训练，包含以下步骤：2.1)网络参数设置以下为几个影响CNN网络的关键参数：学习速率α、权值衰减、动量、丢失率；2.2)CNN训练过程和权重更新由于网络初始权重W是随机分配的，在训练期间，预测值和实际分类通常是不一致的；为了计算两者之间的偏差量，定义Softmax损失函数，公式如下：L用来表示与之间的独立关系，其中，L为损失函数，代表预测与实际数据的差距程度；1{y⁽ⁱ⁾＝j}是逻辑表达式，返回值为0或1，也就是说，假如第i个输入的预测类相对j类是正确的，返回1，否则返回0值；θ是正则项即权重衰变参数，用来惩罚大的权重，防止出现过度拟合的情况；权重W更新过程如下：步骤1:计算出相对于权重W的损失函数梯度值；步骤2:超参数引入动量ε和学习速率α来更新速度υ；在物理学中动量被定义为质量与速度的乘积，在这里考虑的是单元质量；W_j←W_j+υ    (6)步骤3:权重W按公式(5)迭代更新，直到形成收敛，也即W_j不再变化为止；公式(6)中的上标(i)表示第i个训练样本，i的范围取决于最小批尺寸，即整个数据集中使用的训练样本数量；整个卷积神经网络通过重复上述权重迭代更新过程进行缩小偏差量的权重调整工作，最终得到收敛的优化网络权重W；保存权重以及之前训练好的网络参数可以得到训练好的LG‑CNN分类器，用于第三步中测试图像集的分类识别；步骤4:缺陷分类识别输出：经过步骤2，LG‑CNN分类器训练完成，设置在卷积神经网络的最后一层Softmax层会将多个神经元的输出映射到(0，1)的区间内，根据公式(7)得到第i个训练样本属于m个训练样本，第j类属于n类中的概率表达，也即每个输入的独立分类概率；其中函数输入为上层输出的特征向量输出为一个5维的权重向量，代表测试图像隶属于正常、裂缝、渗水点、渗水面、钙化物析出这五类缺陷的概率值，总权重值和为1；根据测试结果的概率向量，取概率值最大的对应缺陷分类为测试分类识别结果。