申请/专利权人:桂林电子科技大学
申请日:2021-08-24
公开(公告)日:2024-03-22
公开(公告)号:CN113657532B
主分类号:G06V10/764
分类号:G06V10/764;G06V10/82;G06V10/44;G06N3/0464;G06N3/045;G06N3/084;G06N3/048
优先权:
专利状态码:有效-授权
法律状态:2024.03.22#授权;2021.12.03#实质审查的生效;2021.11.16#公开
摘要:本发明公开一种电机磁瓦缺陷分类方法,首先,输入端图像通过UPM模块进行定位,通过下采样块提取图像特征,再通过上采样重构图像,生成可能存在缺陷的区域的图像,然后对重构出来的缺陷图像通过堆叠,生成包括缺陷轮廓、缺陷邻域图像和原图像的多通道特征张量。然后,将该特征张量送入DenseNet121‑B分类网络,通过四层数量不等的卷积块进行特征提取,并通过转换层对通道进行挤压激励,强迫模型提取缺陷特征,最终通过Softmax层对前向传播特征进行激活,得到预测类别概率,进而完成缺陷分类。本发明具有更强的分类能力和鲁棒性。
主权项:1.一种电机磁瓦缺陷分类方法,其特征是,包括步骤如下:步骤1、构建UPM-DenseNet定位分类模型,该UPM-DenseNet定位分类模型由定位模型与分类模型组成;定位模型的输入端形成UPM-DenseNet定位分类模型的输入端,定位模型的输出端连接分类模型的输入端,分类模型的输出端形成UPM-DenseNet定位分类模型的输出端;上述定位模型由5个下采样块、4个上采样块、1个定位预测层和1个输出层组成;在定位模型中,第一下采样块的输入端形成定位模型的输入端,第一下采样块的输出端连接第二下采样块的输入端,第二下采样块的输出端连接第三下采样块的输入端,第三下采样块的输出端连接第四下采样块的输入端,第四下采样块的输出端连接第五下采样块的输入端,第五下采样块的输出端连接第一上采样块的输入端,第一上采样块的输出端连接第二上采样块的输入端,第二上采样块的输出端连接第三上采样块的输入端,第三上采样块的输出端连接第四上采样块的输入端,第四上采样块的输出端连接定位预测层的输入端,定位预测层的输出端连接输出层的输入端,第一下采样块的输入端连接输出层的引出端,输出层的输出端形成定位模型的输出端;第一下采样块的引出端连接第一上采样块的引出端,第二下采样块的引出端连接第二上采样块的引出端,第三下采样块的引出端连接第三上采样块的引出端,第四下采样块的引出端连接第四上采样块的引出端,第五下采样块的引出端悬置;上述分类模型由卷积层、瓶颈注意力机制层、最大池化层、4个带注意力机制的卷积块、4个转换块和分类预测层组成;在分类模型中,卷积层的输入端形成分类模型的输入端,卷积层的输出端连接瓶颈注意力机制层的输入端,瓶颈注意力机制层的输出端连接最大池化层的输入端,最大池化层的输出端连接第一带注意力机制的卷积块的输入端,第一带注意力机制的卷积块的输出端连接第一转换块的输入端,第一转换块的输出端连接第二带注意力机制的卷积块的输入端,第二带注意力机制的卷积块的输出端连接第二转换块的输入端,第二转换块的输出端连接第三带注意力机制的卷积块的输入端,第三带注意力机制的卷积块的输出端连接第三转换块的输入端,第三转换块的输出端连接第四带注意力机制的卷积块的输入端,第四带注意力机制的卷积块的输出端连接第四转换块的输入端,第四转换块的输出端连接分类预测层的输入端,分类预测层的输出端形成分类模型的输出端;步骤2、获取电机磁瓦训练样本集,该电机磁瓦训练样本集的每个训练样本包括对应的电机磁瓦表面灰度图、掩码图像和类别标签;步骤3、利用电机磁瓦训练样本集分别对UPM-DenseNet定位分类模型的定位模型和分类模型进行训练,即:将训练样本的电机磁瓦表面灰度图作为定位模型的输入,将训练样本的掩码图像作为定位模型的输出,对UPM-DenseNet定位分类模型的定位模型进行训练,得到训练好的定位模型;同时,将训练样本的掩码图像作为分类模型的输入,将类别标签作为分类模型的输出,对UPM-DenseNet定位分类模型的分类模型进行训练,得到训练好的分类模型;当定位模型和分类模型训练完成后,即得到训练好的UPM-DenseNet定位分类模型;步骤4、采集待检测电机磁瓦的电机磁瓦表面灰度图,并将该电机磁瓦表面灰度图送入到训练好的UPM-DenseNet定位分类模型中,由此得到待检测电机磁瓦的类别标签。
全文数据:
权利要求:
百度查询: 桂林电子科技大学 一种电机磁瓦缺陷分类方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。