一种基于图像的微特征检测算法的制作方法

本发明涉及检测算法领域，具体涉及一种基于图像的微特征检测算法。

背景技术：

飞机故障如果得不到及时排除会对飞行安全造成严重隐患，因此需要航空公司对飞机结构损伤及时排查和维护，目前民航全行业的未来发展前景广阔，我国机场数量和飞机数量持续增加，越来越多的群体因为飞机的便捷性而选择其作为出行工具，但是每年也会出现飞机安全事故，而大部分的原因在于飞机自身的故障，随着飞机服役年限增加，材料的机械力学性能会发生衰变，容易产生裂缝损伤，尤其对于老龄飞机，因为服役时间长，产生这些损伤的可能性会更大，所以为保障飞机飞行安全，航空公司每天会对一架飞机平均进行3次及以上的维修工作，其中包括航前、航后以及1次以上的过站检查。

现有技术存在以下不足：现有的对飞机损伤检测的方法主要有目视检测和无损检测，其中无损检测技术有超声检测，射线检测，渗透检测等技术，此外还有红外，微波，声振和工业ct等检测手段，均发挥着重要作用，以红外检测技术为例，该方法采用辐射原理，扫描飞机表面由于缺陷造成的温度变化，根据该变化获得损伤信息，虽然无损检测技术已经成熟，但其仍然存在问题，例如专业技术人员培训体制不完善，无损检测设备的采购和使用存在滞后问题等等，与无损检测相比，目视检测更加便捷易操作，它是机务维修中主要的检测方式，据统计，在客机与货机的机务维修中目视检测分别占90％和80％，目视检测是对飞机各结构检查和维护最常用的方式之一，机务人员在飞机飞行间隔期间对其进行全方位检测，但是飞机数量增长速度较快，机务人员培养速度较难与之匹配。

因此，发明一种基于图像的微特征检测算法很有必要。

技术实现要素：

为此，本发明提供一种基于图像的微特征检测算法，通过将每一层特征图分别经过一层卷积层后得到输入图片的位置框的偏移量，类别结果和置信度，然后再通过位置偏移量可以得到每一格预测框的实际位置，并且再通过逻辑回归获得类别信息，然后再根据公式预测框中存在裂缝损伤的概率，最终通过非极大值抑制的方法，得到最终的网络预测结果，以解决损伤检测的方法主要有目视检测和无损检测的问题。

为了实现上述目的，本发明提供如下技术方案：一种基于图像的微特征检测算法，包括如下步骤：

s1，输入为一张图片，经过由深度可分离式卷积组成的特征提取网络后得到三层特征金字塔，每一层特征图分别再通过一层卷积层后得到输入图片的预测结果，即每一张图片位置框的偏移量，类别结果和置信度；

s2，通过位置偏移量可以得到每一格预测框的实际位置；通过逻辑回归获得类别信息；

s3，置信度是预测框中存在对象的概率和真实框与预测框的交并比之积：

s4，其中pr(object)是预测框中存在裂缝损伤的概率，是预测框与裂缝损伤标签框的iou，最终通过非极大值抑制的方法，得到最终的网络预测结果；

s5，yolov3-lite的特征提取部分由深度可分离式卷积设计完成，yolov3-lite的特征提取结构共有52个深度可分离卷积层；

s6，yolov3-lite的三层特征金字塔用于检测不同大小的裂缝，输入图像的维度是416×416，经过特征提取网络的最后一层输出维度为13×13的特征图，标记为f1，第27层与上采样的f1连接，输出维度为26×26特征图，标记为f2，最后，维度为52×52的特征图由网络的第10层计算得到，并与上采样的f2连接，连接部分由残差网络构建，该残差网络可以将低级语义信息和高级语义信息相结合，在这种连接模式下，网络可以有效学习不同尺度大小的裂缝特征，最后构成三层特征金字塔；

s7，在训练过程中随机将数据集分成十份，其中九份是训练集，一份是验证集，网络训练包括两个阶段，第一阶段采用在imagenet数据集上预训练的模型，冻结整个特征提取层，只训练最后三层卷积层，第二阶段对整个网络的参数进行训练，第一阶段中每批的大小设置为10，学习率设置为0.001，采用adam的优化方式，每当遍历完一次数据集称为一轮，若网络训练3轮后，验证集的损失没有降低，学习率降低为原来的1/10，当训练10轮后验证集误差降低小于0则停止训练，共迭代300轮，由于裂缝的特征与imagenet中物体的特征相差较远，因此第二阶段对整个模型参数进行调整，在这一阶段中的batchsize大小设置为4，学习率设置为0.0001，采用adam的优化方式以及与阶段一同样的回调方式对学习率进行调整，并且采用同样的结束训练条件，在这一阶段一共迭代50轮。

优选的，所述s5中，每个深度可分离卷积层中包含一个深度卷积层和一个逐点卷积层，所有层之后是一个batchnormalization和relu非线性层。

优选的，所述s6中，13×13特征图的感受野大用于检测大尺寸的裂缝。

优选的，所述s6中，52×52特征图的感受野较小可用于检测较小的裂缝。

优选的，所述s6中，26×26特征图介于13×13特征图和52×52特征图中间。

优选的，所述s7中，所有训练都是在nvidiateslak20gpu的显卡上运行，开发环境是tensorflow1.7.0。

本发明的有益效果是：

飞机机身表面距离摄像头较远的裂缝损伤，在整个图像中所占比例较小，yolov3-lite仍然可以准确检测到裂缝的位置，无论是远距离观测的裂缝、铆钉处的细小裂缝，还是在光线昏暗并且背景较为杂乱的飞机发动机内部叶片的小裂缝，yolov3-lite都可以检测到。

附图说明

图1为本发明提供的yolov3-lite网络结构示意图；

图2为本发明提供的yolov3-lite实验结果示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

参照附图1，本发明提供的一种基于图像的微特征检测算法，包括如下步骤：

s1，输入为一张图片，经过由深度可分离式卷积组成的特征提取网络后得到三层特征金字塔，每一层特征图分别再通过一层卷积层后得到输入图片的预测结果，即每一张图片位置框的偏移量，类别结果和置信度；

s2，通过位置偏移量可以得到每一格预测框的实际位置；通过逻辑回归获得类别信息；

s3，置信度是预测框中存在对象的概率和真实框与预测框的交并比之积：

s4，其中pr(object)是预测框中存在裂缝损伤的概率，是预测框与裂缝损伤标签框的iou，最终通过非极大值抑制的方法，得到最终的网络预测结果；

s5，yolov3-lite的特征提取部分由深度可分离式卷积设计完成，yolov3-lite的特征提取结构共有52个深度可分离卷积层，每个深度可分离卷积层中包含一个深度卷积层和一个逐点卷积层，所有层之后是一个batchnormalization和relu非线性层。

s6，yolov3-lite的三层特征金字塔用于检测不同大小的裂缝，输入图像的维度是416×416，经过特征提取网络的最后一层输出维度为13×13的特征图，标记为f1，第27层与上采样的f1连接，输出维度为26×26特征图，标记为f2，最后，维度为52×52的特征图由网络的第10层计算得到，并与上采样的f2连接，连接部分由残差网络构建，该残差网络可以将低级语义信息和高级语义信息相结合，在这种连接模式下，网络可以有效学习不同尺度大小的裂缝特征，最后构成三层特征金字塔，13×13特征图的感受野大用于检测大尺寸的裂缝，52×52特征图的感受野较小可用于检测较小的裂缝，26×26特征图介于13×13特征图和52×52特征图中间。

特征提取网络结构

s7，在训练过程中随机将数据集分成十份，其中九份是训练集，一份是验证集，网络训练包括两个阶段，第一阶段采用在imagenet数据集上预训练的模型，冻结整个特征提取层，只训练最后三层卷积层，第二阶段对整个网络的参数进行训练，第一阶段中每批的大小设置为10，学习率设置为0.001，采用adam的优化方式，每当遍历完一次数据集称为一轮，若网络训练3轮后，验证集的损失没有降低，学习率降低为原来的1/10，当训练10轮后验证集误差降低小于0则停止训练，共迭代300轮，由于裂缝的特征与imagenet中物体的特征相差较远，因此第二阶段对整个模型参数进行调整，在这一阶段中的batchsize大小设置为4，学习率设置为0.0001，采用adam的优化方式以及与阶段一同样的回调方式对学习率进行调整，并且采用同样的结束训练条件，在这一阶段一共迭代50轮，所有训练都是在nvidiateslak20gpu的显卡上运行，开发环境是tensorflow1.7.0。

本发明的使用过程如下：在使用本发明时先在nvidiateslak20gpu的显卡和开发环境是tensorflow1.7.0上进行实验，训练过程中随机将数据集分成十份，其中九份是训练集，一份是验证集，网络训练包括两个阶段，第一阶段采用在imagenet数据集上预训练的模型，冻结整个特征提取层，只训练最后三层卷积层，第二阶段对整个网络的参数进行训练，第一阶段中每批的大小设置为10，学习率设置为0.001，采用adam的优化方式，每当遍历完一次数据集称为一轮，若网络训练3轮后，验证集的损失没有降低，学习率降低为原来的1/10，当训练10轮后验证集误差降低小于0则停止训练，共迭代300轮，由于裂缝的特征与imagenet中物体的特征相差较远，因此第二阶段对整个模型参数进行调整，在这一阶段中的batchsize大小设置为4，学习率设置为0.0001，采用adam的优化方式以及与阶段一同样的回调方式对学习率进行调整，并且采用同样的结束训练条件，在这一阶段一共迭代50轮；

yolov3-lite的实验结果，左右四列分别分为两组，每组左边一列是原图，右边一列是检测结果。

以上所述，仅是本发明的较佳实施例，任何熟悉本领域的技术人员均可能利用上述阐述的技术方案对本发明加以修改或将其修改为等同的技术方案。因此，依据本发明的技术方案所进行的任何简单修改或等同置换，尽属于本发明要求保护的范围。