买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏省特种设备安全监督检验研究院

摘要：一种基于深度学习的DR图像缺陷智能识别方法，其分别取得各个DR图像值的余项队列，取得代表DR图像值相应的区间范畴中数值区别量与分散幅度的余项拓展因子，随后对DR图像值的区间数值分队列内数值的扰动状况执行解析，取得DR图像起伏参量；对DR图像值的区间数值分队列内数值的区别量状况执行解析，取得DR图像陡变参量，综合其解析值，取得DR图像值的机动平衡量；最终，可依据DR图像值的区间范畴内数值的平稳度幅度主动取得过滤数目大小，使得运用该过滤数目大小对各个DR图像值执行过滤处置的性能佳，改进型数值队列带有更好的防异常扰动性。

主权项：1.一种基于深度学习的DR图像缺陷智能识别方法，其特征在于，包括：S1：取得定义时长中经DR成像板传来的不一样时点的钢管焊接部的DR图像的图像值，形成DR图像值的队列；取得DR图像值的队列内各个DR图像值的区间数值分队列；S2：对各个区间数值分队列分别执行分离取得相应的各个DR图像值的余项队列；依据各个DR图像值的余项队列内余项数值间的区别量排布取得各个DR图像值的余项拓展因子；S3：依据各个DR图像值的余项拓展因子与区间数值分队列中数值的扰动状况取得各个DR图像值的DR图像起伏参量；依据各个DR图像值的余项拓展因子与区间数值分队列内毗邻数值间的区别量状况取得各个DR图像值的DR图像陡变参量；依据所述DR图像起伏参量和DR图像陡变参量认定各个DR图像值的机动平衡量；S4：依据所述机动平衡量认定各个DR图像值相应的过滤数目大小，运用所述过滤数目大小分别对DR图像值的队列内各个DR图像值执行过滤处置，取得改进型数值队列，把改进型数值队列优化后得到优化后的网络模型，接着再把新采集的DR图像输入优化后的网络模型后识别出钢管焊接部的缺陷；在S1中，在定义时长中各个时点的DR图像值，依照时点的先后次序形成DR图像值的队列，且把所述DR图像值的队列内的数值定义成DR图像值；依据起始取得事先定义的时距大小中含有的DR图像值形成DR图像值的区间数值分队列，所述事先定义的时距大小低于定义时长的大小；在S2中，运用依据STL算法，对各个DR图像值的区间数值分队列执行分离，取得各个DR图像值的余项队列；面向随意一DR图像值，把DR图像值的余项队列中随意一数值定义成标志余项数值，取得标志余项数值同其区间中余项数值的平均数，当做标志余项数值的改进型余项数值；运用Hants算法对余项队列执行净化处置，取得改进型余项队列；经由对净化后的余项数值执行区别量解析，运算改进型余项队列中全体改进型余项数值的平均数，把改进型余项队列内改进型余项数值的最高量减去最低量而得的量当做因子一；把改进型余项队列中随意一改进型余项数值定义成择定改进型余项数值，把择定改进型余项数值和所述平均数相减而得的量的模数当做因子二；把因子二除以因子一而得的量当做择定改进型余项数值的区别量属性值；运算DR图像值相应的改进型余项队列内全体改进型余项数值的区别量属性值的平均数当做DR图像值的余项拓展因子；把改进型余项队列内第w个改进型余项数值当做择定改进型余项数值，那么第p个DR图像值的余项拓展因子的方程为： 方程中，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子，Np代表第p个DR图像值的改进型余项队列内含有的数值的总个数，γp,w代表第p个DR图像值的改进型余项队列内第w个改进型余项数值，代表第p个DR图像值的改进型余项队列内全体改进型余项数值的平均数，γp,zg与γp,zd分别代表第p个DR图像值的改进型余项队列内改进型余项数值的最高量和最低量；第p个DR图像值的DR图像起伏参量的方程为： 其中，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，代表第p个DR图像值的区间数值分队列内全体数值的标准差，νp代表第p个DR图像值的区间数值分队列内全体数值的平均数，σp代表DR图像值的队列中第p个DR图像值的余项拓展因子；取得各个DR图像值的DR图像陡变参量的方法，包含：面向随意一DR图像值，依据该DR图像值的区间数值分队列中毗邻数值间的区别量，取得DR图像值的对照队列；依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子；依据DR图像值的陡变因子与余项拓展因子取得DR图像值的DR图像陡变参量；也就是把DR图像值的陡变因子乘以余项拓展因子而得的量当做DR图像值的DR图像陡变参量；取得DR图像值的对照队列的方法，包含：把DR图像值的区间数值分队列内在最末一数值之外的随意一数值定义成择定数值，把择定数值减去同其毗邻的后一数值间而得的量当做择定数值的对照数值；DR图像值的区间数值分队列内全体数值的对照数值形成DR图像值的对照队列；第p个DR图像值的机动平衡量的方程为： 方程内，ηp代表DR图像值的队列内第p个DR图像值的机动平衡量，βp代表DR图像值的队列内第p个DR图像值的DR图像起伏参量，γp代表DR图像值的队列中第p个DR图像值的DR图像陡变参量，e代表欧拉数；依据DR图像值的对照队列内对照数值间的区别量取得DR图像值的陡变因子的方法，包含：把DR图像值的对照队列内对照数值的量不低于零的对照数值定义成数值种类一，把对照数值的量低于零的对照数值定义成数值种类二；取得DR图像值的对照队列内各个毗邻的二对照数值间的数值种类不一样的个数，把该个数除以对照队列中全体对照数值的总个数而得的量当做DR图像值的陡变因子；S4具体包含：依据所述机动平衡量认定各个DR图像值相应的过滤数目大小；最终，依照先后次序分别把DR图像值的队列内各个DR图像值当做起点，把其之后相应的所述过滤数目大小个数的DR图像值执行过滤处置，取得改进型数值队列，由此实现了预处置；依据所述机动平衡量认定各个DR图像值相应的过滤数目大小的方法，包含：面向随意一DR图像值，运算事先定义的数值乘以DR图像值的机动平衡量而得的量，对该量执行四舍五入处置，取得整型量的过滤数目因子；依据过滤数目因子取得DR图像值相应的过滤数目大小，过滤数目大小的方程为：M＝2N+1方程内，M为DR图像值相应的过滤数目大小，N为DR图像值相应的过滤数目因子。

全文数据：

权利要求：

百度查询： 江苏省特种设备安全监督检验研究院 一种基于深度学习的DR图像缺陷智能识别方法