本發(fā)明涉及損傷檢測(cè)技術(shù)，尤其涉及一種基于特征融合的損傷檢測(cè)方法及裝置。

背景技術(shù)：

近年來(lái)，自動(dòng)化的損傷檢測(cè)方法在工程上起到了非常大的作用，在各行各業(yè)有著非常廣泛的應(yīng)用。目前廣泛應(yīng)用的自動(dòng)化損傷檢測(cè)均是基于物理的損傷檢測(cè)方法，例如，對(duì)輸電線的超聲檢測(cè)定位方法、對(duì)混凝土表面的紅外熱像損傷檢測(cè)、高壓輸電線損傷的電磁檢測(cè)方法。但是這些基于物理的損傷檢測(cè)方法大多需要昂貴的檢傷設(shè)備，雖然對(duì)損傷的檢測(cè)精度很高，但是在分析損傷類型的智能化和自動(dòng)化方面有所欠缺。為了解決上述問(wèn)題，出現(xiàn)了基于機(jī)器學(xué)習(xí)的圖像分析技術(shù)。

現(xiàn)有技術(shù)中的基于機(jī)器學(xué)習(xí)的圖像分析技術(shù)多采用單一特征進(jìn)行損傷檢測(cè)及分析，具體為：通過(guò)提取具有損傷的結(jié)構(gòu)的傷痕圖像的單一特征，精煉出傷痕的有效信息，通過(guò)有效信息依賴于分類器程序產(chǎn)生學(xué)習(xí)模型，實(shí)現(xiàn)對(duì)的損傷結(jié)構(gòu)的自動(dòng)化檢測(cè)以及分析。但是該種基于機(jī)器學(xué)習(xí)的圖像分析技術(shù)對(duì)具有多種類型的損傷的結(jié)構(gòu)的檢測(cè)及分析準(zhǔn)確度較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提供一種基于特征融合的損傷檢測(cè)方法及裝置，以克服現(xiàn)有技術(shù)中基于機(jī)器學(xué)習(xí)的圖像分析技術(shù)對(duì)具有多種類型的損傷的結(jié)構(gòu)的檢測(cè)及分析準(zhǔn)確度較低的技術(shù)問(wèn)題。

本發(fā)明提供一種基于特征融合的損傷檢測(cè)方法，包括：

提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；

根據(jù)所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)所述待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到所述待檢測(cè)樣本的損傷類型標(biāo)簽，其中，所述BP神經(jīng)網(wǎng)絡(luò)模型是所述BP神經(jīng)網(wǎng)絡(luò)分類器基于訓(xùn)練樣本的損傷類型的標(biāo)簽和每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征對(duì)訓(xùn)練樣本學(xué)習(xí)得到的；

根據(jù)所述待檢測(cè)樣本的損傷類型標(biāo)簽，確定所述待檢測(cè)樣本的損傷類型。

如上所述的方法，在所述提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量之前，還包括：

獲取各損傷類型的標(biāo)簽；

相應(yīng)地，所述根據(jù)所述待檢測(cè)樣本的損傷類型標(biāo)簽，確定所述待檢測(cè)樣本的損傷類型包括：

對(duì)比所述述待檢測(cè)樣本的損傷類型標(biāo)簽和所述各損傷類型的標(biāo)簽，確定所述待檢測(cè)樣本的損傷類型。

如上所述的方法，在所述根據(jù)所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)所述待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到所述待檢測(cè)樣本的標(biāo)簽之前，還包括：

根據(jù)所述各損傷類型的標(biāo)簽，對(duì)所述對(duì)訓(xùn)練集中的各訓(xùn)練樣本的損傷類型進(jìn)行標(biāo)簽標(biāo)注，并提取每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征，得到訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；

根據(jù)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第一輸入向量，將訓(xùn)練樣本的損傷類型的標(biāo)簽作為期望輸出向量，根據(jù)所述第一輸入向量和所述期望輸出向量，在BP神經(jīng)網(wǎng)絡(luò)分類器中采用梯度下降法對(duì)各訓(xùn)練樣本學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)模型。

如上所述的方法，所述根據(jù)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第一輸入向量，將訓(xùn)練樣本的損傷類型的標(biāo)簽作為期望輸出向量，根據(jù)所述第一輸入向量和所述期望輸出向量，在BP神經(jīng)網(wǎng)絡(luò)分類器中采用梯度下降法對(duì)各訓(xùn)練樣本學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)模型，包括：

根據(jù)第k個(gè)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第p次學(xué)習(xí)的第一輸入向量，將第k個(gè)訓(xùn)練樣本的損傷類型的標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)分類器第p次學(xué)習(xí)的期望輸出向量，根據(jù)第p-1次學(xué)習(xí)得到的隱藏層和輸出層的校正誤差以及第p-1次學(xué)習(xí)的連接權(quán)值，采用梯度下降法調(diào)整第p次學(xué)習(xí)的連接權(quán)值；

根據(jù)第p次學(xué)習(xí)第一輸入向量、第p次學(xué)習(xí)期望輸出向量和第p次學(xué)習(xí)的連接權(quán)值，采用所述BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)第k個(gè)訓(xùn)練樣本學(xué)習(xí)；

根據(jù)第k+1個(gè)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第p+1次學(xué)習(xí)的第一輸入向量，將第k+1個(gè)訓(xùn)練樣本的損傷類型的標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)分類器第p+1次學(xué)習(xí)的期望輸出向量，根據(jù)第p次學(xué)習(xí)得到的隱藏層和輸出層的校正誤差以及第p次學(xué)習(xí)的連接權(quán)值，采用梯度下降法調(diào)整第p+1次學(xué)習(xí)時(shí)的連接權(quán)值，以對(duì)第k+1個(gè)訓(xùn)練樣本學(xué)習(xí)；

當(dāng)達(dá)到預(yù)設(shè)學(xué)習(xí)次數(shù)或期望誤差和小于等于預(yù)設(shè)值時(shí)，停止學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)模型；

其中，每個(gè)訓(xùn)練樣本被學(xué)習(xí)的次數(shù)大于等于1次，p、k為正整數(shù)。

如上所述的方法，所述基礎(chǔ)特征包括：線特征、斑點(diǎn)特征、角點(diǎn)特征、整體特征、紋理特征和尺度不變特征。

如上所述的方法，所述線特征為hough變換線特征，所述斑點(diǎn)特征為L(zhǎng)oG斑點(diǎn)特征，所述角點(diǎn)特征為Harris角點(diǎn)特征，所述整體特征為矩特征，所述紋理特征為L(zhǎng)BP特征，所述尺度不變特征為SURF特征；

相應(yīng)地，所述提取每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征，得到訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量，包括：

對(duì)所述hough變換線特征進(jìn)行聚類，得到a個(gè)hough變換線特征聚類單詞，將所述a個(gè)hough變換線特征聚類單詞作為所述hough變換線特征對(duì)應(yīng)的向量；

對(duì)所述LoG斑點(diǎn)特征進(jìn)行聚類，得到b個(gè)LoG斑點(diǎn)特征聚類單詞，將所述b個(gè)LoG斑點(diǎn)特征聚類單詞作為所述LoG斑點(diǎn)特征對(duì)應(yīng)的向量；

對(duì)所述Harris角點(diǎn)特征進(jìn)行聚類，得到c個(gè)Harris角點(diǎn)特征聚類單詞，將所述c個(gè)Harris角點(diǎn)特征聚類單詞作為所述Harris角點(diǎn)特征對(duì)應(yīng)的向量；

獲取h階不變矩特征向量，將所述h階矩特征向量作為矩特征對(duì)應(yīng)的向量；

獲取所述LBP特征中包含的d個(gè)詞匯出現(xiàn)的次數(shù)，將所述LBP特征中每個(gè)詞匯出現(xiàn)的次數(shù)組成第一向量，將所述第一向量即作為所述LBP特征對(duì)應(yīng)的向量；

獲取所述SURF特征中g(shù)個(gè)詞匯出現(xiàn)的次數(shù)，將所述SURF特征中每個(gè)詞匯出現(xiàn)的次數(shù)組成第二向量，將所述第二向量作為所述SURF特征對(duì)應(yīng)的向量。

如上所述的方法，所述根據(jù)第k個(gè)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第p次學(xué)習(xí)的第一輸入向量，包括：

獲取第k個(gè)訓(xùn)練樣本的每個(gè)hough變換線特征聚類單詞的維數(shù)、每個(gè)LoG斑點(diǎn)特征聚類單詞的維數(shù)、每個(gè)Harris角點(diǎn)特征聚類單詞的維數(shù)、矩特征對(duì)應(yīng)的向量的每一維分量、LBP特征對(duì)應(yīng)的向量的每一維分量、SURF特征對(duì)應(yīng)的向量的每一維分量，將所述每個(gè)hough變換線特征聚類單詞的維數(shù)、每個(gè)LoG斑點(diǎn)特征聚類單詞的維數(shù)、每個(gè)Harris角點(diǎn)特征聚類單詞的維數(shù)、矩特征對(duì)應(yīng)的向量的每一維分量、LBP特征對(duì)應(yīng)的向量的每一維分量、SURF特征對(duì)應(yīng)的向量的每一維分量組成所述第p次學(xué)習(xí)的第一輸入向量，所述第p次學(xué)習(xí)的第一輸入向量采用公式一表示為：

X(k)＝(x₁(k),x₂(k).……,x_N(k)) 公式一；

其中，X(k)表示第p次學(xué)習(xí)的第一輸入向量，N＝a+b+c+h+d+g。

如上所述的方法，所述BP神經(jīng)網(wǎng)絡(luò)模型z采用公式二表示為：

z＝(α₁x₁(P),α₂x₂(P).……,α_nx_n(P),……,α_Nx_N(P)) 公式二；

其中，x_n(P)表示所述BP神經(jīng)網(wǎng)絡(luò)模型的獲取過(guò)程中最后一次學(xué)習(xí)對(duì)應(yīng)的訓(xùn)練樣本的第一輸入向量的第n個(gè)分量，α_n所述BP神經(jīng)網(wǎng)絡(luò)模型的獲取過(guò)程中最后一次學(xué)習(xí)對(duì)應(yīng)的訓(xùn)練樣本的第一輸入向量的第n個(gè)分量對(duì)應(yīng)的連接權(quán)值。

如上所述的方法，所述根據(jù)所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和所述BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)所述待檢測(cè)樣本學(xué)習(xí)，得到所述待檢測(cè)樣本的損傷類型標(biāo)簽，包括：

根據(jù)所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第二輸入向量；

將所述BP神經(jīng)網(wǎng)絡(luò)模型中的各連接權(quán)值(α₁，α₂……α_n，……α_N)作為BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)所述待檢測(cè)樣本學(xué)習(xí)時(shí)輸入的連接權(quán)值；

根據(jù)所述第二輸入向量和所述BP神經(jīng)網(wǎng)絡(luò)模型中的各連接權(quán)值(α₁，α₂……α_n，……α_N)，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)所述待檢測(cè)樣本學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽。

本發(fā)明還提供一種基于特征融合的損傷檢測(cè)裝置，包括：

特征提取模塊，所述特征提取模塊用于待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；

標(biāo)簽獲取模塊，所述標(biāo)簽獲取模塊用于根據(jù)所述待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)所述待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到所述待檢測(cè)樣本的損傷類型標(biāo)簽，其中，所述BP神經(jīng)網(wǎng)絡(luò)模型是所述BP神經(jīng)網(wǎng)絡(luò)分類器基于訓(xùn)練樣本的損傷類型的標(biāo)簽和每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征對(duì)訓(xùn)練樣本學(xué)習(xí)得到的；

損傷類型確定模塊，所述損傷類型確定模塊用于根據(jù)所述待檢測(cè)樣本的損傷類型標(biāo)簽，確定所述待檢測(cè)樣本的損傷類型。

本發(fā)明提供一種基于特征融合的損傷檢測(cè)方法及裝置。本發(fā)明的基于特征融合的損傷檢測(cè)方法，包括：提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽，其中，BP神經(jīng)網(wǎng)絡(luò)模型是BP神經(jīng)網(wǎng)絡(luò)分類器基于訓(xùn)練樣本的損傷類型的標(biāo)簽和每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征得到的；根據(jù)待檢測(cè)樣本的損傷類型標(biāo)簽，確定待檢測(cè)樣本的損傷類型。本發(fā)明的基于特征融合的損傷檢測(cè)方法及裝置，可以快速準(zhǔn)確檢測(cè)不同的損傷類型，還可以對(duì)同時(shí)具有多種損傷類型的結(jié)構(gòu)進(jìn)行損傷類型的確定。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明提供的基于特征融合的損傷檢測(cè)方法實(shí)施例一的流程圖；

圖2為本發(fā)明提供的基于特征融合的損傷檢測(cè)方法實(shí)施例二的流程圖；

圖3為本發(fā)明提供的基于特征融合的損傷檢測(cè)裝置結(jié)構(gòu)示意圖一。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

在實(shí)際的應(yīng)用中，結(jié)構(gòu)會(huì)隨著時(shí)間的推移出現(xiàn)損傷，如何快速的識(shí)別結(jié)構(gòu)是否出現(xiàn)了損傷和確定損傷類型具有重要的意義。現(xiàn)有技術(shù)中的基于機(jī)器學(xué)習(xí)的圖像分析技術(shù)多采用單一特征進(jìn)行損傷檢測(cè)及分析，該種基于機(jī)器學(xué)習(xí)的圖像分析技術(shù)僅僅分析一種損傷類型比較有效，對(duì)具有多種類型的損傷的結(jié)構(gòu)或者分析不同的損傷類型的結(jié)構(gòu)時(shí)檢測(cè)和分析的準(zhǔn)確度較低。為了克服以上缺陷，本發(fā)明提出了一種基于特征融合的損傷檢測(cè)方法及裝置，下面結(jié)合具體實(shí)施例對(duì)本發(fā)明的基于特征融合的損傷檢測(cè)方法及裝置進(jìn)行詳細(xì)說(shuō)明。

圖1為本發(fā)明提供的基于特征融合的損傷檢測(cè)方法實(shí)施例一的流程圖，該方法可以通過(guò)基于特征融合的損傷檢測(cè)裝置實(shí)現(xiàn)，該裝置可通過(guò)硬件或軟件實(shí)現(xiàn)，如圖1所示，本實(shí)施例的方法可以包括：

S101、提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；

具體地，本實(shí)施例中基礎(chǔ)特征包括線特征、斑點(diǎn)特征、角點(diǎn)特征、整體特征、紋理特征和尺度不變特征。但是本發(fā)明并不限于僅包括這幾種基礎(chǔ)特征，還可以在包括這幾種特征的基礎(chǔ)上，包括其它種類的基礎(chǔ)特征。

更為具體地，線特征選用hough變換線特征，斑點(diǎn)特征選用LoG斑點(diǎn)特征，角點(diǎn)特征選用Harris角點(diǎn)特征，整體特征選用矩特征，紋理特征選用LBP特征，尺度不變特征選用SURF特征；

提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量，具體包括：

首先對(duì)hough變換線特征對(duì)應(yīng)的向量、LoG斑點(diǎn)特征對(duì)應(yīng)的向量、Harris角點(diǎn)特征對(duì)應(yīng)的向量的獲取方法進(jìn)行說(shuō)明。

對(duì)hough變換線特征進(jìn)行聚類，得到a個(gè)hough變換線特征聚類單詞，將a個(gè)hough變換線特征聚類單詞作為hough變換線特征對(duì)應(yīng)的向量；對(duì)LoG斑點(diǎn)特征進(jìn)行聚類，得到b個(gè)LoG斑點(diǎn)特征聚類單詞，將b個(gè)LoG斑點(diǎn)特征聚類單詞作為L(zhǎng)oG斑點(diǎn)特征對(duì)應(yīng)的向量；對(duì)Harris角點(diǎn)特征進(jìn)行聚類，得到c個(gè)Harris角點(diǎn)特征聚類單詞，將c個(gè)Harris角點(diǎn)特征聚類單詞作為Harris角點(diǎn)特征對(duì)應(yīng)的向量。本實(shí)施例中的聚類方法優(yōu)選K-means聚類方法。

接著對(duì)矩特征對(duì)應(yīng)的向量、LBP特征對(duì)應(yīng)的向量，SURF特征對(duì)應(yīng)的向量的獲取方法進(jìn)行說(shuō)明。

獲取h階不變矩特征向量，將h階不變矩特征向量作為矩特征對(duì)應(yīng)的向量；獲取LBP特征中包含的d個(gè)詞匯出現(xiàn)的次數(shù)，將LBP特征中每個(gè)詞匯出現(xiàn)的次數(shù)組成第一向量，將第一向量作為L(zhǎng)BP特征對(duì)應(yīng)的向量；獲取SURF特征中g(shù)個(gè)詞匯出現(xiàn)的次數(shù)，將SURF特征中每個(gè)詞匯出現(xiàn)的次數(shù)組成第二向量，將第二向量作為SURF特征對(duì)應(yīng)的向量。在本實(shí)施例矩特征對(duì)應(yīng)的向量為8維向量，LBP特征對(duì)應(yīng)的向量為128維向量，SURF特征對(duì)應(yīng)的向量為128維向量。

S102、根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽；其中，BP神經(jīng)網(wǎng)絡(luò)模型是BP神經(jīng)網(wǎng)絡(luò)分類器基于訓(xùn)練樣本的損傷類型的標(biāo)簽和每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征對(duì)訓(xùn)練樣本學(xué)習(xí)得到的；

具體地，BP神經(jīng)網(wǎng)絡(luò)模型采用公式二表示為：

z＝(α₁x₁(P),α₂x₂(P).……,α_nx_n(P),……,α_Nx_N(P)) 公式二；

其中，x_n(P)表示獲取BP神經(jīng)網(wǎng)絡(luò)模型的過(guò)程中最后一次學(xué)習(xí)對(duì)應(yīng)的訓(xùn)練樣本的第一輸入向量的第n個(gè)分量，α_n表示獲取BP神經(jīng)網(wǎng)絡(luò)模型的過(guò)程中最后一次學(xué)習(xí)對(duì)應(yīng)的訓(xùn)練樣本的第一輸入向量的第n個(gè)分量對(duì)應(yīng)的連接權(quán)值。

該步驟中的“根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本學(xué)習(xí)，得到待檢測(cè)樣本的標(biāo)簽”，包括：

根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第二輸入向量；將BP神經(jīng)網(wǎng)絡(luò)模型中的各連接權(quán)值(α₁，α₂……α_n，……α_N)作為BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本學(xué)習(xí)時(shí)輸入的連接權(quán)值；根據(jù)第二輸入向量和BP神經(jīng)網(wǎng)絡(luò)模型中的連接權(quán)值(α₁，α₂……α_n，……α_N)，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽。

其中，根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第二輸入向量，具體為：

獲取待檢測(cè)樣本的每個(gè)hough變換線特征聚類單詞的維數(shù)、每個(gè)LoG斑點(diǎn)特征聚類單詞的維數(shù)、每個(gè)Harris角點(diǎn)特征聚類單詞的維數(shù)、矩特征對(duì)應(yīng)的向量的每一維分量、LBP特征對(duì)應(yīng)的向量的每一維分量、SURF特征對(duì)應(yīng)的向量的每一維分量；將每個(gè)hough變換線特征聚類單詞的維數(shù)、每個(gè)LoG斑點(diǎn)特征聚類單詞的維數(shù)、每個(gè)Harris角點(diǎn)特征聚類單詞的維數(shù)、矩特征對(duì)應(yīng)的向量的每一維分量、LBP特征對(duì)應(yīng)的向量的每一維分量、SURF特征對(duì)應(yīng)的向量的每一維分量組成第二輸入向量的各分量，第二輸入向量Y采用公式三表示為：

Y＝(y₁,y₂.…y_n…,y_N) 公式三；

其中，y_n表示第二輸入向量的各分量，N＝a+b+c+h+d+g。也就是說(shuō)第二輸入向量的維數(shù)為N維。

將多個(gè)基礎(chǔ)特征融合在一起作為BP神經(jīng)網(wǎng)絡(luò)分類器的輸入，得到的BP神經(jīng)網(wǎng)絡(luò)模型，可以檢測(cè)不同的損傷類型，還可以對(duì)同時(shí)具有多種損傷類型的結(jié)構(gòu)進(jìn)行損傷類型的確定。

下面舉例說(shuō)明第二輸入向量。

在本實(shí)施例中，每個(gè)hough變換線特征聚類單詞的維數(shù)均為10，每個(gè)LoG斑點(diǎn)特征聚類單詞的維數(shù)也均為10、每個(gè)Harris角點(diǎn)特征聚類單詞的維數(shù)也均為10，10即為第二輸入向量的一個(gè)分量，因?yàn)閔ough變換線特征聚類單詞具有a個(gè)，LoG斑點(diǎn)特征聚類單詞具有b個(gè)，Harris角點(diǎn)特征聚類單詞具有c個(gè)，那么第二輸入向量至少有a+b+c個(gè)分量均為10。又比如LBP特征中的A詞匯現(xiàn)了50次，B詞匯出現(xiàn)了24次，那么50、24為L(zhǎng)BP特征對(duì)應(yīng)的向量中的兩個(gè)分量，也為第二輸入向量中的兩個(gè)分量。

將BP神經(jīng)網(wǎng)絡(luò)模型中的連接權(quán)值(α₁，……α_n，……α_N)作為BP神經(jīng)網(wǎng)絡(luò)對(duì)待檢測(cè)樣本學(xué)習(xí)時(shí)輸入的連接權(quán)值。

第二輸入向量和輸入的連接權(quán)值均獲取后，便可以根據(jù)第二輸入向量和輸入的連接權(quán)值采用BP神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽。

在本實(shí)施例中，待檢測(cè)樣本的損傷類型標(biāo)簽與訓(xùn)練樣本的損傷類型標(biāo)簽的形式相同，比如均為8個(gè)二進(jìn)制數(shù)，8個(gè)二進(jìn)制數(shù)可為(00000000)。其中，訓(xùn)練集中訓(xùn)練樣本的損傷類型的標(biāo)簽是根據(jù)訓(xùn)練樣本的損傷類型決定的，不同的損傷類型對(duì)應(yīng)不同的標(biāo)簽，也就是說(shuō)每個(gè)訓(xùn)練樣本對(duì)應(yīng)一個(gè)標(biāo)簽，每個(gè)訓(xùn)練樣本的標(biāo)簽可能相同可能不同，若訓(xùn)練樣本的損傷類型相同，則標(biāo)簽相同。

S103、根據(jù)待檢測(cè)樣本的損傷類型，確定待檢測(cè)樣本的損傷類型。

具體地，在進(jìn)行檢測(cè)待檢測(cè)樣本的損傷類型之前，需要將各損傷類型進(jìn)行標(biāo)簽標(biāo)注，根據(jù)標(biāo)注好的各損傷類型的標(biāo)簽獲取各損傷類型對(duì)應(yīng)的標(biāo)簽，具體為：將損傷類型分為9種，分別為：正常、腐蝕、凹坑、燒蝕、裂紋、起泡脫膠、劃痕、穿孔、磨損。損傷類型為正常，則該損傷類型的標(biāo)簽為(00000000)，其它的損傷類型的標(biāo)簽為在正常的標(biāo)簽的不同的位上采用1替換0，比如，若損傷類型為腐蝕，則將其標(biāo)簽標(biāo)注為(00000001)，若損傷類型為凹坑，則將其標(biāo)簽標(biāo)注為(00000010)，若損傷類型為穿孔，則將其標(biāo)簽標(biāo)注為(00000100)，若損傷類型為凹坑和腐蝕，則將其標(biāo)簽標(biāo)注為(00000011)，若損傷類型為凹坑、腐蝕和穿孔，則將其標(biāo)簽標(biāo)注為(00000111)。當(dāng)然本發(fā)明并不限于上述標(biāo)簽的標(biāo)注形式，只要將不同類型的損傷在正常的標(biāo)簽(00000000)的不同的位數(shù)上采用1替換0即可；比如損傷類型為腐蝕的標(biāo)簽還可以標(biāo)注為(00000010)，此時(shí)損傷類型為凹坑的標(biāo)簽可以標(biāo)注為(00100000)。

接著，將待檢測(cè)樣本的損傷類型標(biāo)簽與獲取的各損傷類型標(biāo)簽的對(duì)比，將標(biāo)簽與將待檢測(cè)樣本的損傷類型標(biāo)簽相同的損傷類型確定為待檢測(cè)樣本的損傷類型；若學(xué)習(xí)得到的待檢測(cè)樣本的損傷類型標(biāo)簽為(00100000)，磨損的損傷類型的標(biāo)簽為(00100000)，則待檢測(cè)樣本的損傷類型為磨損。

本實(shí)施例的基于特征融合的損傷檢測(cè)方法，包括：提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽，其中，BP神經(jīng)網(wǎng)絡(luò)模型是BP神經(jīng)網(wǎng)絡(luò)分類器基于訓(xùn)練樣本的損傷類型的標(biāo)簽和每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征得到的；根據(jù)待檢測(cè)樣本的損傷類型標(biāo)簽，確定待檢測(cè)樣本的損傷類型。本實(shí)施例的基于特征融合的損傷檢測(cè)方法，可以快速準(zhǔn)確檢測(cè)不同的損傷類型，還可以對(duì)同時(shí)具有多種損傷類型的結(jié)構(gòu)進(jìn)行損傷類型的確定。

圖2為本發(fā)明提供的基于特征融合的損傷檢測(cè)方法實(shí)施例二的流程圖，該方法可以通過(guò)基于特征融合的損傷檢測(cè)裝置實(shí)現(xiàn)，該裝置可通過(guò)硬件或軟件實(shí)現(xiàn)，如圖2所示，本實(shí)施例的方法是在上一實(shí)施例中的步驟“根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽”之前進(jìn)行的，本實(shí)施例的方法可以包括：

S201、根據(jù)各損傷類型的標(biāo)簽，對(duì)訓(xùn)練集中的各訓(xùn)練樣本的損傷類型進(jìn)行標(biāo)簽標(biāo)注，并提取每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征，得到訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；

具體的，獲取訓(xùn)練集中的訓(xùn)練樣本的方法如下：采集訓(xùn)練用的大量傷痕圖片，將每張圖片尺寸歸一化，統(tǒng)一到同一大小，并且根據(jù)采集圖片選用的攝像設(shè)備不同對(duì)圖片進(jìn)行畸變矯正、去噪。

接著，根據(jù)上一實(shí)施例中損傷類型的標(biāo)簽，對(duì)訓(xùn)練集中的各訓(xùn)練樣本的損傷類型進(jìn)行標(biāo)簽標(biāo)注，比如，若第k個(gè)訓(xùn)練樣本的損傷類型為正常，則第k個(gè)訓(xùn)練樣本的標(biāo)簽為(00000000)，若第k+1個(gè)訓(xùn)練樣本的損傷類型為腐蝕，則將其標(biāo)簽標(biāo)注為(00000001)，若第k+2個(gè)訓(xùn)練樣本的損傷類型為凹坑，則將其標(biāo)簽標(biāo)注為(00000010)，若第k+3個(gè)訓(xùn)練樣本的損傷類型為穿孔，則將其標(biāo)簽標(biāo)注為(00000100)，若第k+4個(gè)訓(xùn)練樣本的損傷類型為凹坑和腐蝕，則將其標(biāo)簽標(biāo)注為(00000011)，若第k+5個(gè)訓(xùn)練樣本的損傷類型為凹坑、腐蝕和穿孔，則將其標(biāo)簽標(biāo)注為(00000111)。本發(fā)明并不限于上述標(biāo)簽的標(biāo)注形式，只要與上一實(shí)施例中損傷類型的標(biāo)簽相對(duì)應(yīng)即可，也就是若將凹坑損傷類型標(biāo)注為(00000010)，則訓(xùn)練集中所有損傷類型僅為凹坑的訓(xùn)練樣本的標(biāo)簽均標(biāo)注為(00000010)。

其中，提取每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征，得到訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量的過(guò)程與上一實(shí)施例中“提取待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量”的方法相同，此處不再贅述。

S202、根據(jù)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第一輸入向量，將訓(xùn)練樣本的損傷類型的標(biāo)簽作為期望輸出向量，根據(jù)第一輸入向量和期望輸出向量，在BP神經(jīng)網(wǎng)絡(luò)分類器中采用梯度下降法對(duì)各訓(xùn)練樣本學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)模型。

具體地，在本實(shí)施例中，“根據(jù)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第一輸入向量”與上一實(shí)施例中“根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第二輸入向量”的方法相同，此處不再贅述。

“根據(jù)第一輸入向量和期望輸出向量，在BP神經(jīng)網(wǎng)絡(luò)分類器中采用梯度下降法對(duì)各訓(xùn)練樣本學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)模型”具體為：

設(shè)定訓(xùn)練樣本具有K個(gè)，最大學(xué)習(xí)次數(shù)為P，其中，K、P為正整數(shù)。

初始化過(guò)程為現(xiàn)有技術(shù)中的過(guò)程，本實(shí)施例中不再贅述。初始化后，根據(jù)第k個(gè)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第p次學(xué)習(xí)的第一輸入向量，將第k個(gè)訓(xùn)練樣本的損傷類型的標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)分類器第p次學(xué)習(xí)的期望輸出向量，根據(jù)第p-1次學(xué)習(xí)得到的隱藏層和輸出層的校正誤差以及第p-1次學(xué)習(xí)的連接權(quán)值，采用梯度下降法調(diào)整第p次學(xué)習(xí)的連接權(quán)值；

根據(jù)第p次學(xué)習(xí)第一輸入向量、第p次學(xué)習(xí)期望輸出向量和第p次學(xué)習(xí)的連接權(quán)值，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)第k個(gè)訓(xùn)練樣本學(xué)習(xí)；

根據(jù)第k+1個(gè)訓(xùn)練樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量獲取BP神經(jīng)網(wǎng)絡(luò)分類器的第p+1次學(xué)習(xí)的第一輸入向量，將第k+1個(gè)訓(xùn)練樣本的損傷類型的標(biāo)簽作為BP神經(jīng)網(wǎng)絡(luò)分類器第p+1次學(xué)習(xí)的期望輸出向量，根據(jù)第p次學(xué)習(xí)得到的隱藏層和輸出層的校正誤差以及第p次學(xué)習(xí)的連接權(quán)值，采用梯度下降法調(diào)整第p+1次學(xué)習(xí)時(shí)的連接權(quán)值，以對(duì)第k+1個(gè)訓(xùn)練樣本學(xué)習(xí)；

當(dāng)達(dá)到預(yù)設(shè)學(xué)習(xí)次數(shù)P或期望誤差和小于等于預(yù)設(shè)值時(shí)，停止學(xué)習(xí)，得到BP神經(jīng)網(wǎng)絡(luò)模型；

其中，每個(gè)訓(xùn)練樣本被學(xué)習(xí)的次數(shù)大于等于1次；P≥K，比如若設(shè)定的最大學(xué)習(xí)次數(shù)為1000次，訓(xùn)練樣本具有300個(gè)，則有的訓(xùn)練樣本被訓(xùn)練3次，有的訓(xùn)練樣本被訓(xùn)練4次。

在分析待檢測(cè)樣本時(shí)，只需要對(duì)待檢測(cè)樣本拍張傷痕圖片，通過(guò)提取圖片的多種基礎(chǔ)特征信息，結(jié)合BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器學(xué)便可以確定待檢測(cè)樣本的損傷類型。

本實(shí)施例的基于特征融合的損傷檢測(cè)方法，通過(guò)對(duì)訓(xùn)練樣本學(xué)習(xí)得到了BP神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了快速的對(duì)待檢測(cè)樣本的損傷類型的檢測(cè)與分析。

圖3為本發(fā)明提供的基于特征融合的損傷檢測(cè)裝置結(jié)構(gòu)示意圖一，如圖3所示，本實(shí)施例的裝置可以包括：特征提取模塊31、標(biāo)簽獲取模塊32和損傷類型確定模塊33；其中特征提取模塊31，用于待檢測(cè)樣本的多個(gè)基礎(chǔ)特征，得到待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量；標(biāo)簽獲取模塊32，用于根據(jù)待檢測(cè)樣本的各基礎(chǔ)特征對(duì)應(yīng)的向量和BP神經(jīng)網(wǎng)絡(luò)模型，采用BP神經(jīng)網(wǎng)絡(luò)分類器對(duì)待檢測(cè)樣本進(jìn)行學(xué)習(xí)，得到待檢測(cè)樣本的損傷類型標(biāo)簽，其中，BP神經(jīng)網(wǎng)絡(luò)模型是BP神經(jīng)網(wǎng)絡(luò)分類器基于訓(xùn)練樣本的損傷類型的標(biāo)簽和每個(gè)訓(xùn)練樣本的多個(gè)基礎(chǔ)特征對(duì)訓(xùn)練樣本學(xué)習(xí)得到的；損傷類型確定模塊33，用于根據(jù)待檢測(cè)樣本的損傷類型標(biāo)簽，確定待檢測(cè)樣本的損傷類型。

本實(shí)施例的裝置，可以用于執(zhí)行圖1所示方法實(shí)施例的技術(shù)方案，其實(shí)現(xiàn)原理和技術(shù)效果類似，此處不再贅述。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過(guò)程序指令相關(guān)的硬件來(lái)完成。前述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中。該程序在執(zhí)行時(shí)，執(zhí)行包括上述各方法實(shí)施例的步驟；而前述的存儲(chǔ)介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲(chǔ)程序代碼的介質(zhì)。

最后應(yīng)說(shuō)明的是：以上各實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案，而非對(duì)其限制；盡管參照前述各實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分或者全部技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的范圍。