一种基于多尺度深度卷积神经网络的全场位移在线识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115953638A(43)申请公布日2023.04.11(21)申请号202211391034.9G06V10/82(2022.01)(22)申请日2022.11.07(71)申请人湖南大学地址410082湖南省长沙市岳麓区麓山南路1号(72)发明人龙湘云姜潮熊伟(74)专利代理机构北京律谱知识产权代理有限公司11457专利代理师孙红颖(51)Int.Cl.G06V10/77(2022.01)G06N3/0464(2023.01)G06N3/08(2023.01)G06V10/44(2022.01)G06V10/80(2022.01)权利要求书2页说明书8页附图5页(54)发明名称一种基于多尺度深度卷积神经网络的全场位移在线识别方法(57)摘要本发明提供一种基于多尺度深度卷积神经网络的全场位移在线识别方法包括步骤1，建立散斑图像‑位移数据集，标识出散斑图像对应的位移；步骤2，根据散斑图像的位移，将其分为不同尺度的数据集，并将散斑图裁剪到相应的尺寸；步骤3，构建基于深度学习的多尺度卷积神经网络，自动判断输入的散斑图的尺度，并输出相应的位移。本发明提出的多尺度神经网络，通过融合多个单尺度上学习到的位移信息，实现位移场的准确预测，并通过设计实验对所提方法的有效性进行验证，结果表明所提出的全场位移在线识别方法可提供准确的位移预测结果。CN115953638ACN115953638A权利要求书1/2页1.一种基于多尺度深度卷积神经网络的全场位移在线识别方法，其特征在于，所述全场位移在线识别方法包括以下步骤：步骤1，建立散斑图像‑位移数据集，标识出散斑图像对应的位移；步骤2，根据散斑图像的位移，将其分为不同尺度的数据集，并将散斑图裁剪到相应的尺寸；步骤3，构建基于深度学习的多尺度卷积神经网络，自动判断输入的散斑图的尺度，并输出相应的位移；所述多尺度卷积神经网络包括特征提取模块和多尺度决策融合模块；所述特征提取模块包括小尺度CNN网络、中尺度CNN网络、大尺度CNN网络和全尺度CNN网络，分别输出小尺度特征向量、中尺度特征向量、大尺度特征向量和全尺度特征向量；所述多尺度决策融合模块将四个不同尺度的特征向量生成系数矩阵，并通过系数矩阵与小尺度特征向量、中尺度特征向量和大尺度特征向量进行融合生成输出向量。2.根据权利要求1所述全场位移在线识别方法，其特征在于，所述小尺度CNN网络包括依次连接的第一小尺度卷积模块、平均池化层、第二小尺度卷积模块、第三小尺度卷积模块、第四小尺度卷积模块、第五小尺度卷积模块和第六小尺度卷积模块；所述中尺度CNN网络包括依次连接的第一中尺度卷积模块、平均池化层、第二中尺度卷积模块、第三中尺度卷积模块、第四中尺度卷积模块、第五中尺度卷积模块和第六中尺度卷积模块；所述大尺度CNN网络包括依次连接的第一大尺度卷积模块、平均池化层、第二大尺度卷积模块、第三大尺度卷积模块、第四大尺度卷积模块、第五大尺度卷积模块、第六大尺度卷积模块和第七大尺度卷积模块；所述全尺度CNN网络包括依次连接的第一全尺度卷积模块、平均池化层、第二全尺度卷积模块、第三全尺度卷积模块、第四全尺度卷积模块、第五全尺度卷积模块、第六全尺度卷积模块和第七全尺度卷积模块；各卷积模块均包括依次连接的数量和尺寸不同的卷积核、归一化单元和Relu函数单元。3.根据权利要求1所述全场位移在线识别方法，其特征在于，在步骤3中，多尺度融合模块中，四个不同尺度的输出数据叠加在一起，然后进入全连接层，生成一个6×1的向量。这个向量被改变形状，然后通过一个SoftMax层，生成一个3×2的系数矩阵在该系数矩阵中，满足以下等式：其中，cj和dj表示各尺度系数矩阵的元素，并且都在[0,1]的范围内；最后，可以得到输入子集图像对应的位移向量为：2CN115953638A权利要求书2/2页其中，u1为小尺度特征向量的横坐标，v1为小尺度特征向量的纵坐标，u2为中尺度特征向量的横坐标，v2为中尺度特征向量的纵坐标，u3为大尺度特征向量的横坐标，v3为大尺度特征向量的纵坐标。4.根据权利要求3所述全场位移在线识别方法，其特征在于，在步骤3中还包括位移场多尺度卷积神经网络分阶段训练方法：对每个单尺度网络都是单独训练的，冻结训练和验证后的参数；然后训练多尺度融合模块，只更新多尺度融合模块的权重参数。5.根据权利要求4所述全场位移在线识别方法，其特征在于，在步骤3中，使用模型的预测值与实际值之间的偏差量的均方误差(MSE)来定义：其中，n是每个迭代步骤中使用的数据数量，是第i个输入散斑图像的预测位移，是第i个输入散斑图像的实际位移，i＝1,2,…,n；基于训练数据集，通过最小化损失值来学习包括权重W和b在内的模型参数的最佳值：当得到权重