(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211136810.0 (22)申请日 2022.09.19 (71)申请人 中国航空工业 集团公司北京长城计 量测试技 术研究所 地址 100095 北京市海淀区温泉镇环山村 (72)发明人 陈诗琳　石伟　 (74)专利代理 机构 北京正阳理工知识产权代理 事务所(普通 合伙) 11639 专利代理师 邬晓楠 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于形状特征信息的硬度压痕识别分 类方法 (57)摘要 本发明公开的一种基于形状特征信息的硬 度压痕识别分类方法， 属于硬度压痕识别测量领 域。 本发明实现方法为： 在进行分类前收集并建 立压痕数据库， 作为训练最初始的数据集； 然后 通过迁移学习、 数据图像扩充等手段， 有效降低 神经网络模 型对于原始数据的依赖性， 降低数据 获取的时间和人力成本； 通过修改网络参数适应 硬度压痕识别分类特性， 改善分类效果； 通过神 经网络的训练， 将输出结果中与预期分类结果相 似性最高的训练过程作为该压痕图片跟踪分类 结果， 利用该结果对图片分类过程进行纠正， 作 为下一次训练过程的输入， 进行训练过程更新， 丰富训练信息， 进一步提升训练和分类精度， 适 应对自动打压测量前识别实时分类需求， 支撑提 升自动打压测量效率。 权利要求书2页 说明书6页 附图6页 CN 115496943 A 2022.12.20 CN 115496943 A 1.一种基于形状特 征信息的硬度压痕识别分类方法， 其特 征在于： 包括以下步骤， 步骤101： 建立训练图像信息库， 通过收集相同条件下不同种类的目标分类图像， 并在 图像分类网络上进行 具体实现； 步骤102： 使用神经网络迁移学习模型提升神经网络对于标注数据向未标注数据的知 识迁移能力， 利用较少的训练集达 到更好的训练效果， 弥补数据集较小带来的影响； 步骤103： 使用图像数据扩充手段进行图片集合扩充， 达到扩充数据集的目的同时不改 变分类目的， 以解决样本量过小的问题； 步骤104： 修改步骤102得到的神经网络参数， 使得参数适应新神经网络并与目标输出 匹配， 以此提高神经网络的整体学习效率， 实现对整个卷积神经网络的分类； 步骤105:对网络训练， 将原数据集按预定比例 分割为训练数据集与测试数据集， 随机 在原数据集中挑选图片作为测试数据集， 其余图片作为训练数据集； 在网络训练过程中， 将 输出结果中与预期分类结果相似性最高的训练过程作为该压痕图片跟踪分类结果， 利用该 结果对图片分类过程进 行纠正， 作为下一次训练过程的输入， 进 行训练过程更新， 丰富训练 信息， 以进一步提升训练精度， 直至得到满足预设精度要求的压痕图片跟踪分类结果， 即基 于形状特 征信息实现硬度压痕识别分类。 2.如权利要求1所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 步骤101中所述收集到的压痕图像首先进 行图像预 处理： 统一图像尺寸， 排除非分类特征干 扰， 然后将不同种类的图片分别放在不同的文件夹下， 文件夹用分类的标签命名， 用于预分 类辅导， 然后将原数据集按预定比例分割为训练数据集与测试数据集， 随机在原数据集中 挑选图片作为测试 数据集， 其 余图片作为训练数据集； 再读取 所述训练集和 测试集。 3.如权利要求2所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 迁移学习模型即训练用神经网络模型是一个经过大量图像训练过的成熟模 型， 迁移学习模 型由于已经具有丰富的图片特征以及已有 数据集内的非线性关系， 当迁移学习模型再被应 用到一个新的训练上时， 能够降低网络对新数据的依赖， 从而减少构建深度学习模型所需 的训练数据， 并提高模型 的泛化能力； 所述神经网络迁移学习模型选用选择 的迁移模型为 AlexNet神经网络， 输入224 ×224， 卷积核11 ×11×3， 得到特征层55 ×55×96； 再用卷积层 输出的特征层作为下一层的输入， 得到特征层27 ×27×256， 以此类推， 最后一层卷积层输 出13×13×256， 进入到全连接层进行卷积运算， 输出4096个神经元， 再经过输出层的抑制 过拟合， 最终经训练输出10 00个float型预测结果， 弥补数据集较小带来的影响。 4.如权利要求3所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 使用的图像数据扩充手段， 包括旋转平移图像、 变形部分图像、 改变图像像素面积， 改变图 片的亮度、 清晰度、 对比度、 锐度， 放大或缩小原有图像， 对原有图像进行特征干扰， 获得新 的样本数据， 从而达 到扩充数据集的目的。 5.如权利要求4所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 修改步骤102得到的神经网络参数， 从已训练好的网络迁移过来的部 分参数不进 行变换， 但 降低对这部分网络的资源分配， 将资源倾斜到新增加的网络中， 以此来提高神经网络的整 体学习效率； 同时改变AlexNet后三层网络， 即通过改变全连接层网络来加强分类效果； 全 连接层即卷积神经网络的 “分类器”， 通过层中所有节点与前一层节点的连接整合隐藏层中 的信息， 进 而实现对整个卷积神经网络的分类。权　利　要　求　书 1/2 页 2 CN 115496943 A 26.如权利要求5所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 用imds.Fi les和循环函数读取 所述训练集和 测试集； 所述标签命名包括B ‑布氏压痕、 V ‑维氏压痕、 K ‑努氏压痕、 MV ‑显微压痕。 7.如权利要求5所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 图像数据扩充手段选择图像特征定位方法保留图像分类特征点， 避免因为图像数据扩充手 段造成图像特 征失效。 8.如权利要求5所述的一种基于形状特征信 息的硬度压痕识别分类方法， 其特征在于： 在对网络训练过程中， 将原数据集按8 :2分割为训练数据集与测试 数据集。权　利　要　求　书 2/2 页 3 CN 115496943 A 3