技术特征：
1.一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，包括步骤：s1)采集高精度金具图片数据集a；s2)将a中70％的图片作为训练集t，将a中30％的图片作为测试集o；s3)使用labelimg制作训练数据，并保存为voc2007的数据格式；s4)输入图片尺寸为300
×
300，输入rgb通道数为3，输入图像rgb平均值m_c＝[123，117，104]，输入锚盒因子s_c＝[0.1，0.2，0.37，0.54，0.71，0.88，1.05]，输入类数量为1，输入通道顺序r＝[2，1，0]；输入特征因子a_r＝[[1.0，2.0，0.5]，[1.0，2.0，0.5，3.0，1.0]，[1.0，2.0，0.5，3.0，1.0]，[1.0，2.0，0.5]，[1.0，2.0，0.5]]，输入相邻锚盒中心点步数s_ds＝[8，16，32，64，100，300]，输入偏移量offsets＝[0.5，0.5，0.5，0.5，0.5，0.5]，输入边界编码var_code＝[0.1，0.1，0.2，0.2]，根据输入的参数m_c，s_c，r，a_r，s_ds，offsets，var_code创建ssd模型m；s5)将训练集t加载到模型m进行训练；s6)将测试集o加载到模型m进行测试；s7)记l
conf
(x，c)为损失函数，l
conf
(x，c)计算公式为：其中i表示第i个锚盒，j表示第j个输入盒，表示第i个锚盒匹配到第j个类别为p的输入盒，若匹配到取1，否则取0；s8)输入检测因子μ，若l
conf
(x，c)＞μ转到步骤s4)，调整输入锚盒因子a_r和s_c参数；s9)输入新采集高精度金具图片s集到模型m进行预判，并输出结果集r。2.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s3)使用labelimg制作训练数据时锚盒的大小设置为300＊300，锚盒为存在裂纹特征的图片。3.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的grb平均值参数m_c用于运算时参照彩色范围的均值。4.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的锚盒因子参数s_c用于配置锚盒长宽比例。5.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的输入通道顺序参数r用于指定图片颜色排列顺序。6.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的特征因子参数a_r用于约束锚盒卷积层纵横比例。7.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的相邻锚盒中心点步数参数s_ds用于锚盒返回原射的缩放因素。8.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的偏移量参数offsets用于确定锚盒的中心点。9.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，其特征在于，步骤s4)所述的边界编码参数var_code用于每个坐标的锚盒偏移量的缩放比例。10.根据权利要求1所述的一种复杂背景下高精度金具裂纹图像检测及特征提取方法，
其特征在于，步骤s8)检测因子μ输入范围为0.6到0.9。
技术总结
本发明提供一种复杂背景下高精度金具裂纹图像检测及特征提取方法，运用深度学习算法直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。相较于传统方法中特征提取主要依赖人工设计的提取器，传统方法还需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差，特别是在复杂背景下传统方法的应用限制很大。深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，自适应复杂背景，并且可以是端到端的。端到端的。端到端的。
技术研发人员：何相升 邹耀 艾珺迪 高康 李锦 李长辉 张山河 沈文涛 熊金龙 张灿 王青文
受保护的技术使用者：国网湖北省电力有限公司超高压公司
技术研发日：2022.11.21
技术公布日：2023/3/24