(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 202211209852.2 (22)申请日 2022.09.30 (71)申请人 中冶检测认证有限公司 地址 100088 北京市海淀区西土城路3 3号 55号楼307房间 申请人 中冶建筑研究总院有限公司 　 西安建筑科技大 学 (72)发明人 王玲　郭小华　秦荣杰　李忠煜　 信任　贾占坤　陈佳宇　孟灵勇　 (74)专利代理 机构 北京集智东方知识产权代理 有限公司 1 1578 专利代理师 陈亚斌　关兆辉 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/10(2022.01)G06V 10/20(2022.01) 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 一种识别钢材锈蚀类型的方法 (57)摘要 本发明提供了一种识别钢材锈蚀类型的方 法， 包括： 将各种钢结构锈蚀情况分为多种不同 的钢结构锈蚀类型； 采集各种钢结构锈蚀的图 片， 通过分类得到各种钢结构锈蚀类型图片； 将 预处理后的每种钢结构锈蚀类型图片均按照预 设的比例划分为训练集、 验证集和测试集； 建立 用于识别各种钢结构锈蚀类型的卷积神经网络 模型； 对设置后的卷积神经网络模型进行训练； 对训练后的卷积神经网络模型进行测试， 生成测 试结果； 将测试结果与测试集进行对比， 根据对 比结果确定测试结果的精度； 使用训练后的卷积 神经网络模型对待测试的钢结构锈蚀的图片进 行识别， 确定该待测试的钢结构锈蚀的图片的钢 结构锈蚀类型。 应用本发明可以快速、 方便地识 别钢结构锈蚀类型。 权利要求书2页 说明书8页 附图1页 CN 115496995 A 2022.12.20 CN 115496995 A 1.一种识别钢材锈蚀类型的方法， 其特 征在于， 该 方法包括： 根据表观形态特 征将各种 钢结构锈蚀情况分为多种不同的钢结构锈蚀类型； 采集各种钢结构锈蚀的图片， 并根据钢结构锈蚀类型对采集得到的钢结构锈蚀的图片 进行分类， 得到各种 钢结构锈蚀类型图片； 对各种钢结构锈蚀类型图片进行 预处理； 将预处理后的每种钢结构锈蚀类型图片均按照预设的比例划分为训练集、 验证集和测 试集， 并对训练集和验证集中的钢结构锈蚀类型图片进行 数据标注； 建立用于识别各种 钢结构锈蚀类型的卷积神经网络模型； 使用每种钢结构锈蚀类型图片的训练集对卷积神经网络模型进行训练， 使用对应的验 证集进行验证， 并设置卷积神经网络模型的超参数； 根据各种 钢结构锈蚀类型图片的训练集对设置后的卷积神经网络模型进行训练； 根据各种钢结构锈蚀类型图片的测试集对训练后的卷积神经网络模型进行测试， 生成 测试结果； 将测试结果与测试集中对应的钢结构锈蚀类型图片所属的钢结构锈蚀类型进行对比， 根据对比结果确定测试 结果的精度； 使用训练后的卷积神经网络模型对待测试的钢结构锈蚀的图片进行识别， 确定该待测 试的钢结构锈蚀的图片的钢结构锈蚀类型。 2.根据权利要求1所述的方法， 其特征在于， 将各种钢结构锈蚀发展的过程分为5种钢 结构锈蚀类型： 未锈蚀类型、 点蚀类型、 均匀锈蚀类型、 剥落类型和分层类型； 其中， 所述未锈蚀类型的表观形态特征为： 金属表面基本没有变化或轻微颜色变化但 未产生浮锈； 所述点蚀类型的表 观形态特 征为： 金属表面局部产生小孔状的腐蚀坑； 所述均匀锈蚀类型的表观形态特征为： 金属表面大部分或全部普遍发生腐蚀， 腐蚀产 物在金属表面形成， 且不发生 穿孔； 所述剥落类型的表观形态特征为： 沿平行金属 表面的晶体横向产生各种形式的层状分 离； 所述分层类型的表观形态特征为： 沿垂直金属 表面的晶体横向产生各种形式的层状分 离。 3.根据权利要求2所述的方法， 其特征在于： 将点蚀类型、 均匀锈蚀类型、 剥落类型和分 层类型均再细分为轻微型和严重型； 其中， 所述点蚀类型的轻微型的表观形态特征为： 腐蚀孔孤立或稀疏的存在于金属表 面； 多数孔径小且孔 坑浅； 所述点蚀类型的严重型的表观形态特征为： 腐蚀孔紧凑的聚集于金属表面； 多数孔径 大且孔坑深； 所述均匀锈蚀类型的轻微型的表 观形态特 征为： 金属表面轻微变色或产生 浮锈； 所述均匀锈蚀类型的严重型的表观形态特征为： 金属 表面颜色变暗且产生致密锈层或 产生碎片； 所述剥落类型的轻微型的表 观形态特 征为： 金属表面产生 不连续的小碎片、 泡疤； 所述剥落类型的严重型的表 观形态特 征为： 金属表面大块金属片脱离金属本体；权　利　要　求　书 1/2 页 2 CN 115496995 A 2所述分层类型的轻微型的表观形态特征为： 垂直金属 表面的晶体横向产生一或两层较 薄的层状分离， 与基 体厚度相差较大； 所述分层类型的严重型的表观形态特征为： 垂直金属 表面的晶体横向产生多层层状分 离， 与基体厚度相差较小。 4.根据权利要求1所述的方法， 其特征在于， 所述对各种钢结构锈蚀类型图片进行预处 理包括： 根据预设的分辨 率， 对各种 钢结构锈蚀类型图片进行裁 剪； 对裁剪后的钢结构锈蚀类型图片进行 数据筛选， 剔除不符合筛 选条件的图片； 对数据筛选后的钢结构锈蚀类型图片进行数据扩增， 使得各种钢结构锈蚀类型图片的 数量均达 到预设的数量。 5.根据权利要求4所述的方法， 其特征在于， 所述对数据筛选后的钢结构锈蚀类型图片 进行数据扩增包括： 通过旋转和/或翻转对数据筛 选后的钢结构锈蚀类型图片进行 数据扩增。 6.根据权利要求1所述的方法， 其特征在于， 所述对训练集和验证集中的钢结构锈蚀类 型图片进行 数据标注包括： 根据每种钢结构锈蚀类型图片分别建立对应的钢结构锈蚀类型图片数据库， 并为每个 钢结构锈蚀类型图片数据库设置唯一的标识符； 为每个钢结构锈蚀类型图片数据库中的训练集和验证集中的钢结构锈蚀类型图片进 行数据标注。 7.根据权利要求1所述的方法， 其特 征在于： 所述卷积神经网络模型的输出节点数为钢结构锈蚀类型的数量。 8.根据权利要求1所述的方法， 其特 征在于： 所述卷积神经网络模型为Mobi leNet V2网络模型。 9.根据权利要求1所述的方法， 其特征在于， 所述根据各种钢结构锈蚀类型图片的训练 集对设置后的卷积神经网络模型进行训练包括： 所述卷积神经网络模型根据 各种钢结构锈蚀类型图片的训练集， 通过正向传播进行预 测， 通过损失函数计算误差， 然后通过随机梯度下降进 行误差逆向传播； 在训练的过程中逐 层更新卷积神经网络模型的参数。 10.根据权利要求9所述的方法， 其特 征在于： 当卷积神经网络模型为MobileNet  V2网络模型时， 利用MobileNet  V2网络模型的倒残 差结构和线性 瓶颈在训练过程中逐层更新网络参数； 当达到设置的epoc h后， 训练截止， 模型收敛； 保存生成的模型参数。权　利　要　求　书 2/2 页 3 CN 115496995 A 3