本发明涉及胶管优化，具体涉及一种基于深度学习的胶管优化设计方法及装置。
背景技术：
1、胶管在工业和商业领域中有着广泛的应用，包括输送液体、气体和其他物质，因此其设计的优化对于提高效率、降低成本和减少资源浪费具有重要意义。
2、现有技术中主要基于深度学习相关技术来实现对胶管的优化设计，例如通过使用大量的数据或者图像进行网络模型训练，并基于训练好的卷积神经网络的输出结果来对胶管进行优化设计，但是传统的神经网络训练过程中大量卷积核和特征图所带来的过拟合、运算复杂以及维度过高的现象，会导致网络模型的泛化能力较低，而且还会浪费资源和时间，进而导致不能可靠的对胶管进行优化。
技术实现思路
1、为了解决上述问题，本发明提供一种基于深度学习的胶管优化设计方法及装置，所采用的技术方案具体如下：
2、第一方面，本发明实施例提供了一种基于深度学习的胶管优化设计方法包括以下步骤：
3、获取胶管样本灰度图像集合中的各个胶管样本灰度图像对应的二维矩阵；
4、将所述各个胶管样本灰度图像对应的二维矩阵输入到卷积神经网络的卷积层，所述卷积层输出各个胶管样本灰度图像对应的第一特征图；根据所述第一特征图，得到所述第一特征图对应的目标混乱特征值；
5、根据所述目标混乱特征值，得到所述第一特征图对应的池化方式；将所述第一特征图输入到所述卷积神经网络的池化层，并根据所述第一特征图对应的池化方式对对应的第一特征图进行池化操作，池化层输出所述第一特征图对应的第二特征图；
6、将所述第二特征图输入到所述卷积神经网络的全连接层，根据所述全连接层的输出结果以及损失函数完成对卷积神经网络的训练，得到训练好的卷积神经网络；
7、获取待检测胶管图像，将所述待检测胶管图像输入到训练好的卷积神经网络中，根据训练好的卷积神经网络输出的结果对胶管进行优化设计。
8、第二方面，本发明提供了一种基于深度学习的胶管优化设计装置，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述一种基于深度学习的胶管优化设计方法。
9、优选地，得到所述第一特征图对应的目标混乱特征值的方法，包括：
10、对于任一第一特征图：
11、获取该第一特征图的信息熵，根据所述信息熵，得到该第一特征图对应的第一特征值；
12、获取该第一特征图上的最大灰度值以及该第一特征图上的最小灰度值，将所述最大灰度值与所述最小灰度值之间的差值，记为该第一特征图对应的灰度差值；
13、获取灰度最大极限值，将所述灰度差值与所述灰度最大极限值的比值记为该第一特征图对应的第二特征值；
14、获取该第一特征图上的各个像素点的梯度幅值，将该第一特征图上的所有像素点的梯度幅值的均值的归一化值记为该第一特征图对应的第一表征值；
15、获取该第一特征图上的各个像素点对应的邻域像素点集合，根据所述该第一特征图上的各个像素点的灰度值以及各个像素点对应的邻域像素点集合中的各个邻域像素点的灰度值，得到该第一特征图像对应的第二表征值；
16、根据所述第一特征值、所述第二特征值、所述第一表征值以及所述第二表征值，得到该第一特征图对应的目标混乱特征值。
17、优选地，得到该第一特征图对应的第一特征值的方法，包括：
18、对所述信息熵进行负相关映射，将常数1减去负相关映射后所得到的值记为该第一特征图对应的第一特征值。
19、优选地，获取该第一特征图上的各个像素点对应的邻域像素点集合的方法，包括：
20、对于该第一特征图像上的任一像素点：将该第一特征图像上的属于该像素点的八邻域的所有像素点均记为该像素点对应的邻域像素点，将该像素点对应的所有邻域像素点构建的集合记为该像素点对应的邻域像素点集合。
21、优选地，
22、优选地，得到该第一特征图像对应的第二表征值的方法，包括：
23、对于该第一特征图像上的任一像素点，将该像素点对应的邻域像素点集合中的各个邻域像素点的灰度值与该像素点的灰度值之间的差值的绝对值，记为对应邻域像素点对应的灰度特征差异值，将该像素点对应的邻域像素点集合中的各个邻域像素点对应的灰度特征差异值的均值，记为该像素点对应的特征差值；
24、将对该第一特征图像上的所有像素点对应的特征差值的均值进行归一化处理后的值记为该第一特征图像对应的第二表征值。
25、优选地，根据所述第一特征值、所述第二特征值、所述第一表征值以及所述第二表征值，得到该第一特征图对应的目标混乱特征值的方法，包括：
26、将对该第一特征图对应的第一特征值以及对应的第二特征值进行加权求和后的值记为该第一特征图对应的第一混乱特征值；
27、将对该第一特征图对应的第一表征值以及对应的第二表征值进行加权求和后的值记为该第一特征图对应的第二混乱特征值；
28、将计算得到的该第一特征图对应的第一混乱特征值以及其对应的第二混乱特征值的均值记为该第一特征图对应的目标混乱特征值。
29、优选地，得到所述第一特征图对应的池化方式的方法，包括：
30、对于任一第一特征图像：判断该第一特征图像对应的目标混乱特征值是否大于预设混乱阈值，若是，则将最大池化作为该第一特征图像对应的池化方式，否则，则将平均池化作为该第一特征图像对应的池化方式。
31、有益效果：本发明首先获取胶管样本灰度图像集合中的各个胶管样本灰度图像对应的二维矩阵；然后将各个胶管样本灰度图像对应的二维矩阵输入到卷积神经网络的卷积层，卷积层输出各个胶管样本灰度图像对应的第一特征图，并根据第一特征图，得到第一特征图对应的目标混乱特征值；之后根据目标混乱特征值，得到第一特征图对应的池化方式，后续将第一特征图输入到卷积神经网络的池化层，并根据第一特征图对应的池化方式对对应的第一特征图进行池化操作，池化层输出第一特征图对应的第二特征图，将第二特征图输入到卷积神经网络的全连接层，根据全连接层的输出结果以及损失函数完成对卷积神经网络的训练，得到训练好的卷积神经网络；最后获取待检测胶管图像，将待检测胶管图像输入到训练好的卷积神经网络中，根据训练好的卷积神经网络输出的结果对胶管进行优化设计。本发明中基于目标混乱特征值所得到的第一特征图对应的池化方式能够较为有效的防止过拟合，进而能够使得训练好的卷积神经网络模型的泛化能力较好，依据泛化能力较好的网路模型也能够较可靠的对胶管进行优化。
1.一种基于深度学习的胶管优化设计方法，其特征在于，该方法包括如下步骤：
2.如权利要求1所述的一种基于深度学习的胶管优化设计方法，其特征在于，得到所述第一特征图对应的目标混乱特征值的方法，包括：
3.如权利要求2所述的一种基于深度学习的胶管优化设计方法，其特征在于，得到该第一特征图对应的第一特征值的方法，包括：
4.如权利要求2所述的一种基于深度学习的胶管优化设计方法，其特征在于，获取该第一特征图上的各个像素点对应的邻域像素点集合的方法，包括：
5.如权利要求2所述的一种基于深度学习的胶管优化设计方法，其特征在于，得到该第一特征图像对应的第二表征值的方法，包括：
6.如权利要求2所述的一种基于深度学习的胶管优化设计方法，其特征在于，根据所述第一特征值、所述第二特征值、所述第一表征值以及所述第二表征值，得到该第一特征图对应的目标混乱特征值的方法，包括：
7.如权利要求1所述的一种基于深度学习的胶管优化设计方法，其特征在于，得到所述第一特征图对应的池化方式的方法，包括：
8.一种基于深度学习的胶管优化设计装置，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-7任一项所述的一种基于深度学习的胶管优化设计方法。
