1.基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：按如下步驟進(jìn)行，
2.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟3)中卷積神經(jīng)網(wǎng)絡(luò)初始化設(shè)置的參數(shù)通過(guò)預(yù)訓(xùn)練得到，預(yù)訓(xùn)練利用vit模型進(jìn)行；預(yù)訓(xùn)練時(shí)，設(shè)定損失函數(shù)閾值以及最大訓(xùn)練次數(shù)，并初始化訓(xùn)練參數(shù)；通過(guò)預(yù)訓(xùn)練得到卷積神經(jīng)網(wǎng)絡(luò)初始化參數(shù)。
3.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟5)中特征融合的步驟為，
4.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟6)中分類器由全連接層和softmax層構(gòu)成，全連接層由zx＝(wx)thx表示，其中zx表示全連接層的輸出，即每個(gè)檢測(cè)類別的回歸值，hx表示步驟5)的輸出矩陣展平到一維數(shù)組后得到的特征向量，wx表示全連接層的權(quán)重矩陣；softmax層表示為其中k是檢測(cè)類別總數(shù)，zi是全連接層輸出矩陣zx中第i個(gè)類別的數(shù)值，pi是檢測(cè)樣本向量z屬于第i個(gè)類別的概率。
5.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟3)中采用resnet與fpn結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)模型；輸入數(shù)據(jù)包括批大小、連續(xù)幀數(shù)、每幀中的圖像數(shù)量、圖像通道數(shù)、圖像長(zhǎng)度、圖像寬度；resnet包括初始卷積層、殘差模塊、全局平均池化層；殘差模塊包含多個(gè)卷積層，層與層之間存在恒等映射關(guān)系，即f(x)＝h(x)+x，其中x表示輸入，f(x)表示殘差模塊的輸出，h(x)表示卷積層的輸出；fpn包括上采樣器，從resnet的conv2、conv3、conv4和conv5層提取特征并通過(guò)卷積層輸出。
6.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟4)中，建立查詢矩陣時(shí)，設(shè)查詢矩陣大小為(h，w)，分辨率為s，查詢矩陣的點(diǎn)記為(x，y)，在建立(x，y)坐標(biāo)位置的同時(shí)對(duì)z軸進(jìn)行采樣，以使網(wǎng)格點(diǎn)具有深度信息；在3d空間內(nèi)，采樣點(diǎn)表示為(x′，y′，z′i)
7.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟1)中多視角探頭包括主視探頭、俯視探頭和側(cè)視探頭，對(duì)應(yīng)的安檢圖像包括主視角安檢圖像、俯視角安檢圖像以及側(cè)視角安檢圖像。
8.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟2)中，所述預(yù)處理包括裁剪、旋轉(zhuǎn)、縮放和歸一化處理。
9.根據(jù)權(quán)利要求1所述的基于深度學(xué)習(xí)的多視角安檢圖像自動(dòng)識(shí)別方法，其特征在于：步驟7)中，達(dá)到設(shè)定的條件是指map@50滿足設(shè)定要求；map@50指在交并比閾值為50％的情況下得到的平均精度。