[發(fā)明專利]改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)件序列圖像分割方法

有效

• 申請?zhí)枺?/td>: 201710141353.7
• 申請日: 2017-03-09
• 公開（公告）號: CN106920243B
• 公開（公告）日: 2019-12-17
• 發(fā)明（設(shè)計）人: 溫佩芝;苗淵淵;邵其林;張文新;黃文明;鄧珍榮
• 申請（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/194
• 代理公司: 45112 桂林市華杰專利商標(biāo)事務(wù)所有限責(zé)任公司
• 代理人: 劉梅芳

1.一種改進(jìn)的全卷積神經(jīng)網(wǎng)絡(luò)的陶瓷材質(zhì)件序列圖像分割方法，包括如下步驟：

S10：對采集的原始圖像進(jìn)行手工標(biāo)注，將目標(biāo)和背景用不同的類別區(qū)分，得到訓(xùn)練標(biāo)簽(Ground Truth)，采用索引模式來表示訓(xùn)練樣本的標(biāo)簽圖；

S20：構(gòu)建改進(jìn)的基于全卷積神經(jīng)網(wǎng)絡(luò)(Fully Convolutional Network)的網(wǎng)絡(luò)模型，進(jìn)行訓(xùn)練；

S30：依據(jù)梯度下降算法(Stochastic gradient descent)計算損失函數(shù)(LossFunction)和反向傳播計算損失函數(shù)(Loss Function)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，其中

步驟S10中，所述的對采集的原始圖像進(jìn)行手工標(biāo)注的過程包括如下步驟：

S11：對采集的原始圖像(RGB彩色圖像)進(jìn)行手工標(biāo)注，將目標(biāo)物體和背景分離，并分別用不同的顏色表示；

S12：轉(zhuǎn)為索引模式，只保留兩種顏色，使得對應(yīng)的每個像素點都有明確的類別；

S13：原始圖片存儲為JPG格式，標(biāo)簽圖存儲為PNG格式圖片，顏色模式只保留兩種，并定義為標(biāo)簽圖(Ground Truth)；

步驟S20中，所述的構(gòu)建改進(jìn)的基于全卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)模型，進(jìn)行訓(xùn)練，具體包括如下過程：

S21：輸入層設(shè)計為直接接收J(rèn)PG、PNG三維圖像輸入的ImageData類型的數(shù)據(jù)層；

S22：利用反卷積層，將通過池化層降低的維度通過線性插值法恢復(fù)到原來的維度；

S23:線性修正單元中利用PReLu函數(shù)；

S24：輸出層改進(jìn)為二分類，把上一層反卷積層的結(jié)果通過softmax函數(shù)進(jìn)行分類；

步驟S30中，所述的依據(jù)梯度下降算法計算損失函數(shù)和反向傳播計算損失函數(shù)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，網(wǎng)絡(luò)的每一層的權(quán)重由均值為0和方差為0.01的高斯分布來初始化，具體步驟為如下：

S31：將使用的超參數(shù)：批量大小(batchsize)、動量(moment)、權(quán)重衰減系數(shù)λ、初始學(xué)習(xí)率α分別設(shè)置為：4、0.9、0.005、1×10^-10；

S32：定義網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)是最小化其整體代價函數(shù)，并設(shè)定有一組數(shù)量為m的訓(xùn)練樣本集{(x^(l),y^(l)),…,(x^(m),y^(m))}，網(wǎng)絡(luò)整體代價函數(shù)表示為式(3)：

其中，h_W,b(x)是神經(jīng)網(wǎng)絡(luò)模型，W_ji^(l)是第l層第j單元與第l+1層第i單元之間的連接權(quán)重，b是隱藏層神經(jīng)元的偏置項；λ是一個減小權(quán)重幅度的規(guī)則化項；W代表函數(shù)J(W,b)中的形式參數(shù)，即為式(3)右邊W_ji^(l)的簡稱；x^(l)代表數(shù)組樣本中第l個數(shù)據(jù)；y^(l)代表數(shù)組樣本中第l個數(shù)據(jù)對應(yīng)的標(biāo)簽；x^(m)代表數(shù)組樣本中第m個數(shù)據(jù)；y^(m)代表數(shù)組樣本中第m個數(shù)據(jù)對應(yīng)的標(biāo)簽；x⁽ⁱ⁾代表數(shù)組樣本中第i個數(shù)據(jù)；y⁽ⁱ⁾代表數(shù)組樣本中第i個數(shù)據(jù)對應(yīng)的標(biāo)簽；n_l-1代表第n_l-1層，一般網(wǎng)絡(luò)共n₁層，則n_l-1層為倒數(shù)第二層；s_l代表第l層神經(jīng)元的個數(shù)，s_l+1代表第l+1層神經(jīng)元的個數(shù)；求解式(3)最小值采用注明的隨機(jī)梯度下降最優(yōu)化算法，而計算J(W,b)對W和b的偏導(dǎo)數(shù)時，使用反向傳導(dǎo)算法；

S33：批量梯度下降法中的每一次迭代都按照式(10)和式(11)對參數(shù)W和b進(jìn)行更新：

其中，α是學(xué)習(xí)速率；b_i^(l)表示第l+1層第i神經(jīng)單元的偏置；

S34：在訓(xùn)練學(xué)習(xí)的過程中通過觀察式(3)中的網(wǎng)絡(luò)整體代價函數(shù)值，如果在驗證集上的式(3)中的網(wǎng)絡(luò)整體代價函數(shù)值停止增加時，將學(xué)習(xí)速率α減小為原來值的十分之一，繼續(xù)訓(xùn)練，直到網(wǎng)絡(luò)收斂。