[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的雞蛋胚胎分類方法

在審

• 申請?zhí)枺?/td>: 201810216106.3
• 申請日: 2018-03-13
• 公開（公告）號: CN108446729A
• 公開（公告）日: 2018-08-24
• 發(fā)明（設(shè)計）人: 耿磊;王海月;肖志濤;劉華松;王忠強
• 申請（專利權(quán)）人: 天津工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的雞蛋胚胎分類方法。該方法包括：采集9日雞蛋胚胎圖像并按照成活胚和死亡胚分為兩類樣本；對胚胎圖像進行預處理，提取圖像的ROI區(qū)域并將圖像大小歸一化；使用結(jié)合通道加權(quán)和聯(lián)合監(jiān)督的CNN網(wǎng)絡(luò)結(jié)構(gòu)(SJ?CNN)對目標集進行訓練；利用訓練好的模型對待測圖像進行分類。與傳統(tǒng)方案相比，本發(fā)明方法避免了復雜的圖像處理過程，不會受到圖像血管分割不完整的影響，而且不會受噪聲的劇烈影響，對新樣本的適應(yīng)性較強，可以實現(xiàn)高精度的分類。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理、通道加權(quán)、聯(lián)合監(jiān)督以及卷積神經(jīng)網(wǎng)絡(luò)，特別涉及胚胎分類方法。

背景技術(shù)

目前在工程中，雞胚的成活性檢測與分類大多采用傳統(tǒng)人工照蛋檢測，通過人眼判斷雞蛋胚胎血管來檢測雞蛋胚胎的成活性，但人眼檢活的方法易受主觀因素干擾，并且存在視覺易疲勞，檢測效率低等缺點，容易出現(xiàn)誤檢與漏檢，難以滿足現(xiàn)代胚胎檢測與分類產(chǎn)業(yè)的高標準要求，因此，雞蛋胚胎分類檢測技術(shù)得到了廣泛的研究。

利用機器視覺技術(shù)對雞蛋胚胎進行成活性檢測以及分類的研究比較多，機器視覺技術(shù)代替?zhèn)鹘y(tǒng)的人工檢活，運用圖像處理的具體算法對胚胎圖像進行精細的數(shù)字化分析與處理，避免了傳統(tǒng)人工檢活的疲勞以及主觀因素干擾等缺點，但是這種方法圖像處理的過程太過繁瑣且準確率不太高。

綜上所述，目前迫切需要提出一種簡潔且準確率高的雞蛋胚胎分類方法。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的主要目的在于實現(xiàn)雞蛋胚胎分類，要求簡潔且準確率高。

為達到上述目的，按照本發(fā)明的第一個方面，提供了一種基于卷積神經(jīng)網(wǎng)絡(luò)的雞蛋胚胎分類方法，該方法包括：

(1)采集9日雞蛋胚胎圖像并按照成活胚和死亡胚分為兩類樣本；

(2)對胚胎圖像預處理，提取圖像的ROI區(qū)域并將圖像大小歸一化；

(3)使用結(jié)合通道加權(quán)和聯(lián)合監(jiān)督的CNN網(wǎng)絡(luò)結(jié)構(gòu)對目標集進行訓練；

(4)利用訓練好的模型對待測圖像進行判別，驗證算法的可行性。

所述步驟(2)進一步包括：

提取圖像的ROI區(qū)域，對提取的ROI區(qū)域歸一化處理，將圖像歸一化到227*227大小，以便于作為后續(xù)CNN網(wǎng)絡(luò)的輸入。

所述步驟(3)進一步包括：

采用Center Loss與Softmax Loss兩種損失函數(shù)聯(lián)合監(jiān)督的方法，縮小類內(nèi)差異，增大類間差異，使學習到的特征更具區(qū)分性與廣義性；

Center Loss與Softmax Loss聯(lián)合監(jiān)督表達式如下所示：

λ為平衡兩個損失函數(shù)的參數(shù)。如將λ設(shè)置為0，則相當于只使用Softmax Loss 損失函數(shù)。與Contrastive Loss和Triplet Loss相比，在基于大規(guī)模數(shù)據(jù)集時，聯(lián)合監(jiān)督不需要面對龐大的樣本對選擇問題，仍然可以提高深度學習特征的判別性，而且Center Loss與Softmax Loss無需構(gòu)造復雜的數(shù)據(jù)采樣，訓練數(shù)據(jù)的格式相同，訓練比較方便；