[發明專利]基于VGG卷積神經網絡的極相似動物纖維自動識別方法

在審

• 申請號: 201811284023.4
• 申請日: 2018-10-31
• 公開（公告）號: CN109583564A
• 公開（公告）日: 2019-04-05
• 發明（設計）人: 鐘躍崎;路凱
• 申請（專利權）人: 東華大學;內蒙古鄂爾多斯資源股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62
• 代理公司: 上海申匯專利代理有限公司 31001
• 代理人: 翁若瑩;吳小麗

1.一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于，包括以下步驟：

步驟1：樣本制樣；

各類極相似動物纖維分別單獨制樣；切取待識別的各類極相似動物纖維，置于載玻片上，加入液體石蠟，攪拌使其均勻分布，蓋上載玻片，完成各類極相似動物纖維的制樣；

步驟2：圖像采集；

將步驟1制成的樣本置于光學顯微鏡下，手工聚焦清晰后，拍攝單根纖維顯微圖像；每個纖維類別拍攝8000～10000張顯微圖像，將每個纖維類的顯微圖像都分成三組，分別用作訓練集合、交叉驗證集合和測試集合；

步驟3：圖像預處理；

將原始顯微圖像縮小，再隨機裁剪，再將裁剪后的每幅圖像中的像素減去訓練集中所有圖像的3通道平均值；

步驟4：建立改進后的VGG卷積神經網絡；

采用13層架構的VGG卷積神經網絡，其具體配置如下：

其中，conv3-32代表32個3×3的卷積核，conv3-64代表64個3×3的卷積核，conv3-128代表128個3×3的卷積核，conv3-256代表256個3×3的卷積核。FC-512代表512個神經元構成的全連接層，FC-6代表6個神經元構成的全連接層。Softmax代表最終的激活函數為Softmax型激活函數；

步驟5：對所建立的改進后的VGG卷積神經網絡進行訓練；

通過訓練集合訓練所建立的改進后的VGG卷積神經網絡，并通過驗證集合調試網絡的參數；

步驟6：識別器的生成；

經過步驟5的訓練，即可得到基于VGG卷積神經網絡的極相似動物纖維自動識別的識別器，將該識別器用于極相似動物纖維的自動識別。

2.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟1中，使用哈氏切片器將待識別的各類極相似動物纖維切取0.5mm置于載玻片上。

3.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟1中，待識別的各類極相似動物纖維包括白山羊絨、土種毛、美利奴毛、蒙古青絨、國產青絨、紫絨六類。

4.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟1中，攪拌時采用分析針進行。

5.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟2中，將步驟1制成的樣本置于光學顯微鏡下，放大500倍。

6.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟2中，單根纖維顯微圖像的分辨率至少為640×480。

7.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟2中，將每個纖維類的顯微圖像均按照8:1:1的比例，選擇其中的80％作為訓練集合、10％作為交叉驗證集合、10％作為測試集合。

8.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟3中，將原始顯微圖像縮小至256×256大小，然后將縮小后的圖像隨機裁剪至大小為224×224。

9.如權利要求1所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟5中，在TensorFlow框架下，具體的訓練參數設置如下：

每次訓練批次大小設置為32；

梯度下降的優化方法使用Adam算法，常數ρ的值為10^-8，矩估計指數衰減率ρ₁和ρ₂分別設置為0.9和0.999；

使用指數衰減方法為每一輪訓練優化時提供學習率，設定初始學習率為0.001，衰減系數是0.93，衰減速度是每2輪進行一次學習率的衰減。

10.如權利要求3所述的一種基于VGG卷積神經網絡的極相似動物纖維自動識別方法，其特征在于：所述步驟6中，得到的識別器具有白山羊絨、土種毛、美利奴毛、蒙古青絨、國產青絨、紫絨六分類識別能力。