[發明專利]一種基于深度學習的濾棒裝盒質量識別方法

有效

• 申請號: 201811364291.7
• 申請日: 2018-11-16
• 公開（公告）號: CN109472316B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 楊賽;吳加瑩;董寧;堵俊
• 申請（專利權）人: 南通大學;南通先進通信技術研究院有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 南京品智知識產權代理事務所(普通合伙) 32310
• 代理人: 奚曉寧;楊陳慶

1.一種基于深度學習的濾棒裝盒質量識別方法，其特征在于，包括如下步驟：

1）在訓練階段下，將采集到的濾棒裝盒圖像樣本分為錯位、缺支、錯位和缺支共存、以及標準裝盒四類；

2）隨機從步驟1）中的每類樣本中選取相同固定數量的訓練樣本作為卷積神經網絡模型的輸入進行訓練，通過反向傳播，對網絡參數進行優化，最終得到具有權值的微調網絡，并取得測試樣本；

3）進入測試階段，用測試樣本來測試訓練階段所得出的最終模型的泛化能力；

步驟（2）的具體步驟包括：

2-1）在所選取的訓練樣本之外，挑選120張作為附加測試樣本，確保每類測試樣本均為30張，并將所述附加測試樣本按照缺支、錯位、缺支及錯位以及標準裝盒平均分類；所述附加測試樣本用于來測試訓練后深度網絡的識別分類情況，與所述訓練樣本沒有一張是相同的；

2-2）將步驟2-1）所得樣本作為卷積神經網絡模型的輸入，通過激活函數得到經過卷積層的輸出特征圖；

假設是卷積層的第個通道的輸出特征圖，是前一層輸出的特征圖或者是輸入原圖，則卷積過程表達式如下：

(1)

式（1）中，是用于進行卷積計算的特征圖子集，是對應的卷積核矩陣，其矩陣參數隨著模型迭代增加會進行更新，是對卷積后的特征圖偏置，每個所對應的不一定相同，是卷積符號，是激活函數，引入非線性因素，提升表達能力，所述激活函數為ReLU函數；其中，，為自然數，的取值為3、96、256或384，不同卷積層取值不同，，為自然數的平方值；

2-3）經由下式（2）的下采樣層對輸出特征圖進行降維，對輸出結果進行更新；

(2)

式（2）中，為下采樣層的輸出特征圖，是下采樣函數；

其中，，為自然數；

2-4）通過全連接層處理進行分類輸出，根據樣本的分類個數，將輸出參數的類目設置為4，全連接層輸出后的特征圖表達為式（3），

(3)

式（3）中，是激活函數，此處選用ReLU函數，是前一層特征圖，是全連接層的權重系數，是偏置參數，其中n取值為1和2；對于輸入在第k類的概率，可以在Softmax層按照下式得出：

(4)

式（4）中是Softmax層的輸入，最大所在分類k即為模型對輸入的分類結果；

2-5）采用交叉熵函數作為四種模型的損失函數，通過反向傳播更新網絡參數，得到四種微調后的網絡。

2.根據權利要求1所述的基于深度學習的濾棒裝盒質量識別方法，其特征在于，在步驟（1）中，通過拍攝某煙濾嘴公司濾棒生產線上裝盒機的裝盒產品圖像，進行小樣本訓練，確定選取的樣本，并將選取的樣本形成一個訓練集。

3.根據權利要求1所述的基于深度學習的濾棒裝盒質量識別方法，其特征在于，步驟2）中，對網絡參數進行優化時經過60次迭代。

4.根據權利要求1所述的基于深度學習的濾棒裝盒質量識別方法，其特征在于，步驟2）中所取得的訓練樣本數量為400張，其中每類是100張。

5.根據權利要求1所述的基于深度學習的濾棒裝盒質量識別方法，其特征在于，所述交叉熵函數見式（5），

(5)

其中，h是訓練樣本容量，h設置為10，表示輸入對應的模型預測輸出，表示對應的實際標簽；其中，s為整數；

每層參數和的更新計算公式如下，其中為學習率：

(6)

(7)；

其中，，為自然數的平方值。

6.根據權利要求1所述的基于深度學習的濾棒裝盒質量識別方法，其特征在于，步驟（3）中，將測試樣本輸入到所得微調網絡中進行測試，得到樣本預測值。