[發(fā)明專利]一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法

有效

• 申請?zhí)枺?/td>: 201911110682.0
• 申請日: 2019-11-14
• 公開（公告）號: CN111161207B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 趙雪青;張敏;夏雨薇;張軍軍;石美紅
• 申請（專利權(quán)）人: 西安工程大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/80;G06V10/82
• 代理公司: 中國商標專利事務(wù)所有限公司 11234
• 代理人: 郝震

1.一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，其特征在于，包括以下步驟：

步驟1：對原始織物圖像進行任意旋轉(zhuǎn)、變暗、加入高斯噪聲和椒鹽噪聲預(yù)處理，增強樣本數(shù)據(jù)集以實現(xiàn)卷積網(wǎng)絡(luò)的遷移學(xué)習(xí)；

步驟2：訓(xùn)練DenseNet、InceptionV3和Xception三個基礎(chǔ)模型，模型中包含卷積層、池化層、全連接層和Softmax層，通過卷積層提取圖像特征，采用集成網(wǎng)絡(luò)池化層降維采樣，將得到的特征在全連接層合并，最后通過Softmax層輸出圖像概率，首先對預(yù)處理后的織物圖像進行歸一化處理，對DenseNet、InceptionV3和Xception在ImageNet上訓(xùn)練過的模型進行微調(diào)和遷移，在訓(xùn)練過程中調(diào)整學(xué)習(xí)參數(shù)以及凍結(jié)層數(shù)和訓(xùn)練測試時間，進行多次嘗試后訓(xùn)練出自己的權(quán)重，然后得到預(yù)測結(jié)果；

步驟3：將步驟2中基礎(chǔ)模型DenseNet、InceptionV3、Xception預(yù)測出來的結(jié)果，作為集成的輸入，Voting(soft)集成的結(jié)果作為最終的預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，其特征在于，所述步驟1中旋轉(zhuǎn)0-180°，高斯噪聲為0.3，椒鹽噪聲為0.3，變暗為0.9。

3.根據(jù)權(quán)利要求1所述的一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，其特征在于，所述步驟2中對預(yù)處理后的圖像進行歸一化處理，將所有圖像大小歸一化為224×224×3，學(xué)習(xí)參數(shù)為0.001，一次取樣數(shù)量為32，三個模型凍結(jié)層數(shù)分別是90、90、55，對特定的層進行訓(xùn)練，為防止過擬合采用隨即丟棄策略，加入隨機丟棄函數(shù)，參數(shù)0.5。

4.根據(jù)權(quán)利要求1所述的一種集成的卷積神經(jīng)網(wǎng)絡(luò)織物疵點分類方法，其特征在于，所述步驟3中基礎(chǔ)模型DenseNet、InceptionV3、Xception全連接層每個Softmax層的輸出概率值作為Voting(soft)輸入值，使用Voting(soft)投票法集成的結(jié)果作為最終結(jié)果，根據(jù)三個模型分類結(jié)果的混淆矩陣，判斷類間相似性和類內(nèi)差異性決定Voting的權(quán)重，集成的結(jié)果作為最終的檢測結(jié)果，輸出。