[發明專利]基于深度學習的黃色培育鉆石品級分類方法

有效

• 申請號: 201911149112.2
• 申請日: 2019-11-21
• 公開（公告）號: CN111007068B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 楊建新;蘭小平;閆蕾;王波;楊一銘;馮亞東;姚志強;劉文軍;王偉平;宋培卿;程輝;郭世峰;趙鑫
• 申請（專利權）人: 中國兵器工業信息中心
• 主分類號: G01N21/87
• 分類號: G01N21/87;G06V10/764
• 代理公司: 中國兵器工業集團公司專利中心 11011
• 代理人: 周恒

1.一種基于深度學習的黃色培育鉆石品級分類方法，其特征在于，所述方法包括如下步驟：

步驟S1：黃色鉆石原始樣本圖像采集：通過同軸光源照明，利用CCD工業相機和圖像采集卡采集黃色鉆石原始樣本圖像；

步驟S2：黃色鉆石原始樣本圖像分類：按照黃色鉆石品級不同，將黃色鉆石原始樣本圖像分為一級品、二級品和三級品三類樣本；

該步驟S2包括如下子步驟：

步驟S201：為避免因肉眼觀察誤差和個人經驗片面，而導致樣本分類不準確的問題，采取根據國際鉆石委員會鉆石分級標準、中國技術監管局鉆石分級標準GB/T 16554-2003的方法，分別對黃色鉆石原始樣本圖像進行分類，得到兩個訓練樣本集，分別記為：U_a、U_b；

步驟S202：為提升黃色鉆石品級分類的準確度，從U_a、U_b中篩選出分類一致的黃色鉆石樣本，形成一個加強訓練樣本集，記為：U_c；

步驟S3：黃色鉆石原始樣本圖像預處理：根據灰度化、濾波去噪、二值化、腐蝕與膨脹、最小外接矩形檢測圖形圖像處理方法對U_a、U_b、U_c中的黃色鉆石原始樣本圖像進行處理，得到統一尺寸299*299的黃色鉆石圖像；

該步驟S3包括如下子步驟：

步驟S301：灰度化：對步驟S2的圖像進行灰度化處理；

步驟S302：濾波去噪：對步驟S301得到的圖像使用低通濾波器平滑圖像中的高頻噪點，降低圖像的變化率；

步驟S303：二值化：將步驟S302中圖像中像素值不大于90的像素值置為0，也即黑色，其余的像素值置為255，也即白色；

步驟S304：腐蝕與膨脹：為消除經步驟S303后圖像中白色斑點對黃色鉆石區域輪廓檢測的干擾，對圖像分別執行4次腐蝕與膨脹的形態學處理；

步驟S305：最小外接矩形檢測：通過輪廓檢測算法檢測出經步驟S304后圖像中所有聯通區域的外輪廓，并通過最小外接矩形算法計算出所有外輪廓的最小外接矩形；

步驟S306：對步驟S305中的最小外接矩形進行面積大小、長寬比例過濾，最終得到唯一的黃色鉆石圖像區域，裁剪出該區域后，經過圖像放縮操作后統一到固定尺寸299*299；

步驟S4：模型訓練：將經步驟S3預處理后的樣本集U_a、U_b、U_c分別輸入Inception V3網絡中進行訓練，經過充分迭代分別得到預測模型M_a、M_b、M_c；

該步驟S4包括如下子步驟：

步驟S401：將經步驟S3預處理后的樣本集U_a、U_b、U_c分別輸入到Inception V3網絡中，樣本將先經過3層卷積網絡，每層卷積網絡包含1個或者多個卷積核，再通過激活函數ReLU對卷積輸出的非線性激勵作用，使得網絡的特征表達能力得到加強；卷積層激活函數ReLU的表達式為：

其中，x為經過3層卷積網絡后的輸出；

經過卷積層特征提取后，圖像的尺寸和通道數會發生較大變化，這與卷積核的大小、填充方式、步長因素相關；經卷積層后輸出圖像的尺寸和通道數計算公式分別如下式所示：

N＝D

其中，O為經卷積層后輸出圖像的尺寸；I為輸入圖像的尺寸；K為卷積核的尺寸；P為卷積時的填充數；S為步長；N為輸出圖像的通道數；D為卷積核的數量；

步驟S402：對步驟S401的輸出圖像進行池化降采樣處理，減少參量的同時過濾掉特征圖里的冗余信息，避免模型過擬合問題；經池化層后輸出圖像尺寸的計算公式為：

其中，O′為經池化層后輸出圖像的尺寸；P_s為池化層尺寸；

不同于卷積層改變圖像通道數的效果，經池化層后圖像的通道數不發生改變；

步驟S403：對步驟S402的輸出圖像通過3個模塊組簡化特征信息，每個模塊組內包含多個結構類似的模塊,每個模塊由簡單的卷積層、復雜的卷積層和簡化結構的池化層并聯組合而成，不同程度的特征抽象和變換可以有選擇地保留不同層次的高階特征，而這些模塊組的作用是簡化空間結構，將空間信息轉化為抽象的高階特征信息，最大程度地豐富網絡的表達能力，同時使每層的輸出張量持續減少，降低計算量；經過這些模塊組后的輸出圖像尺寸為8*8*2048；

步驟S404：經全局平均池化層將步驟S403輸出的圖像轉化為1*1*2048，再經過dropout層、卷積層以及線性化維度消除處理后，最終通過歸一化指數函數將模型對每個類別的預測映射為概率值，其中，歸一化指數函數表達式如下所示：

其中，n為所有的品級數，z_i表示模型預測出的屬于第i個類別的數值，p_i表示轉化后的模型預測結果屬于第i個類別的概率；

步驟S405：取預測概率最大的類別與樣本實際類別進行對比，計算同一訓練批次樣本的誤差損失，設置相關訓練超參數，以誤差損失最小為目標進行尋優，經反復迭代尋優和模型數據固化，最終樣本集U_a、U_b、U_c分別得到對應的模型M_a、M_b、M_c；

步驟S5：將待分類黃色鉆石圖像按照步驟S3處理后，輸入到模型M_a中，通過特征提取和類別匹配得到模型分類的結果p_a1、p_a2、p_a3，其中：p_a1表示模型M_a認為該黃色鉆石是一級品的概率，其他類同；同理，將待分類圖像輸入到模型M_b、M_c可得分類結果p_b1、p_b2、p_b3、p_c1、p_c2、p_c3；

且：

步驟S6：為保證黃色鉆石分類結果的穩健性，綜合三種模型的分類結果；那么黃色鉆石分類的品級函數Y＝max(P₁，P₂，P₃)，其中：