[發明專利]基于深度學習的黃色培育鉆石品級分類系統

在審

• 申請號: 201911149137.2
• 申請日: 2019-11-21
• 公開（公告）號: CN111126435A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 蘭小平;楊一銘;戚燕杰;楊建新;王波;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: G06K9/62
• 分類號: G06K9/62
• 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系統，其特征在于，所述系統包括：圖像采集模塊、圖像分類模塊、預處理模塊、模型訓練模塊、模型分類模塊、結果綜合模塊；

所述圖像采集模塊，其用于對黃色鉆石原始樣本進行圖像采集：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；

所述圖像分類模塊，其用于對黃色鉆石原始樣本進行圖像分類：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；所述圖像分類模塊包括：分類單元、篩選單元；

其中，所述分類單元，用于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；所述篩選單元，用于從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；

所述預處理模塊，用于對黃色鉆石原始樣本圖像進行預處理：根據灰度化、濾波去燥、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；所述預處理模塊包括：灰度化單元、濾波去燥單元、二值化單元、腐蝕與膨脹單元、最小外接矩形檢測單元、過濾單元；

其中，所述灰度化單元，用于對圖像分類模塊輸出的圖像進行灰度化處理；所述濾波去燥單元，用于對灰度化單元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；所述二值化單元，用于將濾波去燥單元輸出的圖像中像素值不大于90的置為0，也即黑色，其余置為255，也即白色；為消除經二值化單元輸出的圖像中白色斑點對黃色鉆石區域輪廓檢測的干擾，所述腐蝕與膨脹單元用于對圖像分別執行4次腐蝕與膨脹的形態學處理；所述最小外接矩形檢測單元，用于通過輪廓檢測算法檢測出經腐蝕與膨脹單元輸出的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；所述過濾單元，其用于最小外接矩形檢測單元輸出的圖像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；

所述模型訓練模塊，用于將經預處理模塊預處理后的樣本集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；所述模型訓練模塊包括：第一處理單元、第二處理單元、第三處理單元、第四處理單元、對比單元；

其中，所述第一處理單元，用于將經預處理模塊預處理后的樣本集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；

其中，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；

其中，所述第二處理單元，用于對第一處理單元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；

其中，所述第三處理單元，用于對第二處理單元的輸出圖像通過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；

其中，所述第四處理單元，其用于經全局平均池化層將第三處理單元輸出的圖像轉化為1*1*2048，再經過dropout層、卷積層、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；

其中，所述對比單元，用于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；

所述模型分類模塊，其用于將待分類黃色鉆石圖像按照步驟S4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：

所述結果綜合模塊，其為保證黃色鉆石分類結果的穩健性，用于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：