[發明專利]一種分類檢測網絡模型的構建方法

有效

• 申請號: 201911167163.8
• 申請日: 2019-11-25
• 公開（公告）號: CN111126441B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 管聲啟;雷鳴;常江;倪弈棋;盧浩;郭飛飛
• 申請（專利權）人: 西安工程大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/774;G06V10/98;G06N3/0464;G06N3/045;G06N3/082
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 曾慶喜

本發明公開了一種分類檢測網絡模型的構建方法，包括：獲取待分類對象圖像的訓練樣本，建立訓練模型數據集，將訓練模型數據集輸入第一卷積網絡模型中進行訓練，得到權重文件；將權重文件輸入第二卷積網絡模型中，得到每層卷積網絡對應的特征圖和原圖像；將每層卷積網絡對應的特征圖和原圖像輸入圖像質量評價算法得到評價結果；根據評價結果選擇第一卷積網絡模型中每層網絡對應的合適卷積操作步長、增加卷積核的數量，形成新的卷積網絡參數；利用新的卷積網絡參數更新第一卷積網絡模型，得到分類網絡模型。滿足柔性檢測，智能檢測的需求，降低檢測成本和檢測的復雜性。

技術領域

本發明屬于分類檢測模型技術領域，涉及一種分類檢測網絡模型的構建方法。

背景技術

隨著大數據和計算機硬件的發展，神經網絡再度崛起，深度學習，人工智能，大數據，物聯網等技術開始飛躍發展，在計算機技術的發展推動下，制造業開始從傳統的機械化生產，任務繁重的剛性制造方式，逐漸轉化為由機器替代人工勞動路的自動化，智能化和柔性化的智能制造方式。人工智能不僅僅在局限于計算機領域，而已經成為一個具有眾多實際應用和活躍研究課題的領域。深度學習是研究計算機怎樣模擬實現人類的學習行為，來獲取新的知識或者技能，并重新組織已有的知識結構并不斷改善自身性能的學科。

深度學習的概念來源于人工神經網絡的研究，含有多層隱藏層的多層感知機就是一種深度學習結構。深度學習通過組合底層信息來形成更加抽象的高層信息，來表示屬性類別或者特征，來發現數據的分布式特征表示。其動機在于建立，模擬人腦進行分析學習仿人神經網絡，模擬人腦的機制來解釋數據，例如圖像、文本和聲音等等。

在傳統的機械領域，有關圖像自動檢測方面的問題，一直采用計算機視覺或者圖像處理技術來解決剛性的檢測問題，但是隨著制造業的轉型，檢測作為制造的重要環節，也需要往柔性化，智能化的方向發展。然而傳統的檢測技術，僅僅是針對某一類環境或者某一類檢測對象而開發的剛性檢測環節。因此為了發展柔性檢測技術，將具有自我學習能力的深度學習網絡用于檢測技術上，有助于檢測環節向柔性化，智能化發展。目前深度學習在機械行業飛速發展，為工業機器人提供視覺支持，雖然在圖像識別，定位，分類，測量等方面都有了較大的進展。但深度學習和工業技術的融合還沒能真正意上的實現柔性檢測，也沒有針對不同的檢測對象能自動調整的分類網絡模型。

發明內容

本發明的目的是提供一種分類檢測網絡模型的構建方法，能得到根據不同檢測對象自動調整的分類網絡模型。

本發明所采用的技術方案是，一種分類檢測網絡模型的構建方法，包括以下步驟：

步驟1、獲取待分類對象圖像的訓練樣本，建立訓練模型數據集，將訓練模型數據集輸入第一卷積網絡模型中進行訓練，得到權重文件；

步驟2、將權重文件輸入第二卷積網絡模型中，得到每層卷積網絡對應的特征圖和原圖像；

步驟3、將每層卷積網絡對應的特征圖和原圖像輸入圖像質量評價算法得到評價結果；

步驟4、根據評價結果選擇第一卷積網絡模型中每層網絡對應的合適卷積操作步長、增加卷積核的數量，形成新的卷積網絡參數；

步驟5、利用新的卷積網絡參數更新第一卷積網絡模型，得到分類網絡模型。

本發明的特點還在于：

步驟1具體包括：

步驟1.1、獲取待分類對象圖像的訓練樣本，建立訓練模型數據集，訓練模型數據集包括訓練集、驗證集、預測集，并生成訓練集標記文件、驗證集標記文件、預測集標記文件；

步驟1.2、將訓練集的標記文件作為訓練數據、驗證集的標記文件作為驗證數據輸入第一卷積網絡模型中進行訓練，得到權重文件。

第二卷積網絡為反卷積網絡。