[發明專利]基于多層卷積神經網絡的檢測設備放置在顯示屏上的方法

有效

• 申請號: 201911262034.7
• 申請日: 2019-12-10
• 公開（公告）號: CN112947872B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 雷秀洋;趙國榮;陸飛;易典
• 申請（專利權）人: 上海品奇科技有限公司
• 主分類號: G06F3/14
• 分類號: G06F3/14;G06F3/04845;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 應小波

1.一種基于多層卷積神經網絡的檢測設備放置在顯示屏上的方法，其特征在于，包括：

將帶有圖像采集裝置的智能設備放置在點亮狀態的顯示屏上，且圖像采集裝置面向顯示屏；

構建基于多層卷積神經網絡的檢測模型，并加載權重參數集；

通過朝向顯示屏方向的圖像采集裝置采集圖像，將圖像輸入到基于多層卷積神經網絡的檢測模型進行推理，給出圖像的分類信息以及概率值；

對于給出的分類信息及概率值，如果圖像屬于放置在顯示屏上的類別概率值最高或者超過設定閾值，則認為智能設備放置在顯示屏上；

所述的方法具體包括以下步驟：

步驟S401:選定訓練模型的優化方法；

步驟S402:設置訓練模型所需的超參數；

步驟S403:根據訓練樣本的特點，在訓練模型時進行數據增強；

步驟S404:選定softmax函數，作為最終的分類概率的計算，其中softmax的計算公式為：

其中，x_ij是第i個樣本在神經網絡最后一層的第j個輸出，C是類別個數，是第i個樣本屬于第j個類別的概率；

步驟S405:選定交叉熵損失函數衡量模型預測值與真實值間的差距，其中交叉熵損失函數的計算公式為：

其中，l為損失值，n為批處理數，y_ij表示第i個樣本是否屬于第j個類別的真實標簽，如果屬于第j個類別的真實標簽，則y_ij＝1，否則y_ij＝0，C是類別個數，是第i個樣本屬于第j個類別的概率；

步驟S406:加載預訓練模型；

步驟S407:基于訓練樣本對整個模型進行訓練，直至收斂，得到最終的分類模型。

2.根據權利要求1所述的方法，其特征在于，所述的構建基于多層卷積神經網絡的檢測模型，并加載權重參數集具體包括：

使用智能設備分別采集放置在顯示屏上時的圖像，以及未放置在顯示屏上時的圖像，對圖像進行類別信息標注；

對圖像進行篩查；

構建多層卷積神經網絡；

將圖像輸入多層卷積神經網絡，訓練多層卷積網絡直至收斂，獲取最終權重參數集，得到最終的分類網絡模型。

3.根據權利要求2所述的方法，其特征在于，所述的使用智能設備采集放置在顯示屏上時的圖像具體為：

將智能設備放置在顯示屏上的不同區域，顯示屏顯示內容不停變化，改變智能設備攝像頭曝光和快門參數，改變顯示屏背光亮度和運動補償參數，改變環境光亮度，采集到不同情況下智能設備放置在顯示屏上的樣本圖像，標記為放置在顯示屏上的類別。

4.根據權利要求2所述的方法，其特征在于，所述的使用智能設備采集未放置在顯示屏上時的圖像具體為：

將智能設備放置到普通不發光物體表面、透明玻璃或者普通發光物表面，改變智能設備攝像頭曝光和快門參數，改變環境光亮度，采集到不同情況下智能設備不放置在顯示屏上的樣本圖像，并標記為不放置在顯示屏上的類別。

5.根據權利要求2所述的方法，其特征在于，所述的對圖像進行篩查具體為：對于連續拍攝的圖像，判斷相似度是否超過設定閾值，如果是則僅保留設定數量同樣場景下的圖像，確保各種場景圖像的均衡性。

6.根據權利要求2所述的方法，其特征在于，所述的構建多層卷積神經網絡，該網絡包括卷積層、深度可分離卷積層、批處理層、池化層、全局平均池化層、以及全連接層。

7.根據權利要求1所述的方法，其特征在于，所述的數據增強方法包括隨機翻轉、隨機裁剪和隨機色調變化。

8.根據權利要求1所述的方法，其特征在于，所述的基于多層卷積神經網絡的檢測模型，可將圖像通過網絡傳輸到云端服務器、智能設備或者其他設備上使用多層卷積神經網絡進行推理。