[發明專利]基于權值分布的用于土壤取樣篩選的神經網絡的訓練方法

在審

• 申請號: 202011466020.X
• 申請日: 2020-12-13
• 公開（公告）號: CN112488129A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 魯梅
• 申請（專利權）人: 無錫星暢云聯信息技術有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請公開了一種基于權值分布的用于土壤取樣篩選的神經網絡的訓練方法，其包括：獲取訓練用候選土壤圖像和參考圖像；將所述訓練用候選土壤圖像和所述參考圖像分別通過卷積神經網絡以獲得候選特征圖和參考特征圖；以第一加權系數和第二加權系數融合所述候選特征圖和所述參考特征圖，以獲得分類特征圖，所述第一加權系數為在0到1的數值范圍內按照標準正態分布隨機選擇的概率值；計算所述第一加權特征圖和所述第二加權特征圖之間的按像素位置的加權和，以獲得所述分類特征圖；將所述分類特征圖通過分類函數，以獲得分類損失函數值；以預定步長減小所述分類損失函數值，并以梯度下降的反向傳播更新所述卷積神經網絡的參數。

技術領域

本申請涉及人工智能技術領域，且更為具體地，涉及一種基于權值分布的用于土壤取樣篩選的神經網絡的訓練方法、基于深度神經網絡的土壤取樣篩選方法、基于權值分布的用于土壤取樣篩選的神經網絡的訓練系統、基于深度神經網絡的土壤取樣篩選系統和電子設備。

背景技術

水利工程是用于控制和調配自然界的地表水和地下水而修建的工程，在水利工程建設中，需要對土樣進行檢測以便于實施相應的施工需求。傳統的土壤取樣設備通過對于土壤取樣作業不進行控制，而是后期由樣本檢測人員來對取出的土壤進行篩選，這包括分離出適當的土壤樣本，以及去除石塊等，這導致了土壤取樣檢測的篩選效率低，影響水利工程項目建設的進度。

因此，期望能夠在進行土壤取樣作業時就對要取樣的土壤進行篩選，從而提高后續的檢測效率。

目前，深度學習以及神經網絡已經廣泛應用于計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。

近年來，深度學習以及神經網絡的發展為土壤取樣篩選提供了新的解決思路和方案。

發明內容

為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種基于權值分布的用于土壤取樣篩選的神經網絡的訓練方法、基于深度神經網絡的土壤取樣篩選方法、基于權值分布的用于土壤取樣篩選的神經網絡的訓練系統、基于深度神經網絡的土壤取樣篩選系統和電子設備，其通過計算機視覺的方式，來將待進行取樣作業的候選土壤的圖像與作為標準取樣土壤圖像的參考圖像進行比較，來確定是否要對候選土壤進行取樣。

根據本申請的一個方面，提供了一種基于權值分布的用于土壤取樣篩選的神經網絡的訓練方法，其包括：

步驟1：獲取訓練用候選土壤圖像和參考圖像，所述參考圖像為標準取樣土壤圖像；

步驟2：將所述訓練用候選土壤圖像和所述參考圖像分別通過卷積神經網絡以獲得候選特征圖和參考特征圖；

步驟3：以第一加權系數對所述候選特征圖進行加權，以獲得第一加權特征圖，其中，所述第一加權系數為在0到1的數值范圍內按照符合標準正態分布隨機選擇的概率值；

步驟4：以第二加權系數對所述參考特征圖進行加權，以獲得第二加權特征圖，其中，所述第二加權系數等于1減去所述第一加權系數；

步驟5：計算所述第一加權特征圖和所述第二加權特征圖之間的按像素位置的加權和，以獲得所述分類特征圖；

步驟6：將所述分類特征圖通過分類函數，以獲得分類損失函數值；

步驟7：以預定步長減小所述分類損失函數值，并以梯度下降的反向傳播更新所述卷積神經網絡的參數；以及

步驟8：迭代地執行所述步驟2到步驟7，以完成所述卷積神經網絡的訓練。

在上述基于權值分布的用于土壤取樣篩選的神經網絡的訓練方法中，所述第一加權系數的取值范圍在0.5到0.841。