[發明專利]用于智能光影彎折檢測的神經網絡的訓練方法

在審

• 申請號: 202110064044.0
• 申請日: 2021-01-18
• 公開（公告）號: CN112766365A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 李權
• 申請（專利權）人: 南京多金網絡科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于智能光影彎折檢測的神經網絡的訓練方法，其特征在于，包括：

步驟1：獲取訓練圖像集和參考圖像集，其中，所述訓練圖像集包括通過攝像頭采集到的定向光源照射物體所形成的包括物體和物體影子的多張圖像，所述參考圖像集包括通過攝像頭采集到的定向光源照射物體所形成的包括物體和物體影子的多張合格圖像和通過攝像頭采集到的定向光源照射物體所形成的包括物體和物體影子的多張不合格圖像；

步驟2：將所述訓練圖像集通過第一卷積神經網絡，以獲得第一特征圖；

步驟3：將所述參考圖像集通過第二卷積神經網絡，以獲得第二特征圖，所述第二卷積神經網絡與所述第一卷積神經網絡具有相同的網絡結構；

步驟4：計算所述第一特征圖與所述第二特征圖之間的余弦距離損失函數值；

步驟5：將所述第一特征圖通過分類器以獲得分類損失函數值；

步驟6：計算所述分類損失函數值和所述余弦距離損失函數值之間的加權和，以獲得損失函數值；以及

步驟7：以預設步長減小所述損失函數值，并通過梯度下降的反向傳播更新所述第一卷積神經網絡的參數。

2.根據權利要求1所述的用于智能光影彎折檢測的神經網絡的訓練方法，其中，所述物體具有延長形狀。

3.根據權利要求1所述的用于智能光影彎折檢測的神經網絡的訓練方法，其中，步驟5：將所述第一特征圖通過分類器以獲得分類損失函數值，包括：

將所述第一特征圖通過一個或多個全連接層，以獲得分類特征向量；

將所述分類特征向量輸入Softmax分類函數，以獲得分類結果；以及

將所述分類結果和真實值輸入交叉熵損失函數，以獲得所述分類損失函數值。

4.根據權利要求3所述的用于智能光影彎折檢測的神經網絡的訓練方法，其中，步驟7：以預設步長減小所述損失函數值，并通過梯度下降的反向傳播更新所述第一卷積神經網絡的參數，包括：

以預設步長減小所述損失函數值，并通過梯度下降的反向傳播更新所述第一卷積神經網絡、所述第二卷積神經網絡和所述分類器的參數。

5.根據權利要求4所述的用于智能光影彎折檢測的神經網絡的訓練方法，其中，以預設步長減小所述損失函數值，并通過梯度下降的反向傳播更新所述第一卷積神經網絡、所述第二卷積神經網絡和所述分類器的參數，包括：

在每次迭代中，首先固定所述第一卷積神經網絡和所述分類器的參數并更新所述第二卷積神經網絡的參數，再固定所述第二卷積神經網絡參數并更新所述第一卷積神經網絡和所述分類器的參數。

6.根據權利要求5所述的用于智能光影彎折檢測的神經網絡的訓練方法，其中，所述第一卷積神經網絡和所述第二卷積神經網絡為深度殘差網絡。

7.一種基于深度神經網絡的智能光影彎折檢測方法，其特征在于，包括：

獲取待檢測圖像集，其中，所述待檢測圖像集包括通過攝像頭采集到的定向光源照射物體所形成的包括物體和物體影子的多張圖像；以及

將所述待檢測圖像集輸入根據權利要求1到6任意一項所述的用于智能光影彎折檢測的神經網絡的訓練方法所訓練的卷積神經網絡和分類器以獲得分類結果，所述分類結果表示定向光源發出的光線的方向性是否符合標準。