[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

本申請涉及智慧城市領域下的智慧照明檢測，其具體地公開了一種用于智能光影彎折檢測的神經網絡的訓練方法。在訓練過程中，為了充分地利用圖像中的光影形狀信息，訓練圖像和真實圖像都同時包含合格圖像和不合格圖像兩者，而由于合格圖像和不合格圖像本身在高維圖像空間中具有較大的歐式距離，因此使用余弦距離來表示特征圖之間的相似性，余弦距離表示方向上的相對差異，而非距離上的絕對差異。這樣，即使合格圖像與不合格圖像本身的特征分布在特征空間中存在很大的歐式距離，也可以通過最小化余弦距離來使得提取出的特征向著兩個特征分布的共同分布方向收斂。

技術領域

本申請涉及智慧城市領域下的智慧照明檢測，且更為具體地，涉及一種 用于智能光影彎折檢測的神經網絡的訓練方法、基于深度神經網絡的智能光 影彎折檢測方法、系統和電子設備。

背景技術

目前在城市的照明系統中，越來越多地采用定向光源，這些定向光源可 以以預定方向投影光線，從而避免特定角落形成光的盲點。為了檢測這些定 向光源投射出的光線的方向性，目前都是對光源本身進行檢測，但是這無法 利用目前智慧城市部署的現有硬件，造成了資源的浪費，且檢測本身過程較 為繁瑣。

因此，期待一種能夠對電機的工作狀態進行智能且準確的監控的技術方 案。

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電機工作狀態的監控提供了新 的解決思路和方案。

近年來，深度學習以及神經網絡的發展為定向光源投射出的光線的方向 性檢測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用 于智能光影彎折檢測的神經網絡的訓練方法、基于深度神經網絡的智能光影 彎折檢測方法、系統和電子設備，其中，在訓練過程中，為了充分地利用圖 像中的光影形狀信息，訓練圖像和真實圖像都同時包含合格圖像和不合格圖 像兩者，而由于合格圖像和不合格圖像本身在高維圖像空間中具有較大的歐 式距離，因此使用余弦距離來表示特征圖之間的相似性，余弦距離表示方向 上的相對差異，而非距離上的絕對差異。這樣，即使合格圖像與不合格圖像 本身的特征分布在特征空間中存在很大的歐式距離，也可以通過最小化余弦 距離來使得提取出的特征向著兩個特征分布的共同分布方向收斂。

根據本申請的一個方面，提供了一種用于智能光影彎折檢測的神經網絡 的訓練方法，其包括：

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。

在上述用于智能光影彎折檢測的神經網絡的訓練方法中，所述物體具有 延長形狀。