[發明專利]一種結合圖像復雜度的深度學習圖像分類方法及系統

在審

• 申請號: 202110302261.9
• 申請日: 2021-03-22
• 公開（公告）號: CN113139576A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 劉偉鑫;徐晨;周松斌
• 申請（專利權）人: 廣東省科學院智能制造研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州容大知識產權代理事務所(普通合伙) 44326
• 代理人: 潘素云

本發明公開了一種結合圖像復雜度的深度學習圖像分類方法及系統，涉及計算機視覺圖像識別領域，該方法包括以下步驟：步驟S1：將所有圖像縮放至200*200大小，并分為訓練集和測試集；步驟S2：計算所有訓練集圖像的平均復雜度，根據平均復雜度選擇網絡結構1、網絡結構2和網絡結構3中的其中一種網絡結構；步驟S3：選擇好網絡結構后，網絡模型對訓練集數據進行訓練；步驟S4：根據訓練好的模型對測試集數據進行分類識別。本發明與目前主流的深度學習算法相比，能通過分析圖像的復雜度自動選擇合適網絡結構，在保證網絡性能下，減少企業應用深度學習算法的人力成本、時間成本。

技術領域

本發明涉及計算機視覺圖像識別領域，尤其是涉及一種結合圖像復雜度的深度學習圖像分類方法及系統。

背景技術

近年來深度學習在學術界、科技界應用廣泛，尤其在圖像領域，目前已經在圖像分類領域取得較大進展，取得不錯成效。但目前深度學習在工業領域的推廣并不順利，主要原因是工業領域的應用大多是細分領域、定制化的，但目前主流的深度學習網絡如AlexNet、VGG16、GoogleNet都難以直接應用到項目中，企業需要不斷測試、改進網絡結構參數才可以應用到項目中，十分耗費時間、人力成本。

發明內容

有鑒于此，有必要針對上述的問題，提出一種結合圖像復雜度的深度學習圖像分類方法及系統，通過分析圖像的復雜度自動選擇合適網絡結構，在保證網絡性能下，減少企業應用深度學習算法的人力成本、時間成本。

為實現上述目的，本發明提供以下技術方案：

一方面，本發明提供一種結合圖像復雜度的深度學習圖像分類方法，包括以下步驟：

步驟S1：將所有圖像縮放至200*200大小，并分為訓練集和測試集；

步驟S2：計算所有訓練集圖像的平均復雜度，根據平均復雜度選擇網絡結構1、網絡結構2和網絡結構3中的其中一種網絡結構；

步驟S3：選擇好網絡結構后，網絡模型對訓練集數據進行訓練；

步驟S4：根據訓練好的模型對測試集數據進行分類識別。

進一步地，在步驟S2中，訓練集圖像的平均復雜度K計算過程如下：

①采用opencv的meanStdDev函數求每張圖像的標準差stddv_i，求取所有訓練集圖像的標準差的平均值stddv_avrage；

②按照下面公式計算訓練集每張圖像的二維熵H，再求所有訓練集圖像的二維熵的平均值H_average；

其中H為圖像二維熵，(i,j)為圖像的鄰域灰度均值與圖像的像素灰度組成特征二元組，i表示像素的灰度值(0＝i＝255)，j表示鄰域灰度均值(0＝j＝255),p_ij為聯合概率，其中聯合概率按如下公式計算：

p_ij＝f(i,j)/N*M

其中f(i,j)為特征二元組(i,j)出現的頻數，N*M為圖像的尺度；

③然后按照如下公式求出訓練集圖像復雜度K：

K＝stddv_avrage*0.05+0.95*H_average

如果0≤K＜3，選擇網絡結構1；如果3≤K＜6，選擇網絡結構2；如果6≤K，選擇網絡結構3。

進一步地，在步驟S2中，網絡結構1、網絡結構2和網絡結構3如下：