[發明專利]一種基于圖像特征自適應卷積網絡的圖像分類方法和系統

在審

• 申請號: 202110305769.4
• 申請日: 2021-03-23
• 公開（公告）號: CN113139579A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 徐晨;周松斌;劉偉鑫
• 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;G06K9/46
• 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: 劉新年

1.一種基于圖像特征自適應卷積網絡的圖像分類方法，其特征在于，包括：

獲取所有待分類樣本圖像的邊緣輪廓平均數，以及所有待分析樣本圖像的加速穩健特征點平均數；

確定所述邊緣輪廓平均數和所述加速穩健特征點平均數之和所處特征量范圍，選擇與所述特征量范圍對應的網絡結構模型；

基于所述待分類樣本圖像和所述網絡結構模型進行神經網絡訓練，得到用于圖像分類的分類模型；

基于所述分類模型進行待分類樣本的圖像分類。

2.根據權利要求1所述的基于圖像特征自適應卷積網絡的圖像分類方法，其特征在于，所述特征量選擇范圍包括第一特征量選擇范圍、第二特征量選擇范圍和第三特征量選擇范圍；

所述第一特征量選擇范圍為[0，30)；

所述第二特征量選擇范圍為[30，50)；

所述第三特征量選擇范圍為[50，+∞)。

3.根據權利要求2所述的基于圖像特征自適應卷積網絡的圖像分類方法，其特征在于，所述網絡結構模型包括第一網絡結構模型、第二網絡結構模型和第三網絡結構模型；所述第一網絡結構模型對應所述第一特征選擇范圍，所述第二網絡結構模型對應所述第二特征選擇范圍，所述第三網絡結構模型對應所述第三特征選擇范圍。

4.根據權利要求3所述的基于圖像特征自適應卷積網絡的圖像分類方法，其特征在于，所述第一網絡結構模型包括第一輸入層、第一卷積層A、第一最大值池化層A、第一卷積層B、第一最大池化層B、第一全連接層A、第一全連接層B和第一輸出層；

所述第一卷積層A的卷積核個數為3，卷積核大小為11*11；

所述第一最大值池化層A的核大小為2*2；

所述第一卷積層B的卷積核個數為3，卷積核大小為11*11；

所述第一最大值池化層B的核大小為2*2；

所述第一全連接層A包括120個神經節點，所述第一全連接層B包括84個神經節點；

所述第一輸出層的輸出節點為N，其中N為所述待分類樣本圖像的分類數。

5.根據權利要求3所述的基于圖像特征自適應卷積網絡的圖像分類方法，其特征在于，所述第二網絡結構模型包括第二輸入層、第二卷積層A、第二最大值池化層A、第二卷積層B、第二最大池化層B、第二卷積層C、第二最大池化層C、第二全連接層A、第二全連接層B和第二輸出層；

所述第二卷積層A的卷積核個數為6，卷積核大小為7*7；

所述第二最大值池化層A的核大小為2*2；

所述第二卷積層B的卷積核個數為6，卷積核大小為7*7；

所述第二最大值池化層B的核大小為2*2；

所述第二卷積層C的卷積核個數為6，卷積核大小為5*5；

所述第二最大值池化層C的核大小為2*2；

所述第二全連接層A包括120個神經節點，所述第二全連接層B包括84個神經節點；

所述第二輸出層的輸出節點為N，其中N為所述待分類樣本圖像的分類數。

6.根據權利要求3所述的基于圖像特征自適應卷積網絡的圖像分類方法，其特征在于，所述第三網絡結構模型包括第三輸入層、第三卷積層A、第三最大值池化層A、第三卷積層B、第三最大池化層B、第三卷積層C、第三最大池化層C、第三卷積層D、第三最大池化層D、第三全連接層A、第三全連接層B和第三輸出層；

所述第三卷積層A的卷積核個數為16，卷積核大小為3*3；

所述第三最大值池化層A的核大小為2*2；

所述第三卷積層B的卷積核個數為16，卷積核大小為3*3；

所述第三最大值池化層B的核大小為2*2；

所述第三卷積層C的卷積核個數為16，卷積核大小為3*3；

所述第三最大值池化層C的核大小為2*2；

所述第三卷積層D的卷積核個數為1 6，卷積核大小為3*3；

所述第三最大值池化層D的核大小為2*2；

所述第三全連接層A包括120個神經節點，所述第三全連接層B包括84個神經節點；

所述第三輸出層的輸出節點為N，其中N為所述待分類樣本圖像的分類數。