[發明專利]一種基于深度學習的混合卡通的圖像檢測方法在審
| 申請號： | 202110601966.0 | 申請日： | 2021-05-31 |
| 公開（公告）號： | CN113298791A | 公開（公告）日： | 2021-08-24 |
| 發明（設計）人： | 鄭炎;陳耿生;鄭行濤 | 申請（專利權）人： | 中電福富信息科技有限公司 |
| 主分類號： | G06T7/00 | 分類號： | G06T7/00;G06T7/90;G06T3/40;G06N3/04;G06K9/62 |
| 代理公司： | 福州君誠知識產權代理有限公司 35211 | 代理人： | 彭東 |
| 地址： | 350000 福建省福州*** | 國省代碼： | 福建;35 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 混合 卡通 圖像 檢測 方法 | ||
1.一種基于深度學習的混合卡通的圖像檢測方法，其特征在于：其包括以下步驟：
S1，訓練模型：將大量標記好標簽的圖片樣本喂給深度神經網絡模型訓練出檢測不良圖像的模型，具體步驟如下：
S1-1，首先準備圖片樣本，準備多種類型的圖像，
S1-2，定義五個分類標簽卡通正常、卡通不良、正常、不良和性感分別對應值0、1、2、3和4；
S1-3，樣本按比例分隔為訓練集與測試集，然后對圖片縮放到AxB大小，并轉為AxBx3的矩陣；
S1-4，將對應的標簽分別轉為one-hot編碼形式，即向量的值是標簽值所對應的下標位的值為1，其余為0；
S1-5，通過inception-v3的特征提取層將矩陣轉為多維的向量然后接上256個隱藏層的全連接層；
S1-6，訓練的過程加入Dropout 層以在訓練過程中隨機拋棄一部分的神經元，使其暫時不參與訓練，從而降低過擬合；
S1-7，接上5個輸出神經元的全連接層，同時使用softmax作為激活函數采用交叉熵為目標損失函數，經由adam優化器進行損失優化后得到最優模型；
S2，預測圖像：用訓練好的模型來做分類預測的任務了，將待檢測的圖像輸入到訓練出檢測不良圖像的模型中輸出多個分類的概率分布，然后轉換為實際的標簽值。
2.根據權利要求1所述的一種基于深度學習的混合卡通的圖像檢測方法，其特征在于：S1-1中每一種類型圖像各10000張。
3.根據權利要求1所述的一種基于深度學習的混合卡通的圖像檢測方法，其特征在于：S1-3中的樣本按照7:3切分訓練集與測試集。
4.根據權利要求1所述的一種基于深度學習的混合卡通的圖像檢測方法，其特征在于：S1-3中的圖片縮放到150x150大小，并轉為150x150x3的矩陣。
5.根據權利要求1所述的一種基于深度學習的混合卡通的圖像檢測方法，其特征在于：S1-5中全連接層前的神經網絡結構為：將多層的卷積層接入包含一個以上神經元的全連接層，再接入與卷積層相同層數的反卷積層。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中電福富信息科技有限公司，未經中電福富信息科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110601966.0/1.html，轉載請聲明來源鉆瓜專利網。
