[發明專利]一種基于TFL-ResNet的殘藥智能識別方法

在審

• 申請號: 202110869070.0
• 申請日: 2021-07-30
• 公開（公告）號: CN113569962A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 李祥龍;周青蓮;王建國;黃永輝;陶子豪
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 天津煜博知識產權代理事務所(普通合伙) 12246
• 代理人: 朱維

1.一種基于TFL-ResNet的殘藥智能識別方法，其特征在于，具體步驟如下：

(1)采用3D感深高清攝像頭采集工程爆破后殘藥留存的圖像得到殘藥圖像樣本集；

(2)將步驟(1)殘藥圖像樣本集的殘藥圖像進行歸一化和圖像像素值預處理轉化為固定尺寸圖像，再劃分為訓練集、驗證集和測試集；

(3)對步驟(2)訓練集的殘藥圖像進行平移、旋轉、放縮、錯切、垂直或水平鏡像的數據增強處理得到增強訓練集；

(4)建立ResNet50殘藥檢測網絡模型，其中ResNet50殘藥檢測網絡模型中含有49個卷積層和1個全連接層；

(5)將步驟(3)增強訓練集的殘藥圖像對ResNet50殘藥檢測網絡模型進行特征學習，通過卷積層、池化層、全連接層輸出學習到的特征；通過誤差反向傳播進行網絡參數的更新和邊緣信息權重系數α的更新，采用隨機梯度下降的方法進行優化，使最小化傳播差達到閾值形成預訓練網絡模型；

(6)確定損失函數為Focal loss損失函數以解決分類問題中類別不平衡和分類難度的差異；

(7)基于遷移學習和Focal loss損失函數對ResNet50殘藥檢測網絡結構進行改進得到殘藥圖像識別模型TFL-ResNet；

(8)將步驟(5)預訓練網絡模型的網絡參數遷移至步驟(7)殘藥圖像識別模型TFL-ResNet，增強訓練集中的殘藥圖像輸入殘藥圖像識別模型TFL-ResNet中對模型進行訓練，經Softmax分類器進行分類并輸出預測結果得到優化殘藥圖像識別模型TFL-ResNet；

(9)采用驗證集的殘藥圖像對優化殘藥圖像識別模型TFL-ResNet進行模型驗證，并采用測試集的殘藥圖像對優化殘藥圖像識別模型TFL-ResNet進行測試。

2.根據權利要求1所述基于TFL-ResNet的殘藥智能識別方法，其特征在于：步驟(2)訓練集、驗證集和測試集的圖像數據比為6:2:2。

3.根據權利要求1所述基于TFL-ResNet的殘藥智能識別方法，其特征在于：步驟(4)ResNet50殘藥檢測網絡模型中第二階段至第五階段中的IDBLOCK為不改變維度的殘差塊，CONVBLOCK為添加維度的殘差塊，每個殘差塊包含3個卷積層。

4.根據權利要求1所述基于TFL-ResNet的殘藥智能識別方法，其特征在于：步驟(4)ResNet50殘藥檢測網絡模型的表達式為

y_l＝h(x_l)+F(x_l,W_l)

x_l+1＝f(y)

式中，x_l和x_l+1分別表示第1個殘差單元的輸入和輸出，F為殘差函數，h(x_l)＝xl表示恒等映射，f為ReLU激活函數；

殘差結構表達式為

χ_l+1＝χ_l+F(x_l,W_l)

式中，x_l和x_l+1分別表示第1個殘差單元的輸入和輸出，F為殘差函數；

從淺層l到深層L的學習特征為：

5.根據權利要求1所述基于TFL-ResNet的殘藥智能識別方法，其特征在于：步驟(5)網絡參數包括權重和偏置。

6.根據權利要求1所述基于TFL-ResNet的殘藥智能識別方法，其特征在于：步驟(6)Focal loss損失函數表達式為

FL(pt)＝-(1-pt)γlg(pt)

式中，pt為樣本屬于某個類別的概率，γ為聚焦參數，γ≥0；(1-pt)γ為調制系數。