[發(fā)明專(zhuān)利]基于多階段卷積神經(jīng)網(wǎng)絡(luò)的紡織品無(wú)損環(huán)保定性方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110997073.2
• 申請(qǐng)日: 2021-08-27
• 公開(kāi)（公告）號(hào): CN113820291B
• 公開(kāi)（公告）日: 2023-07-28
• 發(fā)明（設(shè)計(jì)）人: 池明旻
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中山小池科技有限公司;中山復(fù)旦聯(lián)合創(chuàng)新中心
• 主分類(lèi)號(hào): G01N21/3563
• 分類(lèi)號(hào): G01N21/3563;G01N21/359;G06N3/0464;G06N3/08;G06F18/2431
• 代理公司: 深圳叁眾知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44434
• 代理人: 宋鵬飛

1.基于多階段卷積神經(jīng)網(wǎng)絡(luò)的紡織品無(wú)損環(huán)保定性方法，其特征在于所述的無(wú)損環(huán)保定性方法包括以下步驟：

S1：輸入預(yù)處理數(shù)據(jù)，將傳感器獲得的1×228維度特征進(jìn)行歸一化和標(biāo)準(zhǔn)化，得到采樣特征x，其維度為1×228；

S2：進(jìn)行特征提取網(wǎng)絡(luò)第一模塊計(jì)算，將采樣特征x輸入到特征提取網(wǎng)絡(luò)第一模塊中，首先通過(guò)7*1卷積核對(duì)x進(jìn)行卷積，通道個(gè)數(shù)為64，步長(zhǎng)為2，然后經(jīng)過(guò)兩層3*1卷積層，步長(zhǎng)為1，通道個(gè)數(shù)為64，每次卷積后通過(guò)Relu激活函數(shù)進(jìn)行激活并進(jìn)行標(biāo)準(zhǔn)化，得到輸出向量x1，維度為a*64，其中a是經(jīng)過(guò)一維卷積后的向量維度；

S3：進(jìn)行特征提取網(wǎng)絡(luò)第二模塊計(jì)算，將特征提取網(wǎng)絡(luò)第一模塊輸出向量x1輸入到特征提取網(wǎng)絡(luò)第二模塊中，經(jīng)過(guò)兩層3*1卷積層，步長(zhǎng)為1，通道個(gè)數(shù)為128，每次卷積后通過(guò)Relu激活函數(shù)進(jìn)行激活并進(jìn)行標(biāo)準(zhǔn)化，得到輸出向量x2，維度為b*128，其中b是經(jīng)過(guò)一維卷積后的向量維度；

S4：進(jìn)行特征提取網(wǎng)絡(luò)第三模塊計(jì)算，將特征提取網(wǎng)絡(luò)第二模塊的輸出向量x2輸入到特征提取網(wǎng)絡(luò)第三模塊中，兩層3*1卷積層，步長(zhǎng)為1，通道個(gè)數(shù)為256，每次卷積后通過(guò)Relu激活函數(shù)進(jìn)行激活并進(jìn)行標(biāo)準(zhǔn)化，得到輸出向量x3，維度為c*256，其中c是經(jīng)過(guò)一維卷積后的向量維度；

S5：進(jìn)行特征提取網(wǎng)絡(luò)第四模塊計(jì)算，將特征提取網(wǎng)絡(luò)第三模塊的輸出向量x3輸入到特征提取網(wǎng)絡(luò)第四模塊中，經(jīng)過(guò)兩層3*1卷積層，步長(zhǎng)為1，通道個(gè)數(shù)為512，每次卷積后通過(guò)Relu激活函數(shù)進(jìn)行激活并進(jìn)行標(biāo)準(zhǔn)化，得到輸出向量x4，維度為d*512，其中d是經(jīng)過(guò)一維卷積后輸出的特征向量維度；

S6：計(jì)算第一階段損失，將輸出向量x4進(jìn)行最大池化，獲得一個(gè)1*512維度的深度特征，然后輸入全連接網(wǎng)絡(luò)，輸出第一階段分類(lèi)向量，維度為1*K，其中K為第一階段分類(lèi)個(gè)數(shù)，

計(jì)算第一階段損失函數(shù)loss1，具體如下：

其中N為第一階段樣本，p為模型輸出類(lèi)別，y為標(biāo)簽類(lèi)別；

S7：輸入到第二階段子網(wǎng)絡(luò)，將步驟S5獲得的d*512維度的輸出向量x4作為深度特征描述子分別輸入到第二階段的六個(gè)細(xì)粒度分類(lèi)子網(wǎng)絡(luò)中，得到特征向量x5，其中子網(wǎng)絡(luò)的模型結(jié)構(gòu)相同，但參數(shù)獨(dú)立；

S8：對(duì)x5特征進(jìn)行波段注意力計(jì)算；

S9：計(jì)算第二階段損失，將各個(gè)子模型獲得的編碼層向量V輸入到一層全連接網(wǎng)絡(luò)，輸出維度為L(zhǎng)，表示第二階段子網(wǎng)絡(luò)分類(lèi)個(gè)數(shù)，并計(jì)算第二階段損失函數(shù)loss2，具體方法為：

其中N為第二階段每個(gè)類(lèi)別樣本個(gè)數(shù)，K第一階段輸出維度，即第二階段模型各個(gè)數(shù)，w為每個(gè)子模型損失的權(quán)重，y為子模型標(biāo)簽值，p為子模型輸出值；

S10：計(jì)算整體損失并輸出分類(lèi)結(jié)果，將兩個(gè)階段的損失函數(shù)loss1和loss2相加得到模型最終的損失函數(shù)，模型將在預(yù)測(cè)過(guò)程中同時(shí)輸出一階段大類(lèi)分類(lèi)結(jié)果和二階段細(xì)粒度分類(lèi)結(jié)果。