[發明專利]一種基于卷積神經網絡的陶瓷碎片分類方法

在審

• 申請號: 202210793879.4
• 申請日: 2022-07-07
• 公開（公告）號: CN115049881A
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 耿國華;趙虹喬;劉陽洋;王毅;安崢博;廖殷漢;海琳琦
• 申請（專利權）人: 西北大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06N3/04;G06N3/08;G06V10/54;G06V10/56;G06V10/77;G06V10/774;G06V10/82
• 代理公司: 西安眾和至成知識產權代理事務所(普通合伙) 61249
• 代理人: 強宏超

1.一種基于卷積神經網絡的陶瓷碎片分類方法，其特征在于包括以下步驟：

步驟1，將陶瓷碎片的數字化處理，構建陶瓷樣本數據庫；

步驟2，構建深度殘差收縮網絡，深度殘差收縮網絡由八個殘差收縮塊堆疊而成，殘差收縮塊包括殘差單元、閾值學習單元和軟閾值化處理單元；

步驟3，將直覺模糊熵的概念引入粒子群算法中，建立基于直覺模糊熵的粒子群算法，將直覺模糊熵值作為參數動態調整粒子群算法慣性權重的變化，使得粒子向更優的位置移動，尋得最優解；

步驟4，使用基于直覺模糊熵的粒子群算法優化深度殘差收縮網絡，構建IFEPSO-DRSN分類模型，利用IFEPSO-DRSN分類模型進行陶瓷碎片分類。

2.根據權利要求1所述的基于卷積神經網絡的陶瓷碎片分類方法，其特征在于：所述步驟中1陶瓷碎片的數字化處理是將陶瓷碎片實物轉化成計算機能夠處理的數據格式，包括碎片拍攝、數據預處理、數據增強，數字化處理完成之后根據視覺外觀特征分類，標注對應標簽，構建陶瓷樣本數據庫。

3.根據權利要求2所述的基于卷積神經網絡的陶瓷碎片分類方法，其特征在于：所述數據預處理包括歸一化處理、裁剪處理；數據增強包括旋轉、平移、對比度增強、亮度增強。

4.根據權利要求1所述的基于卷積神經網絡的陶瓷碎片分類方法，其特征在于：所述步驟2中是在ResNet18網絡的每一個殘差單元后加入閾值學習單元，將閾值學習單元輸出的閾值再輸入到軟閾值化處理單元中，將得到的處理結果與輸入特征圖實現殘差連接，得到最終的輸出特征圖，構建殘差收縮塊，殘差收縮塊堆疊成深度殘差收縮網絡。

5.根據權利要求1所述的基于卷積神經網絡的陶瓷碎片分類方法，其特征在于：所述步驟2中閾值學習單元過程包括三個步驟：1).壓縮：順著空間維度將全部特征圖壓縮成1*1大小，將全局空間信息都壓縮成一維向量，獲取全局感受野；2).激勵：自學習到每個特征通道的重要程度，整合特征信息，引入L2正則化處理，得到一組自適應權重；3).計算閾值:根據經過壓縮和激勵之后得到的權重和特征向量，學習自適應閾值；

閾值學習單元學過程計算公式如下：

其中，α為自適應權重，α∈(0,1]，|X₁|為全局空間信息都壓縮后的一維向量，為自適應閾值；

軟閾值處理單元將閾值學習單元學習到的自適應閾值進行軟閾值化處理，完成特征重標定，得到一組新的特征圖；

軟閾值函數表示為：

其中，x為輸入特征，為自適應閾值，y為輸出特征。

6.根據權利要求1所述的基于卷積神經網絡的陶瓷碎片分類方法，其特征在于：所述步驟3中直覺模糊熵公式如下：

式(8)中n為種群個數，表示第t次迭代時第i個粒子的隸屬度，表示第t次迭代時第i個粒子的非隸屬度，表示第t次迭代時第i個粒子的猶豫度即不確定性；

式(9)中將n個粒子的適應度值進行歸一化操作，即都在區間[0,1]中，將[0,1]區間進行n等分，如果第i個粒子的適應度值所在的子區間的粒子個數大于1，U_i加1，如果第i個粒子的適應度值所在的子區間的只有1個粒子，V_i加1；

根據式(10)將直覺模糊熵值作為參數動態調整粒子群算法慣性權重w的變化，使得粒子向更優的位置移動，尋得最優解；

w_max、w_min分別為粒子的最大、最小慣性權重，分別取0.9、0.4，I_max為最大迭代次數，D^t為式(8)中的直覺模糊熵。

7.根據權利要求1所述的基于卷積神經網絡的陶瓷碎片分類方法，其特征在于：所述步驟4中首先構建深度殘差收縮網絡分類模型，然后使用基于直覺模糊熵的粒子群算法對其超參數初始化，具體過程為：

設置粒子群中速度對應的模型中的學習率、迭代次數以及批處理個數，并且粒子群中的適應度值對應模型中的損失函數值，粒子群的適應度值表示粒子群的優化目標，根據適應度值更新粒子的速度和位置，每迭代一次，更新當前所有粒子的速度、位置，選擇出當前最優的局部位置和全局位置，同時如果當前適應度值小于歷史最優適應度值，更新歷史最優適應度值，再將對應的網絡超參數輸入深度殘差收縮網絡模型中，得到損失函數值，不斷迭代更新，最終優化得到最優超參數，將最優超參數輸入IFEPSO-DRSN分類模型中，開始陶瓷碎片分類的訓練，訓練結束得到最終的IFEPSO-DRSN分類模型。