一種基于深度學(xué)習(xí)的珍珠分類方法技術(shù)

一種基于深度學(xué)習(xí)的珍珠分類方法，包括以下步驟：1)獲取珍珠圖像作為樣本數(shù)據(jù)；2)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理；3)劃分樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；4)使用訓(xùn)練數(shù)據(jù)訓(xùn)練深度卷積網(wǎng)絡(luò)；5)利用訓(xùn)練好的深度卷積網(wǎng)絡(luò)提取訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的特征；6)利用步驟5)提取的訓(xùn)練數(shù)據(jù)的特征構(gòu)建SVM分類器，并利用該SVM分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。本發(fā)明專利技術(shù)利用珍珠的多幅視圖進(jìn)行深度學(xué)習(xí)，充分發(fā)揮深度學(xué)習(xí)的自我學(xué)習(xí)優(yōu)勢(shì)，自動(dòng)學(xué)習(xí)良好特征，免去了繁瑣的手動(dòng)提取特征和設(shè)計(jì)特征的過程，并結(jié)合SVM對(duì)珍珠進(jìn)行分類，能夠有效地判斷珍珠有無螺紋。

A pearl classification method based on depth learning

Based on a deep learning pearl classification method, which comprises the following steps: 1) to obtain the Pearl image as the sample data; 2) sample data pretreatment; 3) divide the sample data into training data and test data; 4) using the training data to train the convolutional network; 5) feature extraction training data and test data the use of convolutional neural networks trained by step 5); 6) the training characteristic of the extracted data to construct SVM classifier, and classification of the test data using the SVM classifier. The invention uses multiple views of pearl deep learning, give full play to advantages of self learning and deep learning, automatic learning good characteristics, eliminating the tedious process of manual feature extraction and design features, and combined with the SVM classification of pearl, can effectively judge the Pearl has no thread.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于深度學(xué)習(xí)的珍珠分類方法
本專利技術(shù)涉及圖像處理和模式識(shí)別
，具體涉及一種基于深度學(xué)習(xí)的珍珠分類方法。
技術(shù)介紹
中國是淡水珍珠的生產(chǎn)大國，其產(chǎn)量占世界產(chǎn)量的95％，其中浙江省諸暨市是我國淡水珍珠養(yǎng)殖、加工和銷售的最大基地，總產(chǎn)量占全國總產(chǎn)量一半以上，被譽(yù)為“中國珍珠之鄉(xiāng)”。諸暨淡水珠養(yǎng)殖面積已達(dá)38萬畝，擁有珍珠加工企業(yè)1500多家。大部分珍珠企業(yè)在采集大量珍珠后，為了將珍珠分成不同的檔次，需要人工對(duì)珍珠進(jìn)行分類，用人量非常大，而且對(duì)分類人員的專業(yè)素養(yǎng)有較高的要求。由于人工分類會(huì)受多種因素的影響，尤其在珍珠體積小、數(shù)量多的情況下，分類的結(jié)果不穩(wěn)定，受個(gè)人的主觀影響比較大。因此，利用機(jī)器對(duì)珍珠進(jìn)行快速準(zhǔn)確地分類成了很多珍珠企業(yè)的迫切需要。中國專利技術(shù)申請(qǐng)?zhí)?01210411979.2公開了一種基于單目多視角機(jī)器視覺的珍珠顏色光澤度在線自動(dòng)分級(jí)裝置，包括用于對(duì)珍珠進(jìn)行自動(dòng)檢測(cè)和分類的流水線，用于拍攝被檢珍珠圖像的單目多視角機(jī)器視覺裝置，用于對(duì)被檢珍珠圖像進(jìn)行圖像處理、檢測(cè)、識(shí)別、分類以及協(xié)調(diào)控制流水線上各動(dòng)作機(jī)構(gòu)的協(xié)調(diào)動(dòng)作的微處理器，流水線包括上料動(dòng)作機(jī)構(gòu)、送檢動(dòng)作機(jī)構(gòu)、下料動(dòng)作機(jī)構(gòu)、分級(jí)動(dòng)作機(jī)構(gòu)和分級(jí)執(zhí)行機(jī)構(gòu)。該專利技術(shù)對(duì)被檢測(cè)珍珠進(jìn)行顏色和色澤的檢測(cè)，但是沒有對(duì)珍珠進(jìn)行螺紋的檢測(cè)，在實(shí)際人工分類的場(chǎng)合，珍珠的有無螺紋是人工分類的一個(gè)很重要的評(píng)判標(biāo)準(zhǔn)。早期的圖像分類任務(wù)的解決方法主要含有兩個(gè)步驟，一個(gè)是手動(dòng)設(shè)計(jì)特征，利用SVM等分類器對(duì)這些設(shè)計(jì)的特征進(jìn)行分類，另一個(gè)是構(gòu)建淺層學(xué)習(xí)系統(tǒng)。支持向量機(jī)(SupportVectorMachine，SVM)是Vapnik等人于1995年首先提出的一種機(jī)器學(xué)習(xí)算法。SVM是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的，能根據(jù)有限的樣本信息在模型的復(fù)雜性(即對(duì)特定訓(xùn)練樣本的學(xué)習(xí)精度)和學(xué)習(xí)能力(即無錯(cuò)誤地識(shí)別任意樣本的能力)之間尋求最佳折中，以求獲得最好的分類識(shí)別能力。由于不同的珍珠，其螺紋的數(shù)量、位置各不相同，并且在珍珠圖像采集時(shí)，珍珠螺紋的清晰程度受到其顏色和色澤的影響，因此人工手動(dòng)設(shè)計(jì)特征并不容易，且設(shè)計(jì)的特征并不一定適用于當(dāng)前的分類任務(wù)。
技術(shù)實(shí)現(xiàn)思路
為了克服已有基于機(jī)器視覺的珍珠分類系統(tǒng)難以對(duì)珍珠的螺紋進(jìn)行高精度的檢測(cè)和分類，手工設(shè)計(jì)特征提取珍珠的螺紋特征并不容易等問題，本專利技術(shù)提供一種基于深度學(xué)習(xí)的珍珠分類方法，通過深度卷積網(wǎng)絡(luò)訓(xùn)練大量珍珠圖像數(shù)據(jù)，學(xué)習(xí)珍珠的螺紋特征，并結(jié)合SVM對(duì)珍珠進(jìn)行分類，具有較高的識(shí)別率，實(shí)用性良好、分類效果較好。本專利技術(shù)實(shí)現(xiàn)上述專利技術(shù)目的所采用的技術(shù)方案為：一種基于深度學(xué)習(xí)的珍珠分類方法包括以下步驟：1)采集珍珠圖像作為樣本數(shù)據(jù)，每顆珍珠包含設(shè)定數(shù)量幅圖像；2)將所采集的珍珠圖像調(diào)整成所設(shè)定的大小，并對(duì)其進(jìn)行圖像預(yù)處理，去除圖像的噪聲；3)劃分樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；4)設(shè)置深度卷積網(wǎng)絡(luò)的各個(gè)網(wǎng)絡(luò)層的初始參數(shù)，將步驟3)所劃分的訓(xùn)練數(shù)據(jù)輸入所述深度卷積網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；5)利用訓(xùn)練好的深度卷積網(wǎng)絡(luò)提取訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的特征；6)利用步驟5)提取的訓(xùn)練數(shù)據(jù)的特征構(gòu)建SVM分類器，并利用該SVM分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。進(jìn)一步，所述步驟1)獲取的珍珠圖像包含兩類，分別為含有螺紋的珍珠圖像和無螺紋的珍珠圖像。進(jìn)一步，所述步驟2)中采用雙邊濾波去除圖像的噪聲。當(dāng)然，也可以采用其他去噪方法。再進(jìn)一步，所述步驟4)包括以下步驟：4.1)確定深度卷積網(wǎng)絡(luò)的結(jié)構(gòu)；4.2)用不同的小隨機(jī)數(shù)初始化網(wǎng)絡(luò)中待訓(xùn)練的參數(shù)；4.3)將步驟3)所劃分的訓(xùn)練數(shù)據(jù)輸入所述深度卷積網(wǎng)絡(luò)，計(jì)算所述深度卷積網(wǎng)絡(luò)的輸出與實(shí)際類別標(biāo)簽之間的誤差，通過誤差反向傳播算法調(diào)整所述深度卷積網(wǎng)絡(luò)各層的權(quán)值和偏置項(xiàng)，直到網(wǎng)絡(luò)穩(wěn)定或到達(dá)所設(shè)定的最大迭代次數(shù)。更進(jìn)一步，所述步驟1)中，每顆珍珠包含5幅圖像，分別為俯視圖、左視圖、右視圖、后視圖和主視圖；所述步驟4)中構(gòu)建的深度卷積網(wǎng)絡(luò)是由5個(gè)卷積網(wǎng)絡(luò)構(gòu)成的，珍珠的5幅視圖分別作為這5個(gè)卷積網(wǎng)絡(luò)的輸入以提取螺紋特征。優(yōu)選的，所述5個(gè)卷積網(wǎng)絡(luò)采用相同的結(jié)構(gòu)，分別包括2個(gè)卷積層，2個(gè)下采樣層和1個(gè)全連接層。所述5個(gè)卷積網(wǎng)絡(luò)的輸出特征需要由ELTWISE層對(duì)其進(jìn)行累加，合并為1個(gè)特征向量，并將該特征向量輸入FC全連接層，由FC全連接層將特征向量映射到二維后，輸入到SOFTMAX層，SOFTMAX層由2個(gè)獨(dú)立的神經(jīng)元組成，對(duì)應(yīng)有螺紋的珍珠和無螺紋的珍珠。進(jìn)一步，所述步驟5)中利用訓(xùn)練好的深度卷積網(wǎng)絡(luò)提取特征是指將樣本數(shù)據(jù)作為訓(xùn)練好的深度卷積網(wǎng)絡(luò)的輸入，將深度卷積網(wǎng)絡(luò)的ELTWISE層的輸出作為該樣本珍珠的螺紋特征。進(jìn)一步，所述步驟6)包括以下步驟：6.1)對(duì)步驟5)提取的訓(xùn)練數(shù)據(jù)的特征進(jìn)行預(yù)處理；預(yù)處理：對(duì)得到的特征數(shù)據(jù)進(jìn)行歸一化處理，將特征數(shù)據(jù)每一維度的數(shù)值映射到[0,1]區(qū)間；轉(zhuǎn)換函數(shù)為其中xmax為特征數(shù)據(jù)的最大值，xmin為特征數(shù)據(jù)的最小值；6.2)利用6.1)歸一化后的訓(xùn)練數(shù)據(jù)構(gòu)建SVM分類器；6.3)將測(cè)試數(shù)據(jù)按照訓(xùn)練數(shù)據(jù)歸一化時(shí)的映射關(guān)系進(jìn)行歸一化；6.4)利用SVM分類器對(duì)歸一化后的測(cè)試數(shù)據(jù)進(jìn)行分類，判斷珍珠是否有螺紋。本專利技術(shù)的技術(shù)構(gòu)思為：深度學(xué)習(xí)是近幾年的熱點(diǎn)，深度學(xué)習(xí)的概念源于人工神經(jīng)網(wǎng)絡(luò)的研究，含多隱藏層的多層感知器就是一個(gè)深度學(xué)習(xí)結(jié)構(gòu)。深度學(xué)習(xí)通過組合低層特征形成更加抽象的高層表示(屬性類別或特征)，以發(fā)現(xiàn)數(shù)據(jù)的分布式特征表示。卷積網(wǎng)絡(luò)是深度學(xué)習(xí)的一種結(jié)構(gòu)，卷積網(wǎng)絡(luò)在圖像分類等問題上取得了很大的突破。卷積網(wǎng)絡(luò)由一個(gè)或多個(gè)卷積層和頂端的全連接層組成，同時(shí)也包括關(guān)聯(lián)權(quán)重和下采樣層，這一結(jié)構(gòu)使得卷積神經(jīng)網(wǎng)絡(luò)能夠利用輸入數(shù)據(jù)的二維結(jié)構(gòu)，可以用圖像直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識(shí)別算法中復(fù)雜的特征提取和數(shù)據(jù)重建的過程。它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)更接近生物神經(jīng)網(wǎng)絡(luò)，降低了模型的復(fù)雜度，減少了權(quán)重的數(shù)量。本專利技術(shù)的有益效果為：1)使用深度卷積網(wǎng)絡(luò)提取珍珠的螺紋特征，充分發(fā)揮深度學(xué)習(xí)的自我學(xué)習(xí)優(yōu)勢(shì)，機(jī)器自動(dòng)學(xué)習(xí)良好的特征，免去了繁瑣的手動(dòng)提取特征和設(shè)計(jì)特征的過程，避免人工手動(dòng)設(shè)計(jì)特征的弊端，簡化了流程，節(jié)約時(shí)間；2)針對(duì)珍珠的5幅視圖構(gòu)建了5個(gè)卷積網(wǎng)絡(luò)，充分利用了整顆珍珠的圖像信息，避免了單一視角下的圖像沒有整體代表性的弊端；3)由于深度卷積網(wǎng)絡(luò)提取圖像的局部特征，然后再將特征進(jìn)行組合，使得提取的特征具有一定平移和旋轉(zhuǎn)不變性，在一定程度上避免了在采集珍珠圖像時(shí)，珍珠擺放位置隨機(jī)性帶來的影響；4)將深度卷積網(wǎng)絡(luò)與支持向量機(jī)(SupportVectorMachine，SVM)有機(jī)地結(jié)合起來，深度卷積網(wǎng)絡(luò)用于提取特征，SVM用于分類識(shí)別，保證了分類的準(zhǔn)確度。附圖說明圖1為整個(gè)分類方法的流程示意圖。圖2為深度卷積網(wǎng)絡(luò)整體結(jié)構(gòu)的示意圖。圖3為卷積網(wǎng)絡(luò)具體網(wǎng)絡(luò)結(jié)構(gòu)的示意圖。具體實(shí)施方式下面結(jié)合說明書附圖對(duì)本專利技術(shù)的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。參照?qǐng)D1～圖3，一種基于深度學(xué)習(xí)的珍珠分類方法，步驟如下：1)采集珍珠圖像作為樣本數(shù)據(jù)，每顆珍珠包含5幅圖像，分別為俯視圖、左視圖、右視圖、后視圖、主視圖；所采集的圖像包含兩類珍珠圖像，分別為含有螺紋的珍珠圖像和無螺紋的珍珠圖像。2)將所采集的珍珠圖像調(diào)整成150×150像素，并對(duì)其進(jìn)行圖像本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于深度學(xué)習(xí)的珍珠分類方法，其特征在于：所述方法包括以下步驟：1)采集珍珠圖像作為樣本數(shù)據(jù)，每顆珍珠包含設(shè)定數(shù)量幅圖像；2)將所采集的珍珠圖像調(diào)整成所設(shè)定的大小，并對(duì)其進(jìn)行圖像預(yù)處理，去除圖像的噪聲；3)劃分樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；4)設(shè)置深度卷積網(wǎng)絡(luò)的各個(gè)網(wǎng)絡(luò)層的初始參數(shù)，將步驟3)所劃分的訓(xùn)練數(shù)據(jù)輸入所述深度卷積網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；5)利用訓(xùn)練好的深度卷積網(wǎng)絡(luò)提取訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的特征；6)利用步驟5)提取的訓(xùn)練數(shù)據(jù)的特征構(gòu)建SVM分類器，并利用該SVM分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。

【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的珍珠分類方法，其特征在于：所述方法包括以下步驟：1)采集珍珠圖像作為樣本數(shù)據(jù)，每顆珍珠包含設(shè)定數(shù)量幅圖像；2)將所采集的珍珠圖像調(diào)整成所設(shè)定的大小，并對(duì)其進(jìn)行圖像預(yù)處理，去除圖像的噪聲；3)劃分樣本數(shù)據(jù)為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)；4)設(shè)置深度卷積網(wǎng)絡(luò)的各個(gè)網(wǎng)絡(luò)層的初始參數(shù)，將步驟3)所劃分的訓(xùn)練數(shù)據(jù)輸入所述深度卷積網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；5)利用訓(xùn)練好的深度卷積網(wǎng)絡(luò)提取訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)的特征；6)利用步驟5)提取的訓(xùn)練數(shù)據(jù)的特征構(gòu)建SVM分類器，并利用該SVM分類器對(duì)測(cè)試數(shù)據(jù)進(jìn)行分類。2.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的珍珠分類方法，其特征在于：所述步驟1)獲取的珍珠圖像包含兩類，分別為含有螺紋的珍珠圖像和無螺紋的珍珠圖像。3.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的珍珠分類方法，其特征在于：所述步驟2)中采用雙邊濾波去除圖像的噪聲。4.如權(quán)利要求1所述的一種基于深度學(xué)習(xí)的珍珠分類方法，其特征在于：所述步驟4)包括以下步驟：4.1)確定深度卷積網(wǎng)絡(luò)的結(jié)構(gòu)；4.2)用不同的小隨機(jī)數(shù)初始化網(wǎng)絡(luò)中待訓(xùn)練的參數(shù)；4.3)將步驟3)所劃分的訓(xùn)練數(shù)據(jù)輸入所述深度卷積網(wǎng)絡(luò)，計(jì)算所述深度卷積網(wǎng)絡(luò)的輸出與實(shí)際類別標(biāo)簽之間的誤差，通過誤差反向傳播算法調(diào)整所述深度卷積網(wǎng)絡(luò)各層的權(quán)值和偏置項(xiàng)，直到網(wǎng)絡(luò)穩(wěn)定或到達(dá)所設(shè)定的最大迭代次數(shù)。5.如權(quán)利要求1～4之一所述的一種基于深度學(xué)習(xí)的珍珠分類方法，其特征在于：所述步驟1)中，每顆珍珠包含5幅圖像，分別為俯視圖、左視圖、右視圖、后視圖和主視...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：宣琦，方賓偉，王金寶，鮑官軍，宣建良，傅晨波，
申請(qǐng)(專利權(quán))人：諸暨市奇劍智能科技有限公司，
類型：發(fā)明
國別省市：浙江,33