[发明专利]基于KPCA算法与深度信念网络的苹果表面病变图像识别方法有效
申请号: | 201810035763.8 | 申请日: | 2018-01-15 |
公开(公告)号: | CN108229571B | 公开(公告)日: | 2022-03-11 |
发明(设计)人: | 胡晓飞;周本君;谢文鑫 | 申请(专利权)人: | 南京邮电大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/08 |
代理公司: | 南京经纬专利商标代理有限公司 32200 | 代理人: | 朱小兵 |
地址: | 210023 *** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 kpca 算法 深度 信念 网络 苹果 表面 病变 图像 识别 方法 | ||
1.一种基于KPCA算法与深度信念网络的苹果表面病变图像识别方法,其特征在于,包括以下步骤:
步骤1:采集训练集苹果表面图像,并对采集到的训练集苹果图像进行存储和读取;
步骤2:将步骤1采集的训练集苹果表面图像进行预处理;
步骤3:构建深度信念网络,用预处理后的训练集苹果表面图像对该深度信念网络进行训练,进而得到深度信念网络模型;
步骤4:采集测试集苹果表面图像,并对采集到的测试集苹果表面图像进行存储和读取;
步骤5:利用训练好的深度信念网络模型对测试集苹果表面图像进行测试;
步骤6:用Softmax分类器对步骤5中测试后的结果进行分类,同时输出分类结果;
在步骤3中,所述的构建深度信念网络,用预处理后的训练集对该网络进行训练,得到深度信念网络模型,具体包含如下步骤:
3.1构建一个包含三层限制波尔曼兹机和一层反向传播神经网络的深度信念网络,即由三层RBM网络和一层BP网络构成DBN网络;
3.2将预处理后的训练集数据输入到第一层RBM的可视层,进行无监督训练,提取数据的初步特征信息,通过梯度下降法和隐层到显层的重构及对比散度的方法,从而更新权重;将第一层RBM的隐层作为第二层RBM的可视层,进一步提取数据的特征信息,更新权重;将第二层RBM的隐层作为第三层RBM的可视层,提取更深的特征信息;
可视层v和隐层h的联合能量公式为:
其中θ是RBM的参数{W,b,c},vi是可视层的第i个神经元,hj是隐层的第j个神经单元,Wij为可见层神经元i到隐藏层神经元j的连接权值,bi为可见层第i个神经元的偏置,cj为隐藏层第j个神经元的偏置;
由可视层和隐层变量的联合能量E(v,h|θ)可以得到二者的联合概率公式为:
其中
在v已知时,隐层中的各个hj被激活的条件概率为:
在h已知时,隐层中的各个vi被激活的条件概率为:
通过对v和h的联合概率得到最大似然函数,再通过梯度下降法,再结合对比散度方法,得到参数更新规则为:
ΔWij=ε(vihj〉data—〈vihj〉recon)
Δbi=ε(vi〉data—〈virecon)
Δcj=ε(hjdata—hjrecon)
其中,ε是学习率,·data是样本数据的期望,·recon是重构后可视层数据的期望;
根据上面的参数更新规则更新参数,达到预期的结果或完成指定的循环次数后终止更新;
3.3在第三层RBM的输出端接入一个BP网络,将RBM的输出特征向量作为它的输入特征向量,利用预处理后的带标签数据集对每一层RBM自顶向下有监督的反向传播,从而微调整个网络模型参数,得到更准确的预测结果;
在步骤2中,采用KPCA算法对采集到的苹果图像数据集进行预处理,该KPCA算法是核主成分分析,是主成分分析算法PCA的非线性扩展,通过非线性映射把输入空间投影到高维特征空间,然后在高维特征空间中进行主成分分析,完成降维和对数据的非线性特征提取。
2.根据权利要求1所述的基于KPCA算法与深度信念网络的苹果表面病变图像识别方法,其特征在于:
在步骤1中,训练集苹果表面图像包括有标签的图像和无标签的图像。
3.根据权利要求1所述的基于KPCA算法与深度信念网络的苹果表面病变图像识别方法,其特征在于:
在步骤2中,预处理,具体包括缩放、色彩抖动和KPCA方法处理。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京邮电大学,未经南京邮电大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201810035763.8/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种车辆加油过程中图像处理方法及装置
- 下一篇:一种参数寻优方法及计算设备