[发明专利]一种基于自编码卷积网络的线条检测方法

权利要求书

1.一种基于自编码卷积网络的线条检测方法，其特征在于，包括以下步骤：

A.构造神经网络的训练数据集；

B.构造基于自编码的卷积神经网络；

C.从所述训练数据集里随机选取a个样本为一批，一共b批的训练数据，设置学习率为c，以均方误差MSE为损失函数，采用Adam优化方法训练d个轮回进行卷积神经网络的训练；其中，a为16的倍数，c小于0.001大于0.000001；

D.训练完成后保存经步骤C训练好的模型，并采用训练好的模型进行线条检测。

2.根据权利要求1所述的一种基于自编码卷积网络的线条检测方法，其特征在于，所述步骤A中构造神经网络的训练数据集时具体包括以下步骤：

A1.确定需要构造的样本数量N、构造图片的大小长col，宽row、设置计数器Cnt＝0；

A2.随机选择背景颜色，且背景颜色灰度值选择范围为[0,255]；

A3.随机选择字体颜色，字体颜色灰度值选择范围为[0,255]且字体颜色不等于背景颜色；

A4.在0.2*min(row,col)至0.8*min(row,col)之间随机选择字体大小；

A5.在需要训练的字体中随机选择一种字体；

A6.在需要训练的汉字的集合中随机选择一个汉字char；

A7.随机生成1至4条线条LINES，其中，随机生成的线条需要在row*col的矩形中可以内置；

A8.生成两个row*col的画布分别为画布CANVAS1和画布CANVAS2；

A9.在画布CANVAS1上画上汉字char和线条LINES，在画布CANVAS2上画线条LINES；

A10.保存画布CANVAS1为图片P_cnt_1，保存画布CANVAS2为图片P_cnt_2；

A11.设置Cnt＝Cnt+1；

A12.判断Cnt是否等于N，如果等于N则进入步骤A13，如果不等于N则返回步骤A2；

A13.训练数据集构造流程结束，所有的图片P_cnt_1即为训练数据集的输入，图片P_cnt_2即为对应的线条检测真值，所有的(P_cnt_1,P_cnt_2)数据对记为训练数据集DATA_TRAIN。

3.根据权利要求2所述的一种基于自编码卷积网络的线条检测方法，其特征在于，所述步骤B中构造基于自编码的卷积神经网络时具体包括以下步骤：

B1.构建网络输入层Input_image，用以接受训练数据集的输入的图片；

B2.对输入的图片进行卷积运算，卷积的横向步长和纵向步长均为2，卷积核个数为16；

B3.对卷积后的图片进行批归一化处理；

B4.对归一化处理后的图片进行RELU激活；

B5.对步骤B4输出的图片进行卷积运算，卷积的横向步长和纵向步长均为2，卷积核个数为32；

B6.对卷积后的图片进行批归一化处理；

B7.对归一化处理后的图片进行RELU激活；

B8.对步骤B7输出的特征图片进行卷积运算，卷积的横向步长和纵向步长均为2，卷积核个数为16；

B9.对卷积后的特征图片进行批归一化处理；

B10.对归一化处理后的特征图片进行RELU激活；

B11.对步骤B10输出的特征图片进行反卷积运算，反卷积的横向步长和纵向步长均为2，卷积核个数为32；

B12.对反卷积后的特征图片进行RELU激活；

B13.对步骤B12输出的特征图片进行反卷积运算，反卷积的横向步长和纵向步长均为2，卷积核个数为16；

B14.对反卷积后的特征图片进行RELU激活；

B15.对步骤B14输出的特征图片进行反卷积运算，反卷积的横向步长和纵向步长均为2，卷积核个数为1；

B16.对反卷积后的特征图片进行RELU激活；

B17.RELU激活后的得到图片即为网络的输出图片，也即神经网络提取的线条图片。