[发明专利]深度学习的训练识别方法

说明书

本发明公开了一种深度学习的训练识别方法，包括以下步骤：采用深度学习模型对样本图像进行第一次目标定位训练，从样本的图像中抽取目标，并对目标进行标定，通过训练生成目标定位模型；将样本进行分类，生成分类样本集；利用第一次训练出的目标定位模型，对所述分类样本集中的目标进行识别，并将识别的目标区域图像取出，保存为新的分类集样本；采用第二次训练用网络模型，对新的分类集样本和所述分类样本集进行第二次训练，生成分类识别模型；在识别过程中，先由目标定位模型识别出目标，再通过分类识别模型进行分类识别。本发明深度学习的训练识别方法，采用先定位再分类的识别方法，能有效提高深度学习的识别率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种深度学习的训练识别方法。

背景技术

深度学习是人工智能一个分支，现在很多领域都在研究和应用，其本身是一个预测和识别的过程。深度学习首先分为训练和预测两个阶段，训练通过机器学习自动识别特征来完成目标的特征提取，预测则是通过已训练的模型识别样本中的目标。

深度学习生成模型识别率接近人类，主要得益于以下三方面的发展：1.算法的改进和提高；2.大数据支持；3.计算机运行效率的提升。然而目前深度学习的识别率仍然偏低。

目标定位是基于目标分类发展而来，通常的做法是目标定位集成分类和定位，这样存在的问题是目标定位取决于目标分类和目标尺寸大小等限制因素，从而导致识别率下降。

发明内容

本发明要解决的技术问题是提供一种深度学习的训练识别方法，该方法将目标定位分类简化到只有目标和背景，采用先定位再分类的方法，从而有效提高深度学习的识别率。

为了解决上述技术问题，本发明通过如下技术方案实现:

在本发明的一个方面，提供了一种深度学习的训练识别方法，包括以下步骤：

采用深度学习模型对样本图像进行第一次目标定位训练，从样本的图像中抽取目标，并对目标进行标定，通过训练生成目标定位模型；

将样本进行分类，生成分类样本集；

利用第一次训练出的目标定位模型，对所述分类样本集中的目标进行识别，并将识别的目标区域图像取出，保存为新的分类集样本；

采用第二次训练用网络模型，对新的分类集样本和所述分类样本集进行第二次训练，生成分类识别模型；

在识别过程中，先由目标定位模型识别出目标，再通过分类识别模型进行分类识别。

所述深度学习模型包括ssd模型、Mobilenet-ssd模型、faster r-cnn模型。

所述第二次训练用网络模型包括ResNet、GoogLeNet、DenseNet。

所述第一次目标定位训练是把样本图像简化为目标和背景，从样本图像中抽取目标，并对目标进行标定，把目标以外的信息过滤去除。

本发明深度学习的训练识别方法，把传统的深度学习训练改进为两个阶段，先通过深度学习进行目标定位，从图像中抽取有效目标，再次对目标进行分类训练。这样的优势在于第一次训练只寻找目标，把目标以外的无效信息过滤掉，提高了提取目标的纯度，排除了干扰信息，显著提高了识别效率。

对第一次训练结果产生的模型进行分类，这样做的好处在于解决了标定和分类工作的有效分离，通常标定工作和分类工作不一定由同一类人完成，效率和准确度会显著提升。

在识别过程中，先调用目标定位模型，当没有识别到目标的样本，作为一类，根据应用场景处理。识别到目标的样本再进一步用分类识别模型进行分类识别。这样做的好处在于通过目标识别，把假样本筛选出来，降低假阴性和假阳性率，从而提高识别效率。本发明方法的识别率能达到95％以上。