[发明专利]基于深度学习的黄色培育钻石品级分类方法

权利要求书

1.一种基于深度学习的黄色培育钻石品级分类方法，其特征在于，所述方法包括如下步骤：

步骤S1：黄色钻石原始样本图像采集：通过同轴光源照明，利用CCD工业相机和图像采集卡采集黄色钻石原始样本图像；

步骤S2：黄色钻石原始样本图像分类：按照黄色钻石品级不同，将黄色钻石原始样本图像分为一级品、二级品和三级品三类样本；

该步骤S2包括如下子步骤：

步骤S201：为避免因肉眼观察误差和个人经验片面，而导致样本分类不准确的问题，采取根据国际钻石委员会钻石分级标准、中国技术监管局钻石分级标准GB/T 16554-2003的方法，分别对黄色钻石原始样本图像进行分类，得到两个训练样本集，分别记为：U_a、U_b；

步骤S202：为提升黄色钻石品级分类的准确度，从U_a、U_b中筛选出分类一致的黄色钻石样本，形成一个加强训练样本集，记为：U_c；

步骤S3：黄色钻石原始样本图像预处理：根据灰度化、滤波去噪、二值化、腐蚀与膨胀、最小外接矩形检测图形图像处理方法对U_a、U_b、U_c中的黄色钻石原始样本图像进行处理，得到统一尺寸299*299的黄色钻石图像；

该步骤S3包括如下子步骤：

步骤S301：灰度化：对步骤S2的图像进行灰度化处理；

步骤S302：滤波去噪：对步骤S301得到的图像使用低通滤波器平滑图像中的高频噪点，降低图像的变化率；

步骤S303：二值化：将步骤S302中图像中像素值不大于90的像素值置为0，也即黑色，其余的像素值置为255，也即白色；

步骤S304：腐蚀与膨胀：为消除经步骤S303后图像中白色斑点对黄色钻石区域轮廓检测的干扰，对图像分别执行4次腐蚀与膨胀的形态学处理；

步骤S305：最小外接矩形检测：通过轮廓检测算法检测出经步骤S304后图像中所有联通区域的外轮廓，并通过最小外接矩形算法计算出所有外轮廓的最小外接矩形；

步骤S306：对步骤S305中的最小外接矩形进行面积大小、长宽比例过滤，最终得到唯一的黄色钻石图像区域，裁剪出该区域后，经过图像放缩操作后统一到固定尺寸299*299；

步骤S4：模型训练：将经步骤S3预处理后的样本集U_a、U_b、U_c分别输入Inception V3网络中进行训练，经过充分迭代分别得到预测模型M_a、M_b、M_c；

该步骤S4包括如下子步骤：

步骤S401：将经步骤S3预处理后的样本集U_a、U_b、U_c分别输入到Inception V3网络中，样本将先经过3层卷积网络，每层卷积网络包含1个或者多个卷积核，再通过激活函数ReLU对卷积输出的非线性激励作用，使得网络的特征表达能力得到加强；卷积层激活函数ReLU的表达式为：

其中，x为经过3层卷积网络后的输出；

经过卷积层特征提取后，图像的尺寸和通道数会发生较大变化，这与卷积核的大小、填充方式、步长因素相关；经卷积层后输出图像的尺寸和通道数计算公式分别如下式所示：

N＝D

其中，O为经卷积层后输出图像的尺寸；I为输入图像的尺寸；K为卷积核的尺寸；P为卷积时的填充数；S为步长；N为输出图像的通道数；D为卷积核的数量；

步骤S402：对步骤S401的输出图像进行池化降采样处理，减少参量的同时过滤掉特征图里的冗余信息，避免模型过拟合问题；经池化层后输出图像尺寸的计算公式为：

其中，O′为经池化层后输出图像的尺寸；P_s为池化层尺寸；

不同于卷积层改变图像通道数的效果，经池化层后图像的通道数不发生改变；

步骤S403：对步骤S402的输出图像通过3个模块组简化特征信息，每个模块组内包含多个结构类似的模块,每个模块由简单的卷积层、复杂的卷积层和简化结构的池化层并联组合而成，不同程度的特征抽象和变换可以有选择地保留不同层次的高阶特征，而这些模块组的作用是简化空间结构，将空间信息转化为抽象的高阶特征信息，最大程度地丰富网络的表达能力，同时使每层的输出张量持续减少，降低计算量；经过这些模块组后的输出图像尺寸为8*8*2048；

步骤S404：经全局平均池化层将步骤S403输出的图像转化为1*1*2048，再经过dropout层、卷积层以及线性化维度消除处理后，最终通过归一化指数函数将模型对每个类别的预测映射为概率值，其中，归一化指数函数表达式如下所示：

其中，n为所有的品级数，z_i表示模型预测出的属于第i个类别的数值，p_i表示转化后的模型预测结果属于第i个类别的概率；

步骤S405：取预测概率最大的类别与样本实际类别进行对比，计算同一训练批次样本的误差损失，设置相关训练超参数，以误差损失最小为目标进行寻优，经反复迭代寻优和模型数据固化，最终样本集U_a、U_b、U_c分别得到对应的模型M_a、M_b、M_c；

步骤S5：将待分类黄色钻石图像按照步骤S3处理后，输入到模型M_a中，通过特征提取和类别匹配得到模型分类的结果p_a1、p_a2、p_a3，其中：p_a1表示模型M_a认为该黄色钻石是一级品的概率，其他类同；同理，将待分类图像输入到模型M_b、M_c可得分类结果p_b1、p_b2、p_b3、p_c1、p_c2、p_c3；

且：

步骤S6：为保证黄色钻石分类结果的稳健性，综合三种模型的分类结果；那么黄色钻石分类的品级函数Y＝max(P₁，P₂，P₃)，其中：