[发明专利]基于多层卷积神经网络的检测设备放置在显示屏上的方法

权利要求书

1.一种基于多层卷积神经网络的检测设备放置在显示屏上的方法，其特征在于，包括：

将带有图像采集装置的智能设备放置在点亮状态的显示屏上，且图像采集装置面向显示屏；

构建基于多层卷积神经网络的检测模型，并加载权重参数集；

通过朝向显示屏方向的图像采集装置采集图像，将图像输入到基于多层卷积神经网络的检测模型进行推理，给出图像的分类信息以及概率值；

对于给出的分类信息及概率值，如果图像属于放置在显示屏上的类别概率值最高或者超过设定阈值，则认为智能设备放置在显示屏上；

所述的方法具体包括以下步骤：

步骤S401:选定训练模型的优化方法；

步骤S402:设置训练模型所需的超参数；

步骤S403:根据训练样本的特点，在训练模型时进行数据增强；

步骤S404:选定softmax函数，作为最终的分类概率的计算，其中softmax的计算公式为：

其中，x_ij是第i个样本在神经网络最后一层的第j个输出，C是类别个数，是第i个样本属于第j个类别的概率；

步骤S405:选定交叉熵损失函数衡量模型预测值与真实值间的差距，其中交叉熵损失函数的计算公式为：

其中，l为损失值，n为批处理数，y_ij表示第i个样本是否属于第j个类别的真实标签，如果属于第j个类别的真实标签，则y_ij＝1，否则y_ij＝0，C是类别个数，是第i个样本属于第j个类别的概率；

步骤S406:加载预训练模型；

步骤S407:基于训练样本对整个模型进行训练，直至收敛，得到最终的分类模型。

2.根据权利要求1所述的方法，其特征在于，所述的构建基于多层卷积神经网络的检测模型，并加载权重参数集具体包括：

使用智能设备分别采集放置在显示屏上时的图像，以及未放置在显示屏上时的图像，对图像进行类别信息标注；

对图像进行筛查；

构建多层卷积神经网络；

将图像输入多层卷积神经网络，训练多层卷积网络直至收敛，获取最终权重参数集，得到最终的分类网络模型。

3.根据权利要求2所述的方法，其特征在于，所述的使用智能设备采集放置在显示屏上时的图像具体为：

将智能设备放置在显示屏上的不同区域，显示屏显示内容不停变化，改变智能设备摄像头曝光和快门参数，改变显示屏背光亮度和运动补偿参数，改变环境光亮度，采集到不同情况下智能设备放置在显示屏上的样本图像，标记为放置在显示屏上的类别。

4.根据权利要求2所述的方法，其特征在于，所述的使用智能设备采集未放置在显示屏上时的图像具体为：

将智能设备放置到普通不发光物体表面、透明玻璃或者普通发光物表面，改变智能设备摄像头曝光和快门参数，改变环境光亮度，采集到不同情况下智能设备不放置在显示屏上的样本图像，并标记为不放置在显示屏上的类别。

5.根据权利要求2所述的方法，其特征在于，所述的对图像进行筛查具体为：对于连续拍摄的图像，判断相似度是否超过设定阈值，如果是则仅保留设定数量同样场景下的图像，确保各种场景图像的均衡性。

6.根据权利要求2所述的方法，其特征在于，所述的构建多层卷积神经网络，该网络包括卷积层、深度可分离卷积层、批处理层、池化层、全局平均池化层、以及全连接层。

7.根据权利要求1所述的方法，其特征在于，所述的数据增强方法包括随机翻转、随机裁剪和随机色调变化。

8.根据权利要求1所述的方法，其特征在于，所述的基于多层卷积神经网络的检测模型，可将图像通过网络传输到云端服务器、智能设备或者其他设备上使用多层卷积神经网络进行推理。