[发明专利]一种基于改进深度学习的板形识别方法

权利要求书

1.一种基于改进深度学习的板形识别方法，其特征在于，该方法包括以下步骤：

步骤1、获取板带钢表面图像，并对所述板带钢表面图像进行去噪处理；

步骤2、建立基于混合非线性卷积神经网络的板形识别模型；所述混合非线性卷积神经网络由多种不同的卷积组成，至少包括标准卷积和高斯卷积；

步骤3、利用优化算法对所述板形识别模型的模型参数进行优化；

步骤4、将优化后的模型参数导入所述板形识别模型，将所述去噪处理后的板带钢表面图像输入所述板形识别模型，所述优化后的板形识别模型进行特征提取并输出板形基本缺陷的隶属度。

2.根据权利要求1所述的方法，其特征在于，对所述板带钢表面图像进行去噪处理，包括：利用非局部均值去噪算法对所述板带钢表面图像进行去噪处理。

3.根据权利要求1所述的方法，其特征在于，所述HN卷积神经网络的输出为左边浪、右边浪、中间浪、双边浪、右三分浪、左三分浪、四分浪和边中浪。

4.根据权利要求1所述的方法，其特征在于，利用优化算法对所述板形识别模型的模型参数进行优化，包括：

确定所述板形识别模型的训练样本；

使用轮盘赌算法确定所述混合非线性卷积神经网络中每个通道的卷积类型；

初始化所述板形识别模型的模型参数；

使用Adam算法优化所述模型参数，得到优化后的模型参数。

5.根据权利要求1所述的方法，其特征在于，初始化所述板形识别模型的模型参数，包括：

a)给定标准卷积概率α₁、高斯卷积概率α₂，且α₁+α₂＝1；卷积层的通道数量k；

b)对于每个通道，分别生成一个随机数β_i∈(0，1)；

c)如果β_i＜α₁，该通道的卷积类型为j_i＝1；否则，该通道的卷积类型为j_i＝2；其中，j_i＝1表示第i通道的卷积类型为标准卷积；j_i＝2表示第i通道的卷积类型为高斯卷积；

d)保存卷积结构矩阵J＝[j₁，j₂，...，j_k]。

6.根据权利要求1所述的方法，其特征在于，所述优化后的板形识别模型进行特征提取，包括：

a)给定卷积种类数n、卷积层的通道数k、结构矩阵J＝[j₁，j₂，...，j_k]，特征输入O＝[o₁，o₂，o₃，...，o_k]；

b)对于卷积层的每个通道，根据结构矩阵将属于相同卷积类型的输入归为一类，由此将输入O＝[o₁，o₂，o₃，...，o_k]分为n部分O＝[O¹，O²，...，Oⁿ]，对于卷积层中第i通道，o_i属于

c)对于O＝[O¹，O²，...，Oⁿ]，分别使用对应类型的卷积对这n部分输入进行卷积运算，运算结果为M_i，i＝1，2，...，n；

d)累加所有运算结果，得到最终特征映射M。

7.根据权利要求6所述的方法，其特征在于，输出板形基本缺陷的隶属度，包括：

混合非线性卷积层后接两层全连接层及输出层，采用softmax函数作为激活函数，输出为基本板形缺陷的隶属度。