[发明专利]一种基于视觉注意力和多尺度卷积神经网络的空调外机画像智能检测方法

说明书

本发明涉及一种基于视觉注意力和多尺度卷积神经网络的空调外机画像智能检测方法，包括：(1)数据预处理：对空调外机画像样本人工分类，生成正确与错误两种标签。(2)读取预处理后的样本图像，输入视觉注意力网络，生成注意力分布图；(3)输入多尺度网络进行训练，得到深度融合特征向量；(4)将深度融合特征向量作为softmax分类器模型的输入进行训练；(5)将验证样本集输入softmax分类器模型验证分类精度，得到训练好的softmax分类器模型；(6)将测试样本集输入训练好的softmax分类器模型，得到测试样本集正确或错误的分类结果。在反向过程中帮助传导梯度，让更深的模型能够成功训练，提高网络的性能。

技术领域

本发明涉及空调外机画像智能检测技术领域，特别涉及一种基于视觉注意力和多尺度网络的空调外机画像智能检测方法。

背景技术

由于空调外机型号的差异，所贴图标会有所不同，使用的连接管也不同。使用人工检测耗时耗力，在工业互联网的背景下，我们希望将神经网络应用于画像检测，取代传统的依靠人工进行检测的方法，能够实时快速地判断该产品的配套连接管与图标是否准确，同时向工厂实时反馈结果，高效率、低成本地完成空调外机检测，从而更有效地管理产线，增强灵活性，降低生产成本，提升企业效益。目前为止，还未有空调外机画像的相关智能检测技术，我们期待研究相关技术并应用于该场景。

处理图像时，神经网络对图像的全部特征是等价处理的。参考人的视觉，有选择地分配注意力，给输入的不同部分分配不同的权重，就能选择性地从图片或视频中提取到需要引起注意的区域。对提取的区域进行处理，再逐渐地把这些信息结合起来，建立场景或者环境的动态内部表示。可以利用视觉注意力模型提取图像中目标关注区域的特征，这个概念已被应用于视觉识别和分类领域。在空调外机画像智能检测问题中，我们关注管口颜色与图标，不同机型之间的关注区域具有像素值的差异。

卷积神经网络被广泛应用于图像识别中。卷积神经网络通过卷积运算从图像中提取多尺度信息，并且通过更深的架构，可以提取更细微特征。对于大型神经网络，卷积神经网络也可以具有稀疏连接，避免过拟合。为提取图像多分辨率的特征，Hu提出一种改进多尺度卷积神经网络，网络包含一个三分支结构，三个分支包含不同层数的卷积层，三个分支之间，具有相同尺度大小的卷积层进行残差连接，该模型可以有效地提取相关特征并进行不同层次的抽象，并且通过残差连接，网络优化效果得到明显提升。虽然多尺度网络在特征提取方面具有优势，但它在画像检测方面仍有一定局限：多尺度网络提取特征时，无关信息和关注信息同时进行训练，等价地分配权重，这样会增大计算分析的难度，信息处理效率低。

发明内容

针对空调外机画像智能检测问题，本发明的目的在于提出了一种基于视觉注意力和多尺度卷积神经网络的空调外机画像智能检测方法，将视觉注意力嵌入多尺度卷积神经网络中，利用视觉注意力提升模型在分类任务上的性能。

本发明中，首先，将图片中不同关注区域的像素值的差异作为标签，引入注意力机制进行视觉信息处理，学习关注区域及其周围结构，生成注意力分布图。其次，将生成的注意力分布图输入多尺度网络进行训练。多尺度网络包含三分支结构，三个分支包含不同的卷积层，能够提取不同分辨率的特征，最后，通过全连接合并这些特征，实现特征融合。在三个分支中，将具有相同尺度特征图的不同层之间进行残差连接，可以在前向过程中帮助网络中的特征进行恒等映射，在反向过程中帮助传导梯度，提升网络的性能。

术语解释：

softmax分类器模型，一种常见的线性分类器,它是Logistic回归推广到多类分类的形式。以多项式分布(Multinomial Distribution)为模型建模的，它可以分多种互斥的类别。

本发明的技术方案为：

一种基于视觉注意力和多尺度卷积神经网络的空调外机画像智能检测方法，包括步骤如下：