[发明专利]用于智能光影弯折检测的神经网络的训练方法

权利要求书

1.一种用于智能光影弯折检测的神经网络的训练方法，其特征在于，包括：

步骤1：获取训练图像集和参考图像集，其中，所述训练图像集包括通过摄像头采集到的定向光源照射物体所形成的包括物体和物体影子的多张图像，所述参考图像集包括通过摄像头采集到的定向光源照射物体所形成的包括物体和物体影子的多张合格图像和通过摄像头采集到的定向光源照射物体所形成的包括物体和物体影子的多张不合格图像；

步骤2：将所述训练图像集通过第一卷积神经网络，以获得第一特征图；

步骤3：将所述参考图像集通过第二卷积神经网络，以获得第二特征图，所述第二卷积神经网络与所述第一卷积神经网络具有相同的网络结构；

步骤4：计算所述第一特征图与所述第二特征图之间的余弦距离损失函数值；

步骤5：将所述第一特征图通过分类器以获得分类损失函数值；

步骤6：计算所述分类损失函数值和所述余弦距离损失函数值之间的加权和，以获得损失函数值；以及

步骤7：以预设步长减小所述损失函数值，并通过梯度下降的反向传播更新所述第一卷积神经网络的参数。

2.根据权利要求1所述的用于智能光影弯折检测的神经网络的训练方法，其中，所述物体具有延长形状。

3.根据权利要求1所述的用于智能光影弯折检测的神经网络的训练方法，其中，步骤5：将所述第一特征图通过分类器以获得分类损失函数值，包括：

将所述第一特征图通过一个或多个全连接层，以获得分类特征向量；

将所述分类特征向量输入Softmax分类函数，以获得分类结果；以及

将所述分类结果和真实值输入交叉熵损失函数，以获得所述分类损失函数值。

4.根据权利要求3所述的用于智能光影弯折检测的神经网络的训练方法，其中，步骤7：以预设步长减小所述损失函数值，并通过梯度下降的反向传播更新所述第一卷积神经网络的参数，包括：

以预设步长减小所述损失函数值，并通过梯度下降的反向传播更新所述第一卷积神经网络、所述第二卷积神经网络和所述分类器的参数。

5.根据权利要求4所述的用于智能光影弯折检测的神经网络的训练方法，其中，以预设步长减小所述损失函数值，并通过梯度下降的反向传播更新所述第一卷积神经网络、所述第二卷积神经网络和所述分类器的参数，包括：

在每次迭代中，首先固定所述第一卷积神经网络和所述分类器的参数并更新所述第二卷积神经网络的参数，再固定所述第二卷积神经网络参数并更新所述第一卷积神经网络和所述分类器的参数。

6.根据权利要求5所述的用于智能光影弯折检测的神经网络的训练方法，其中，所述第一卷积神经网络和所述第二卷积神经网络为深度残差网络。

7.一种基于深度神经网络的智能光影弯折检测方法，其特征在于，包括：

获取待检测图像集，其中，所述待检测图像集包括通过摄像头采集到的定向光源照射物体所形成的包括物体和物体影子的多张图像；以及

将所述待检测图像集输入根据权利要求1到6任意一项所述的用于智能光影弯折检测的神经网络的训练方法所训练的卷积神经网络和分类器以获得分类结果，所述分类结果表示定向光源发出的光线的方向性是否符合标准。