[发明专利]用于智能光影弯折检测的神经网络的训练方法

说明书

本申请涉及智慧城市领域下的智慧照明检测，其具体地公开了一种用于智能光影弯折检测的神经网络的训练方法。在训练过程中，为了充分地利用图像中的光影形状信息，训练图像和真实图像都同时包含合格图像和不合格图像两者，而由于合格图像和不合格图像本身在高维图像空间中具有较大的欧式距离，因此使用余弦距离来表示特征图之间的相似性，余弦距离表示方向上的相对差异，而非距离上的绝对差异。这样，即使合格图像与不合格图像本身的特征分布在特征空间中存在很大的欧式距离，也可以通过最小化余弦距离来使得提取出的特征向着两个特征分布的共同分布方向收敛。

技术领域

本申请涉及智慧城市领域下的智慧照明检测，且更为具体地，涉及一种 用于智能光影弯折检测的神经网络的训练方法、基于深度神经网络的智能光 影弯折检测方法、系统和电子设备。

背景技术

目前在城市的照明系统中，越来越多地采用定向光源，这些定向光源可 以以预定方向投影光线，从而避免特定角落形成光的盲点。为了检测这些定 向光源投射出的光线的方向性，目前都是对光源本身进行检测，但是这无法 利用目前智慧城市部署的现有硬件，造成了资源的浪费，且检测本身过程较 为繁琐。

因此，期待一种能够对电机的工作状态进行智能且准确的监控的技术方 案。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处 理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体 检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为电机工作状态的监控提供了新 的解决思路和方案。

近年来，深度学习以及神经网络的发展为定向光源投射出的光线的方向 性检测提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用 于智能光影弯折检测的神经网络的训练方法、基于深度神经网络的智能光影 弯折检测方法、系统和电子设备，其中，在训练过程中，为了充分地利用图 像中的光影形状信息，训练图像和真实图像都同时包含合格图像和不合格图 像两者，而由于合格图像和不合格图像本身在高维图像空间中具有较大的欧 式距离，因此使用余弦距离来表示特征图之间的相似性，余弦距离表示方向 上的相对差异，而非距离上的绝对差异。这样，即使合格图像与不合格图像 本身的特征分布在特征空间中存在很大的欧式距离，也可以通过最小化余弦 距离来使得提取出的特征向着两个特征分布的共同分布方向收敛。

根据本申请的一个方面，提供了一种用于智能光影弯折检测的神经网络 的训练方法，其包括：

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。

在上述用于智能光影弯折检测的神经网络的训练方法中，所述物体具有 延长形状。