[发明专利]一种基于图像识别的关门声品质测评识别方法

权利要求书

1.一种基于图像识别的关门声品质测评识别方法，其特征在于包括以下步骤：

S1、采集并分析关门时声音样本，通过图像转化工具转化成小波图并分析小波图的图像特征，图像特征的其中一部作为训练集图像特征，另一样部分作为测试集图像特征；

S2、使用机器学习方法，提取训练集的图像特征，并将图像特征合并，将合并的图像特征输入到SVM算法中进行训练，生成浅层机器学习模型；

S3、通过迁移学习方法冻结多种模型的特征提取层，并分别微调多种模型的全连接层，通过训练集的图像特征训练得到新的迁移学习模型；

S4、利用Keras深度学习框架，搭建全新神经网络模型，通过训练集的图像特征优化得到最优的神经网络模型；

S5、利用测试集的图像特征分别用S2-S4中的不同模型的训练集的图像特征进行分类，识别出测试集的图像特征属于有异响或者无异响。

2.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于：步骤S2中提取训的图像特征包括：GLCM和HOG特征；

图像特征合并：将GLCM和HOG特征向量组成一维向量，取两个向量的长度之和就是该输入图片特征提取后的总长度。

3.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于：SVM算法采用高斯核函数。

4.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于：步骤S3中多种模型包括VGG16、VGG19、Inception-v3、ResNet50模型。

5.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于,步骤S3中微调多种模型的全连接层的过程如下：冻结原网络的特征提取层，使卷积层和池化层的权重保持不变，删除原来的全连接层，在特征提取层之后添加全局平均池化层，再增加两个全新的全连接层，最后一层全连接层分类数与数据集的类数相匹配，通过训练集的图像特征重新训练确定最后几层的参数信息，来实现分类目标。

6.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于，步骤S3中新的迁移学习模型训练过程如下：优化器选择Adam来优化网络训练,针对本网络模型设置学习率,最后通过训练集的图像特征训练更新新的全连接层权重，训练时，损失函数选择交叉熵误差,迭代次数为200次，通过不断的调整超参数对比得到的损失和准确率来确定迁移学习模型。

7.根据权利要求1所述的一种基于图像识别的关门声品质测评识别方法，其特征在于，步骤S4中最优的神经网络模型搭建过程如下：通过Keras深度学习框架，来优化网络训练,针对本网络模型设置学习率,最后通过训练集的图像特征训练更新新的全连接层权重，训练时，损失函数选择交叉熵误差,迭代次数为200次，通过不断的调整超参数对比得到的损失和准确率得到神经网络模型。

8.根据权利要求7所述的一种基于图像识别的关门声品质测评识别方法，其特征在于，更新全连接层权重的过程：在全连接层增加Dropout,当使用dropout时，定义了固定的舍去概率p为0.5，对于选定的层，成比例数量的神经元被舍弃。

9.根据权利要求6-7任一所述的一种基于图像识别的关门声品质测评识别方法，其特征在于，模型的准确度计算方法如下：

式中，P指有异响的数据量，N为无异响的数据量，TP指正确预测有异响的数目，TN指正确预测无异响的数目。

10.根据权利要求6-7任一所述的一种基于图像识别的关门声品质测评识别方法，其特征在于，损失函数：如下式所示：

式中，E是损失函数，y_k是神经网络的输出，t_k是正确解标签，t_k中只有正确解标签的索引为1，其他均为0。