[发明专利]一种基于深度学习的素描作品智能分档以及量化评分方法

权利要求书

1.一种基于深度学习的素描作品智能分档以及量化评分方法，其特征在于，包括如下步骤：

S01、数据处理和标注：采集美术考试作品的扫描图片，并请专业美术阅卷老师进行标注，标注项目包括分档、总分、小项分；

S02、深度学习模型构建：构建的模型为有监督模型，输入为美术考试作品的扫描图片，监督输出为预测的分档、总分、小项分；扫描图片输入后首先经过预训练好的模型进行特征提取，然后进行特征融合层，最后进行模型分类层和回归层，分别输出分档和总分、小项分。

2.根据权利要求1所述的一种基于深度学习的素描作品智能分档以及量化评分方法，其特征在于，所述预训练好的模型采用VGG19模型或VGG16模型、ResNet50模型。

3.根据权利要求2所述的一种基于深度学习的素描作品智能分档以及量化评分方法，其特征在于，所述VGG19模型使用Keras软件将训练好的模型，将采集到的每张素描照片先输入至VGG19预训练模型，输出为三维的矩阵，即通过VGG19训练模型得到的特征值，后面再将VGG19预训练得到的特征拼接上原图经过卷积层得到的特征，形成特征融合层，再输入分类层和回归层，完成模型构建。

4.根据权利要求1所述的一种基于深度学习的素描作品智能分档以及量化评分方法，其特征在于，所述分类层用于素描作品的分档，其为输出神经元为4的全连接层，采用激活函数为softmax。

5.根据权利要求1所述的一种基于深度学习的素描作品智能分档以及量化评分方法，其特征在于，所述回归层用于素描作品分数的拟合，其为输出神经元为1的全连接层，记过函数为一个Clip修剪函数，将不在分数区间的值移动到区间的两端。

6.根据权利要求1所述的一种基于深度学习的素描作品智能分档以及量化评分方法，其特征在于，所述有监督模型的训练过程采用BP算法，即误差反向传播算法，分类层的目标函数或称损失函数为交叉熵损失函数，所述回归层的目标函数或称损失函数为均方误差；在训练过程中，正向传播时，输入样本从输入层进入网络，经隐层逐层传递至输出层，计算出损失函数值，转至误差反向传播，反向传播时，沿损失函数值减小的方向反传计算，通过隐层反向，直至输入层，在反传过程中将误差分摊给各层的各个单元，获得各层个单元的误差，并将其作为修正各单元权值的根据，通过不停地调整各个神经元的权值后，使损失函数值减少到最低限度。