[发明专利]一种用于工业检测的图像分类方法、装置及计算机设备

说明书

本申请涉及深度学习技术领域，具体而言，涉及一种用于工业检测的图像分类方法、装置及计算机设备，一定程度上可以解决由于图像差异性小，对图像进行更精细的子类划分时存在分类检测准确度低的问题。所述用于工业检测的图像分类方法包括：获取第一训练图像的特征向量，并将所述特征向量输入至具有多个类别向量的权重矩阵，类别向量根据图像分类需求设定；扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，所述初始向量夹角为所述特征向量与各所述类别向量之间的角度；其中，所述余弦值用于确定相似度，所述角度空间是基于所述权重矩阵转化得到的分类空间；根据所述相似度所在的对应阈值区间，确定所述第一训练图像对应的第一类别。

技术领域

本申请涉及深度学习技术领域，具体而言，涉及一种用于工业检测的图像分类方法、装置及计算机设备。

背景技术

基于深度学习的图像分类技术已经成为人工智能领域的研究热点。深度学习模型能够自动学习图像特征，应用于传统的多类别图像分类任务中，分类检测效果较好。

但是对于图像特征相似度较高的细粒度分类检测应用，基于深度学习的图像分类模型存在对图像分类不准确的问题，不能较好的满足检测需求。细粒度分类检测是在区分出基本类别的基础上，进行的更精细的子类划分。由于图像之间具有更加相似的外观和特征，同时在采集中存在姿态、视角、光照、遮挡、背景干扰等影响，而使图像呈现出类间差异性大、类内差异性小的特点。

虽然目前基于深度学习技术的算法要远远优于传统方法，但是在图像差异性小时，基于深度学习的图像分类模型对图像进行再分类还是相对困难，存在分类检测准确度低的问题。

发明内容

为了解决由于图像差异性小，对图像进行更精细的子类划分时存在分类检测准确度低的问题，本申请提供了一种用于工业检测的图像分类方法、装置及计算机设备。

本申请的实施例是这样实现的：

本申请实施例提供一种用于工业检测的图像分类方法，所述方法包括：

获取第一训练图像的特征向量，并将所述特征向量输入至具有多个类别向量的权重矩阵，所述类别向量根据图像分类需求设定；

扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，所述初始向量夹角为所述特征向量与各所述类别向量之间的角度；其中，所述余弦值用于确定相似度，所述角度空间是基于所述权重矩阵转化得到的分类空间；

根据所述相似度所在的对应阈值区间，确定所述第一训练图像对应的第一类别。

在一些实施例中，所述扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，进一步包括：

设定分离角度间隔；

求取分离角度间隔与所述初始向量夹角之和、或求取分离角度间隔与所述初始向量夹角之积，得到目标向量夹角；

计算所述目标向量夹角的余弦值。

在一些实施例中，计算所述初始向量夹角，进一步包括：

计算所述权重矩阵中的每一个所述类别向量与所述特征向量的点积；

基于所述点积，计算所述特征向量与每一个所述类别向量之间的所述初始向量夹角，所述初始向量夹角是大小为n的一维向量，所述n表示类别向量的类别数。

在一些实施例中，所述确定所述相似度，进一步包括：

通过交叉熵损失函数计算所述相似度，所述相似度用于表征所述余弦值与所述类别向量之间的相似程度。

在一些实施例中，所述角度空间是基于所述权重矩阵转化得到的分类空间，进一步包括：

计算特征向量模和所述权重矩阵的行参数模；