[发明专利]基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法

权利要求书

1.一种基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，包括如下步骤：

步骤1、先对陶瓷文物碎片进行数据采集、预处理和数据增强，然后根据陶瓷文物碎片的外观特征分类并标注标签，构建陶瓷文物碎片数据集；

步骤2、先利用鸡群优化算法CSO在帝王蝶优化算法的迁移阶段进行改进，再将基于spearman相关系数的反向学习策略引入帝王蝶优化算法，然后使用自适应特征的F分布随机变异代替帝王蝶优化算法中的莱维飞行，得到用于卷积神经网络结构优化的改进帝王蝶优化算法IMBO；

步骤3、构建基于IMBO的空间变换卷积神经网络IMBO-STNsCNN分类模型；

步骤4、将信息熵的概念引入帝王蝶优化算法中以表示种群中个体的聚合状态，建立基于信息熵和多变异策略的混合帝王蝶优化算法EHMBO，实现了其全局探索能力和局部开发能力的自适应平衡，使种群个体更快开发全局最优区域，寻得最优解；

步骤5、初始化EHMBO算法的参数；

步骤6、使用EHMBO优化IMBO-STNsCNN分类模型超参数，得到最终分类模型，然后训练最终分类模型，得到IMBO-STNsCNN陶瓷文物碎片分类模型。

2.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤1的预处理包括对陶瓷文物碎片的图像进行裁剪与归一化处理。

3.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤1的数据增强包括使用Python数据增强库Imgaug对陶瓷文物碎片图像进行仿射变换、翻转、高斯模糊、直方图均衡化、对比度限制自适应直方图均衡、锐化和填充。

4.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤2的卷积神经网络结构优化的过程包括如下步骤：

步骤2.1、种群初始化，将CNN模型编码为种群中个体；

步骤2.2、适应度评估，将个体代表网络结构编译成一个完整的CNN网络，将最后模型的损失函数值作为个体的适应度值；

步骤2.3、根据IMBO算法流程进行CNN网络结构的搜索。

5.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤3中IMBO-STNsCNN包括空间变换模块STNs、VGG16特征提取模块和IMBO优化的CNN模块组成，空间变换模块STNs包括本地化网络、网格生成器和采样器。

6.根据权利要求5所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述空间变换模块STNs对图像或特征图进行空间转换的过程包括如下步骤：

步骤3.1、使用本地化网络获取输入特征图，并通过隐藏层输出应用于特征图的空间转换参数，通过参数确定以输入为条件的转换方式；

步骤3.2、网格生成器利用本地化网络得到的参数对模型的输入数据进行变换，即为对图像数据进行仿射变换，表示为：

式中，为输入数据的像素坐标，为输出数据的像素坐标，θ₁₁、θ₁₂、θ₁₃、θ₂₁、θ₂₂和θ₂₃为仿射变换的6个参数，用来表示对数据的缩放、旋转、线性畸变和平移动；

经过此过程得到变换后的输出特征图每个位置的坐标在输入特征图上的对应坐标点，采样器直接提取出输入特征图的每个位置的像素值；

步骤3.3、将特征图和采样网格作为采样器的输入，生成从输入网格点采样的输出的映射。