[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

说明书

本发明公开了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，包括步骤：1、对陶瓷文物碎片进行数据采集、预处理和数据增强，根据外观特征分类并标注标签，构建陶瓷文物碎片数据集；2、对帝王蝶优化算法进行改进，得到用于卷积神经网络结构优化的IMBO；3、构建基于IMBO的IMBO‑STNsCNN；4、将信息熵的概念引入帝王蝶优化算法中，建立基于信息熵和多变异策略的混合帝王蝶优化算法EHMBO，使种群个体更快开发全局最优区域，寻得最优解；5、初始化EHMBO算法的参数；6、用EHMBO优化IMBO‑STNsCNN分类模型超参数，得到最终分类模型并训练，得到IMBO‑STNsCNN陶瓷文物碎片分类模型，提高了陶瓷碎片的分类效率，进而提高了陶瓷文物修补的效率。

技术领域

本发明属于图像处理技术领域，具体是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。

背景技术

中国传统陶瓷文化有着深厚的文化底蕴与内涵，然而陶瓷文物由于时间久远，受到自然因素和人为因素的影响，发掘出土的很大部分都已经破碎不易辨识，对文物的研究带来诸多不变。为了还原陶瓷的原始面貌，需要对出土的陶瓷碎片进行分类及拼接，其中分类阶段确定碎片之间的隶属关系，可以有效解决虚拟拼接算法复杂度高、结果不准确的问题，并且有效避免人工识别对碎片造成的二次损坏。随着计算机技术与人工智能的发展，通过计算机辅助文物碎片自动分类，可以有效提高分类效率。近年来，已有不少学者将人工智能方法应用到陶瓷碎片的分类上，一般来说，陶瓷碎片的分类方法包括两种：一是根据陶瓷的化学材料成分进行分类；二是使用计算机技术进行辅助分类，其中又包括传统的机器学习方法和深度学习方法。传统机器学习方法主要通过人工特征提取器提取陶瓷碎片的特征，比如使用gabor滤波器、HOG方向梯度直方图、颜色直方图等方法来提取陶瓷碎片的颜色纹理特征，之后使用机器学习方法，如SVM、KNN、K-means等方法进行分类；深度学习方法针对图像数据，一般使用卷积神经网络对数据进行自动特征提取和构建自动分类器。

由于陶瓷碎片存在易损坏、特征复杂且多样等特点，使用化学材料成分分析的方法需要专业的仪器且可能对碎片造成难以修复的损伤，而传统的机器学习方法不足以支持陶瓷碎片的高精度分类，因而越来越多的学者使用基于深度学习的方法来进行陶瓷碎片的分类。目前，基于深度学习的陶瓷分类技术仍有不足，现存在以下需要解决的问题：1、目前尚未存在公开的陶瓷碎片数据库，有部分学者使用一些来自博物馆的陶瓷数据，也有部分学者使用相关书籍的碎片扫描数据或图像数据。2、使用基础深度学习模型进行陶瓷碎片的分类准确度不够高，需要进一步提升模型的特征提取与分类能力。3、目前被广泛使用的成功深度神经网络，是设计者充分考虑领域知识后，从头开始手工设计的，这需要大量的先验知识，这种方法对时间和计算资源的消耗较大，同时，对于一个性能优秀的模型，需要人工调节模型的参数，超参数调节拥有极大的不确定性，耗费时间过长，导致方法效率过低。

发明内容

针对现有技术存在的不足，本发明的目的是提供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，提高了陶瓷碎片的分类效率，进而提高了陶瓷文物修补的效率。

为了实现上述目的，本发明采用以下技术方案予以实现：

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，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；