[发明专利]改进的全卷积神经网络的陶瓷材质件序列图像分割方法

摘要

本发明提出了一种改进的全卷积神经网络的陶瓷材质件序列图像分割方法，包括步骤：S10：对采集的原始图像进行手工标注，将目标和背景用不同的类别区分，得到训练标签，采用索引模式来表示训练样本的标签图；S20：构建改进的基于全卷积神经网络的网络模型，进行训练；S30：依据梯度下降算法计算损失函数和反向传播计算损失函数，对网络进行训练学习，学习速率在验证准确率停止增加时减小为原来的十分之一。全卷积神经网络是基于卷积神经网络的改进结构，在保持CNN良好的分类性能的基础上，更好的保持了像素矩阵之间的空间位置关系，更有利于全局的特征提取，能全面学习物体的视觉特征，抗干扰性好，可自动将目标物体从背景中分割开，实现智能分割。

主权项

1.一种改进的全卷积神经网络的陶瓷材质件序列图像分割方法，包括如下步骤：/nS10：对采集的原始图像进行手工标注，将目标和背景用不同的类别区分，得到训练标签(Ground Truth)，采用索引模式来表示训练样本的标签图；/nS20：构建改进的基于全卷积神经网络(Fully Convolutional Network)的网络模型，进行训练；/nS30：依据梯度下降算法(Stochastic gradient descent)计算损失函数(LossFunction)和反向传播计算损失函数(Loss Function)，对网络进行训练学习，其中/n步骤S10中，所述的对采集的原始图像进行手工标注的过程包括如下步骤：/nS11：对采集的原始图像(RGB彩色图像)进行手工标注，将目标物体和背景分离，并分别用不同的颜色表示；/nS12：转为索引模式，只保留两种颜色，使得对应的每个像素点都有明确的类别；/nS13：原始图片存储为JPG格式，标签图存储为PNG格式图片，颜色模式只保留两种，并定义为标签图(Ground Truth)；/n步骤S20中，所述的构建改进的基于全卷积神经网络的网络模型，进行训练，具体包括如下过程：/nS21：输入层设计为直接接收JPG、PNG三维图像输入的ImageData类型的数据层；/nS22：利用反卷积层，将通过池化层降低的维度通过线性插值法恢复到原来的维度；/nS23:线性修正单元中利用PReLu函数；/nS24：输出层改进为二分类，把上一层反卷积层的结果通过softmax函数进行分类；/n步骤S30中，所述的依据梯度下降算法计算损失函数和反向传播计算损失函数，对网络进行训练学习，网络的每一层的权重由均值为0和方差为0.01的高斯分布来初始化，具体步骤为如下：/nS31：将使用的超参数：批量大小(batchsize)、动量(moment)、权重衰减系数λ、初始学习率α分别设置为：4、0.9、0.005、1×10