[发明专利]用于确定图像中的子图块类别的卷积神经网络的建模方法

摘要

本发明采用神经网络对舌象图片进行预处理，具有好的自适应与鲁棒性；舌象图片被分割成150*150*3像素子图块，只标注各子图块是否包含舌头区域。本发明的神经网络结构简单，仅包含卷积核个数为10、10、1的3个卷积层、2个池化层、2个全连接层(包含300，100个神经元)、输出层；本发明可应用于包括智能手机的各种智能终端，摆脱了硬件计算能力的限制，使舌象定位的适用范围获得了极大的扩展。个人用户可以用个人的智能手机、IPAD、平板等便携智能终端完成舌象的定位处理，不再需要把舌象照片上传到处理中心，使得分布式舌象采集/处理/分析系统的设计更加灵活，资源利用率也得到显著提升。

主权项

1.用于确定图像中的子图块的类别的卷积神经网络模型的建模方法，其特征在于包括：构建卷积神经网络的步骤，和训练卷积神经网络模型的步骤，其中：所述卷积神经网络包括：输入层，输入层为对图像进行分割得到的尺寸大小为150*150*3的子图块，第一、第二和第三卷积层，分别含有10、10、1个卷积核，所有卷积核的大小均为5*5，第一池化层和第二池化层，分别位于第一卷积层和第二卷积层之后，并且为核大小为2*2的平均池化层，全连接层，全连接层包括两层，分别具有300和100个神经元，输出层，构建卷积神经网络的步骤包括：使卷积层中的神经元与卷积层的小矩形感受域中的像素相连，使三个卷积层中的下一层卷积层中的每个神经元仅与位于上一层卷积层中的小矩形感受域相连接，从而使得卷积神经网络专注于上一个层级的低级特征，然后将这些低级特征组装成下一个层级的高级特征，使池化层中的每个神经元都连接到前一层中有限数量的神经元的输出，连接的前一层神经元在空间结构上位于一个小矩形内，该小矩形是池化层的内核，把每一个2×2大小、跨度为2的内核中的平均值输入到下一层，使第三卷积层经过延展变换与全连接层相连，使全连接层与输出层相连，得到图像对于每个类别的softmax交叉熵，对通过第一至第三卷积层得到的特征，经由全连接层的前向传播，得到子图块归属于每一类别的预测值的大小，并利用softmax回归确定出子图块属于每一类别的概率值，训练卷积神经网络模型的步骤包括：用交叉熵作为损失函数，如公式(1)所示，其中Loss是交叉熵的值，n为输入的样本子图块的数目，p为期望输出概率，即样本子图块归属于每一类的真实值，q为卷积神经网络通过前向传播计算得到的实际输出，即子图块归属于每一类的预测值。利用损失函数确定所述预测值与预先给定的样本子图块归属于每一类的真实值之间的交叉熵，按照公式(2)，利用反向传播算法和随机梯度下降对卷积神经网络的参数进行训练与更新，其中W表示卷积神经网络中的参数值，α为学习率，使得采用卷积神经网络的样本子图块的类别的预测值与真实值之间的误差不断下降，经过多次的循环，得到训练完善的卷积神经网络。