[发明专利]基于自适应卷积神经网络的筷子图像分类方法

摘要

本发明公开了一种基于自适应卷积神经网络的筷子图像分类方法，解决了对于不同材质、不同类型筷子的自适应精确分类问题，其步骤为：对筷子图像归一化处理；搭建十二层网络模型；训练该网络并计算其准确率，随机选择一个卷积层作为扩展卷积层，对卷积神经网络进行扩展，并在扩展卷积层处分别添加七种网络结构，得到七种神经网络并对其训练及测试，选择测试准确率最高的一个，若选择网络的准确率大于当前网络则继续网络扩展；训练最优的自适应卷积神经网络并测试。本发明构建了一种自适应卷积神经网络，使得卷积神经网络的结构能够随着训练的过程进行调节，增加网络的深度及宽度，并且最终构建的自适应卷积神经网络能够准确地对筷子进行分类。

主权项

1.一种基于自适应卷积神经网络的筷子图像分类方法，其特征在于，包括有如下步骤：(1)处理筷子图像数据集，得到归一化后的训练集和测试集：输入生产流水线中待分类的筷子图像数据集，对输入的带标签筷子图像数据集进行归一化处理，并按比例将其划分为训练集和测试集；(2)构建初始自适应卷积神经网络：搭建一个十二层的初始自适应卷积神经网络模型，该网络的输入为经过归一化处理后的筷子图像数据集，该网络的输出为对应筷子图像的分类结果；(3)扩展初始自适应卷积神经网络，得到适应于当前筷子数据集的自适应卷积神经网络：首先训练初始自适应卷积神经网络，并测得该网络在测试集中的准确率；在当前自适应卷积神经网络中随机选择一个卷积层作为扩展卷积层，然后在该扩展卷积层处分别进行七种网络结构的扩展，得到七个扩展后的神经网络；训练七种扩展得到的网络，测得它们的测试准确率，并选择这七个网络中测试准确率最高的一个；判断所选择神经网络的测试准确率是否高于当前自适应卷积神经网络，若是，则将该扩展后的网络作为当前自适应卷积神经网络然后继续进行扩展，直至扩展后网络的准确率不再提高，得到最优的扩展神经网络，即最优的自适应卷积神经网络，否则，当前自适应卷积神经网络即为最优的自适应卷积神经网络；(4)训练并输出最优的自适应卷积神经网络，并利用训练好的网络对筷子进行分类：利用归一化处理后的训练集训练最优的自适应卷积神经网络，输出训练好的自适应卷积神经网络，并将归一化处理后的测试集输入到训练好的自适应卷积神经网络中，输出筷子的分类结果。