[发明专利]一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法

摘要

本发明公开了一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法，步骤S1：将标签图片进行block分割处理；步骤S2：使用block块标签图片数据集对多重输入孪生卷积神经网络进行训练，得到训练好的多重输入孪生残差网络模型；步骤S3:使用经过训练的模型对缺陷标签进行识别和分类。采用本发明的技术方案，将block块标签数据集进行训练，确定缺陷所属的类别，再结合adaboost算法进行正确的分类，从而大大降低了缺陷标签识别的计算量和复杂度，同时也有效提高了缺陷标签识别分类的准确性。

主权项

1.一种基于block分割和多重输入孪生卷积神经网络的缺陷标签识别方法，其特征在于，包括以下步骤：步骤S1：将标签图片进行block分割处理；步骤S2：使用block块标签图片数据集对多重输入孪生卷积神经网络进行训练，得到多重输入孪生残差网络模型；步骤S3：使用经过训练的多重输入孪生残差网络模型对缺陷标签进行识别和分类；其中，所述S1进一步包括：步骤S11：获取标签图片数据库，并对标签图片进行block切割处理；步骤S12：将切割后的标签图片block块存储于block块标签图片数据库中；所述步骤S11进一步包括：步骤S111：标签图片数据库中的标签宽度为w，高度为h；步骤S112：用宽度和高度均为n的block块来对标签图片进行block切割；步骤S113：每张标签图片被划分为w/n*h/n个block块；所述步骤S2进一步包括：步骤S21:从block块标签图片数据库中获取block块标签图片数据集；步骤S22：使用block块标签图片数据集训练多重输入孪生残差网络模型；所述步骤S22进一步包括：步骤S221：初始化训练集的权值分布，每一个训练样本最开始时都被赋予相同的权重：1/N，可表示如下：上式中D1表示第一轮迭代的具有指定权值的数据集，W下标中，第一个数字表明了是第几轮迭代，第二个数字为样本的索引，样本的数量为N；步骤S222：假设我们要进行M轮迭代，也就是选出M个最优弱分类器，接下来开始迭代，其中m表示的是迭代的次数；for(int m＝1；m＜＝M；m++)；步骤S223：使用具有权值分布D_m的训练数据集学习，得到一个最优弱分类器：G_m(x)：χ→,{‑1，+1}其中G_m(x)表示的是在第m轮对具有权值分布D_m的训练集学习得到的分类器，分类的结果为χ→,{‑1，+1}；步骤S224：选取一个当前误差率最低的弱分类器G作为第m个基本分类器Gm,并计算弱分类器:G_m(x)：χ→,{‑1，+1},计算Gm(x)在训练数据集上的分类误差率：其中e_m表示误差率，x_i表示的是输入样本，y_i表示的是分类结果，w_mi表示的是在第m轮迭代中第i个样本的权重；步骤S225：计算表示Gm(x)在最终分类器中的权重：步骤S226：更新训练数据集的权值分布进行第m+1轮迭代：D_m+1＝(w_m+1，1,w_m+1,2...w_m+1,i...,w_m+1,N)，其中D_m+1表示第m+1次迭代中的数据集，W_m+1表示的是第m+1次迭代中数据集的权重，Z_m表示的是归一化常数，表示的是Gm(x)在最终分类器中的权重，Gm是第m轮迭代中当前误差率最低的弱分类器；权值更新后，便使得被基本分类器Gm(x)误分类样本的权值增大，而被正确分类样本的权值减小；步骤S227：经过上边M轮迭代后，便可以组合强分类器，作为训练好的模最终型：sign函数是符号函数，大于0返回1，小于0返回‑1，等于0返回0；Gm(x)是在第m轮迭代中得到的分类器，是当前分类器在最终的分类器中所占的权重。