[发明专利]一种基于深度学习的珍珠分类方法

说明书

一种基于深度学习的珍珠分类方法，包括以下步骤：1)获取珍珠图像作为样本数据；2)对样本数据进行预处理；3)划分样本数据为训练数据和测试数据；4)使用训练数据训练深度卷积网络；5)利用训练好的深度卷积网络提取训练数据和测试数据的特征；6)利用步骤5)提取的训练数据的特征构建SVM分类器，并利用该SVM分类器对测试数据进行分类。本发明利用珍珠的多幅视图进行深度学习，充分发挥深度学习的自我学习优势，自动学习良好特征，免去了繁琐的手动提取特征和设计特征的过程，并结合SVM对珍珠进行分类，能够有效地判断珍珠有无螺纹。

技术领域

本发明涉及图像处理和模式识别技术领域，具体涉及一种基于深度学习的珍珠分类方法。

背景技术

中国是淡水珍珠的生产大国，其产量占世界产量的95％，其中浙江省诸暨市是我国淡水珍珠养殖、加工和销售的最大基地，总产量占全国总产量一半以上，被誉为“中国珍珠之乡”。诸暨淡水珠养殖面积已达38万亩，拥有珍珠加工企业1500多家。

大部分珍珠企业在采集大量珍珠后，为了将珍珠分成不同的档次，需要人工对珍珠进行分类，用人量非常大，而且对分类人员的专业素养有较高的要求。由于人工分类会受多种因素的影响，尤其在珍珠体积小、数量多的情况下，分类的结果不稳定，受个人的主观影响比较大。因此，利用机器对珍珠进行快速准确地分类成了很多珍珠企业的迫切需要。

中国发明申请号201210411979.2公开了一种基于单目多视角机器视觉的珍珠颜色光泽度在线自动分级装置，包括用于对珍珠进行自动检测和分类的流水线，用于拍摄被检珍珠图像的单目多视角机器视觉装置，用于对被检珍珠图像进行图像处理、检测、识别、分类以及协调控制流水线上各动作机构的协调动作的微处理器，流水线包括上料动作机构、送检动作机构、下料动作机构、分级动作机构和分级执行机构。该发明对被检测珍珠进行颜色和色泽的检测，但是没有对珍珠进行螺纹的检测，在实际人工分类的场合，珍珠的有无螺纹是人工分类的一个很重要的评判标准。

早期的图像分类任务的解决方法主要含有两个步骤，一个是手动设计特征，利用SVM等分类器对这些设计的特征进行分类，另一个是构建浅层学习系统。

支持向量机(Support Vector Machine，SVM)是Vapnik等人于1995年首先提出的一种机器学习算法。SVM是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，能根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以求获得最好的分类识别能力。

由于不同的珍珠，其螺纹的数量、位置各不相同，并且在珍珠图像采集时，珍珠螺纹的清晰程度受到其颜色和色泽的影响，因此人工手动设计特征并不容易，且设计的特征并不一定适用于当前的分类任务。

发明内容

为了克服已有基于机器视觉的珍珠分类系统难以对珍珠的螺纹进行高精度的检测和分类，手工设计特征提取珍珠的螺纹特征并不容易等问题，本发明提供一种基于深度学习的珍珠分类方法，通过深度卷积网络训练大量珍珠图像数据，学习珍珠的螺纹特征，并结合SVM对珍珠进行分类，具有较高的识别率，实用性良好、分类效果较好。

本发明实现上述发明目的所采用的技术方案为：

一种基于深度学习的珍珠分类方法包括以下步骤：

1)采集珍珠图像作为样本数据，每颗珍珠包含设定数量幅图像；

2)将所采集的珍珠图像调整成所设定的大小，并对其进行图像预处理，去除图像的噪声；

3)划分样本数据为训练数据和测试数据；

4)设置深度卷积网络的各个网络层的初始参数，将步骤3)所划分的训练数据输入所述深度卷积网络，对网络进行训练；

5)利用训练好的深度卷积网络提取训练数据和测试数据的特征；