[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

权利要求书

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：

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(Ground Truth)，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(Fully Convolutional Network)的网络模型，进行训练；

S30：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

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：

S11：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；

S12：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；

S13：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)；

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：

S21：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；

S22：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；

S23:线性修正单元中利用PReLu函数；

S24：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；

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：

S31：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^-10；

S32：定义网络的训练学习是最小化其整体代价函数，并设定有一组数量为m的训练样本集{(x^(l),y^(l)),…,(x^(m),y^(m))}，网络整体代价函数表示为式(3)：

其中，h_W,b(x)是神经网络模型，W_ji^(l)是第l层第j单元与第l+1层第i单元之间的连接权重，b是隐藏层神经元的偏置项；λ是一个减小权重幅度的规则化项；W代表函数J(W,b)中的形式参数，即为式(3)右边W_ji^(l)的简称；x^(l)代表数组样本中第l个数据；y^(l)代表数组样本中第l个数据对应的标签；x^(m)代表数组样本中第m个数据；y^(m)代表数组样本中第m个数据对应的标签；x⁽ⁱ⁾代表数组样本中第i个数据；y⁽ⁱ⁾代表数组样本中第i个数据对应的标签；n_l-1代表第n_l-1层，一般网络共n₁层，则n_l-1层为倒数第二层；s_l代表第l层神经元的个数，s_l+1代表第l+1层神经元的个数；求解式(3)最小值采用注明的随机梯度下降最优化算法，而计算J(W,b)对W和b的偏导数时，使用反向传导算法；

S33：批量梯度下降法中的每一次迭代都按照式(10)和式(11)对参数W和b进行更新：

其中，α是学习速率；b_i^(l)表示第l+1层第i神经单元的偏置；

S34：在训练学习的过程中通过观察式(3)中的网络整体代价函数值，如果在验证集上的式(3)中的网络整体代价函数值停止增加时，将学习速率α减小为原来值的十分之一，继续训练，直到网络收敛。