[发明专利]一种物体外观检测的方法及深度神经网络模型

权利要求书

1.一种物体外观检测的方法，其特征在于，具体步骤如下：

搭建卷积神经网络加全链接层作为基础的深度神经网络模型，并录入相关物体图片；

深度神经网络模型通过对物体图片进行循环训练学习，得到物体外观分类与图片特征之间的相互关系，从而具有对外观的辨别能力；

根据上述大量的循环训练学习，深度神经网络模型逐渐收敛得出每个特征值的最优权重；

检测时将需要检测的物体外观图片传给模型，模型根据训练得到的一组特征值对相应图像进行卷积操作，再根据特征值的激活情况和对应权重最终得出其分类的概率，最后根据设定的概率区间值得出分类结果。

2.如权利要求1所述的物体外观检测的方法，其特征在于：所述方法检测后还包括自动迭代，将检测判断错误的图片自动加入训练集并在目前最佳权重的模型基础上进行自动训练，并对比训练后的模型的准确率是否超过目前最佳权重下的的准确率，如果超过将自动导入最新的模型，持续对模型进行迭代。

3.如权利要求1所述的物体外观检测的方法，其特征在于：在执行训练学习前要先进行图片处理，首先根据人工区分并放置在不同文件夹的图片，自动进行分类标注，并把所有图片转换成统一大小和格式，再把转换后的图片的每个像素点信息写到1个指定的文件并记录其对应的标注信息。

4.如权利要求1所述的物体外观检测的方法，其特征在于：所述训练学习为按批次的循环进行，在每次循环训练学习后都会根据误差值求导出每个特征值的新的权重并更新，使得在训练中误差值会逐渐缩小，深度神经网络模型会自动判断训练时模型所处的状态，并自动执行对应操作。

5.如权利要求4所述的物体外观检测的方法，其特征在于：所述训练时模型所处的状态是根据训练学习结果的准确率，或训练学习结果与验证图片集验证得到验证结果的准确率判断得到。

6.如权利要求5所述的物体外观检测的方法，其特征在于：所述状态包括不收敛状态、欠拟合状态和过拟合状态，当状态为不收敛状态和过拟合状态时训练学习终止，当为欠拟合状态时训练学习继续；

所述不收敛状态是指训练学习结果的准确率在一定循环后仍低于设定值；

所述过拟合状态是指验证结果的准确率持续降低；

所述欠拟合状态是指验证结果的准确率持续升高。

7.如权利要求1所述的物体外观检测的方法，其特征在于：深度神经网络模型在所有批次训练后更新的权重，并将每个批次的权重恢复到模型并用测试数据进行评估，记录该批次的权重对应的准确率，把所有批次权重测试完毕后，深度神经网络模型会自动推荐排名前列的权重。

8.如权利要求1所述的物体外观检测的方法，其特征在于：分类结果根据深度神经网络模型给出的每个面的分类概率，得出每个面的判定结果，再根据所有面的判断结果得到分类结果。

9.一种深度神经网络模型，其特征在于：包括

以卷积神经网络模型为基础加入恒等映射和分模块升维的概念

训练模块，用于读取相关物体图片，并根据设定进行批次的循环训练学习；

评估模块，用于存储所有训练后更新的权重，并将每个权重恢复到模型并用测试数据进行评估，记录该批次的权重对应的准确率，然后给模型推荐排名前列的权重集；

预测模块，用于获取物品的外观图片，并利用全连接的深层神经网络计算出每张图片的分类概率，再根据分类概率得出判断结果；

深度神经网络模型还包括了图片预处理模块，用于读取相关物体图片，自动进行分类标记，并处理为符合设定的信息。

10.如权利要求9所述的深度神经网络模型，其特征在于：所述神经网络模型还包括迭代模块，用于将出现判断错误的图片加入到训练模块，并在目前最佳权重的模型基础上进行自动训练，并对比训练后的模型的准确率是否超过目前最优权重的准确率，如果超过将自动导入最新的模型，持续对模型进行迭代。