[发明专利]一种分类检测网络模型的构建方法

说明书

本发明公开了一种分类检测网络模型的构建方法，包括：获取待分类对象图像的训练样本，建立训练模型数据集，将训练模型数据集输入第一卷积网络模型中进行训练，得到权重文件；将权重文件输入第二卷积网络模型中，得到每层卷积网络对应的特征图和原图像；将每层卷积网络对应的特征图和原图像输入图像质量评价算法得到评价结果；根据评价结果选择第一卷积网络模型中每层网络对应的合适卷积操作步长、增加卷积核的数量，形成新的卷积网络参数；利用新的卷积网络参数更新第一卷积网络模型，得到分类网络模型。满足柔性检测，智能检测的需求，降低检测成本和检测的复杂性。

技术领域

本发明属于分类检测模型技术领域，涉及一种分类检测网络模型的构建方法。

背景技术

随着大数据和计算机硬件的发展，神经网络再度崛起，深度学习，人工智能，大数据，物联网等技术开始飞跃发展，在计算机技术的发展推动下，制造业开始从传统的机械化生产，任务繁重的刚性制造方式，逐渐转化为由机器替代人工劳动路的自动化，智能化和柔性化的智能制造方式。人工智能不仅仅在局限于计算机领域，而已经成为一个具有众多实际应用和活跃研究课题的领域。深度学习是研究计算机怎样模拟实现人类的学习行为，来获取新的知识或者技能，并重新组织已有的知识结构并不断改善自身性能的学科。

深度学习的概念来源于人工神经网络的研究，含有多层隐藏层的多层感知机就是一种深度学习结构。深度学习通过组合底层信息来形成更加抽象的高层信息，来表示属性类别或者特征，来发现数据的分布式特征表示。其动机在于建立，模拟人脑进行分析学习仿人神经网络，模拟人脑的机制来解释数据，例如图像、文本和声音等等。

在传统的机械领域，有关图像自动检测方面的问题，一直采用计算机视觉或者图像处理技术来解决刚性的检测问题，但是随着制造业的转型，检测作为制造的重要环节，也需要往柔性化，智能化的方向发展。然而传统的检测技术，仅仅是针对某一类环境或者某一类检测对象而开发的刚性检测环节。因此为了发展柔性检测技术，将具有自我学习能力的深度学习网络用于检测技术上，有助于检测环节向柔性化，智能化发展。目前深度学习在机械行业飞速发展，为工业机器人提供视觉支持，虽然在图像识别，定位，分类，测量等方面都有了较大的进展。但深度学习和工业技术的融合还没能真正意上的实现柔性检测，也没有针对不同的检测对象能自动调整的分类网络模型。

发明内容

本发明的目的是提供一种分类检测网络模型的构建方法，能得到根据不同检测对象自动调整的分类网络模型。

本发明所采用的技术方案是，一种分类检测网络模型的构建方法，包括以下步骤：

步骤1、获取待分类对象图像的训练样本，建立训练模型数据集，将训练模型数据集输入第一卷积网络模型中进行训练，得到权重文件；

步骤2、将权重文件输入第二卷积网络模型中，得到每层卷积网络对应的特征图和原图像；

步骤3、将每层卷积网络对应的特征图和原图像输入图像质量评价算法得到评价结果；

步骤4、根据评价结果选择第一卷积网络模型中每层网络对应的合适卷积操作步长、增加卷积核的数量，形成新的卷积网络参数；

步骤5、利用新的卷积网络参数更新第一卷积网络模型，得到分类网络模型。

本发明的特点还在于：

步骤1具体包括：

步骤1.1、获取待分类对象图像的训练样本，建立训练模型数据集，训练模型数据集包括训练集、验证集、预测集，并生成训练集标记文件、验证集标记文件、预测集标记文件；

步骤1.2、将训练集的标记文件作为训练数据、验证集的标记文件作为验证数据输入第一卷积网络模型中进行训练，得到权重文件。

第二卷积网络为反卷积网络。