[发明专利]基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法

说明书

本发明提供一种基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法，涉及机器视觉与谷物质量检测领域，该方法包括：采集源领域以及目标领域下的谷物样本图像，其中包括合格谷物的样本图像与带有缺陷的谷物的样本图像，选择深度卷积神经网络CNN模型识别缺陷，利用源领域训练好的模型参数初始化CNN模型，并引入迁移学习算法利用源领域样本辅助目标领域样本完成目标领域谷物的质量检测。在CNN模型的训练中提出自适应学习率，并引入二次函数与正态分布模型分别采取梯度下降与梯度上升的方式更新模型参数，优化模型损失。该方法能够提高CNN模型的训练性能，自适应领域的变化，极大程度的提高谷物质量检测的准确性。

技术领域

本发明涉及机器视觉与谷物质量检测领域，尤其是一种基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法。

背景技术

计算机视觉技术提供一种实时、高效、无损伤的检测方法，通常与智能算法结合获取被测对象的代表特征。卷积神经网络(即CNN)是一种深层识别模型，提供“端对端”的学习方式，输入的原始图像通过特征层被映射为特征表示集，再通过末端的分类层实现多分类。因此，基于计算机视觉技术的CNN质量检测方法是一种不依赖于先验知识的全自动智能检测方法。

在实际应用中CNN仍然存在许多问题。一方面，虽然CNN的多层结构解决了手动提取特征的难题，但同时也扩大了对训练样本的需求量，提高了训练时间以及对设备计算能力的要求；另一方面，由于光照、背景等环境因素的改变，训练好的CNN模型将会失效，需采集新环境下的样本重新训练模型。但在新环境下采集大量带标签的样本是费时且昂贵的，且再次训练一个新的模型也是不现实的。

发明内容

本发明人针对上述问题及技术需求，提出了一种基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法，该方法在传统CNN的基础上引入自适应学习率与迁移学习算法。自适应学习率可以提高CNN模型训练过程中的收敛速度与识别精度，而迁移学习可以使在源领域上训练好的CNN模型在目标领域上表现良好，使得CNN自适应领域的变化，提高CNN的泛化能力，最终实现更加精确的谷物质量检测。本发明采用的技术方案是：

一种基于迁移学习与自适应深度卷积神经网络的谷物质量检测方法，该方法包括：

获取M个源领域样本与N个目标领域样本，其中均包括合格样本与缺陷样本；所述源领域样本与所述目标领域样本按照相同的比例各分为训练集与测试集，M和N都为正整数，且MN；

采用深度卷积神经网络CNN模型识别样本，并用所述源领域样本训练好的参数初始化所述CNN模型；所述源领域训练集与所述目标领域训练集作为所述CNN模型的输入，并在所述CNN模型的结构中引入迁移学习算法，自适应调节两个领域的分布，计算两个领域的分布差异，即域分布差异与类别分布差异；

在反向传播过程中，根据所述CNN模型的损失变化与权值变化分别提出自适应学习率α₁与α₂，引入二次函数模型得到所述自适应学习率α₁，并采用梯度下降法寻优，将正态分布模型引入所述域分布差异，并结合所述自适应学习率α₂采用梯度上升法寻优；

通过所述反向传播迭代更新模型参数，进而优化所述分布差异与分类损失；当迭代次数达最优时，保存所述模型参数，并输入所述目标领域测试集，得到所述目标领域中谷物质量检测的精度。

进一步地，所述通过所述反向传播迭代更新模型参数，进而优化所述分布差异与所述分类损失，包括：

所述CNN模型的损失包含所述分类损失、所述域分布差异与所述类别分布差异，并用μ与分别表示所述域分布差异与所述类别分布差异对所述CNN模型的重要程度；