[发明专利]一种基于卷积神经网络的废旧手机型号识别方法

权利要求书

1.一种基于卷积神经网络的废旧手机型号识别方法，其特征在于，包括以下步骤：

(1)选择与手机型号识别模型的输入变量为：第一张待识别手机图像像素矩阵I₁；第二张待识别手机图像像素矩阵I₂；第一张待识别手机图像I₁中红色通道像素矩阵I_R1、第一张待识别手机图像I₁中绿色通道像素矩阵I_G1、第一张待识别手机图像I₁中蓝色通道像素矩阵I_B1，第二张待识别手机图像I₂中红色通道像素矩阵I_R2、第二张待识别手机图像I₂中绿色通道像素矩阵I_G2、第二张待识别手机图像I₂中蓝色通道像素矩阵I_B2，第一张待识别手机图像I₁的型号标签z₁；第二张待识别手机图像I₂的型号标签z₂；

(2)建立双线性卷积网络手机型特征提取模型

将两个手机型号图像样本的输入变量I_R、I_G、I_B灰度化后进行双线性卷积特征提取，具体计算公式如下：

r₁(t)＝0.299×I_R1(t)+0.588×I_G1(t)+0.114×I_B1(t) (1)

r₂(t)＝0.299×I_R2(t)+0.588×I_G2(t)+0.114×I_B2(t) (2)

r₁(t+1)＝f(w(t)×r₁(t)+λ₁) (3)

r₂(t+1)＝f(w(t)×r₂(t)+λ₂) (4)

式中：r₁(t)为待识别手机图像I₁灰度化后的像素矩阵；r₂(t)为待识别手机图像I₂灰度化后的像素矩阵；r₁(t+1)为第1个双线性卷积结构在第t+1次迭代时的待识别手机图像激活特征像素矩阵；r₂(t+1)为第2个双线性卷积结构在第t+1次迭代时的待识别手机图像激活特征像素矩阵；f(·)为激活函数；w(t)表示双线性卷积结构的参数权重；λ₁为第1个双线性卷积结构的输出偏置参数，λ₁在(0,1)区间随机取值；λ₂为第2个双线性卷积结构的输出偏置参数，λ₂在(0,1)区间随机取值；t为迭代次数；P₁(r(t))为r₁(t)池化后的输出向量；r₁为特征向量r₁(t)中的元素；P₂(r(t))为r₂(t)池化后的输出向量；r₂为特征向量r₂(t)中的元素；S₁为水平池化步长；S₂为垂直池化步长；a为平均池化后卷积特征图的水平方向的维度；b为平均池化后卷积特征图的垂直方向的维度；i表示特征矩阵中的行数；j表示特征矩阵中的列数；B₁(t)为P₁(t)经奇异值分解降维后的特征矩阵；B₂(t)为P₂(t)经奇异值分解降维后的特征矩阵；δ₁(t)为P₁(t)的奇异值矩阵；U₁(t)为P₁(t)的左奇异矩阵；V₁^T(t)为P₁(t)的右奇异矩阵的转置；δ₂(t)为P₂(t)的奇异值矩阵；U₂(t)为P₂(t)的左奇异矩阵；V₂^T(t)为P₂(t)的右奇异矩阵的转置；Z₁(t)为矩阵B₁(t)中的各特征元素进行正则向量化后的输出向量；Z₂(t)为矩阵B₂(t)中的各特征元素进行正则向量化后的输出向量；||||2表示二范数归一化操作；sign为符号函数；

(2)设计联合监督分类模型

手机图像联合监督分类模型采用Softmax与对比损失联合的回归分类算法，同类样本使用中心损失计算样本间的相似度量，而异类时直接采用Softmax损失进行计算，具体计算方法如式(13)所示：

式中：L(t)为联合损失函数的输出；μ为损失权衡系数，当z₁＝z₂，即样本为同型号手机时μ＝1；当z₁≠z₂，即样本为不同型号手机时μ＝0；w^T(t)表示双线性卷积结构的参数权重的转置；

(3)手机型号识别过程

使用双线性卷积网络结构进行手机型号识别的过程具体为：

①利用废旧手机在回收验机过程中采集的真实图像作为训练数据，从中选取任意两张图像I₁和I₂输入至双线性卷积特征提取模型中，得到每个训练样本的融合特征B₁(t)和B₂(t)；

②通过公式(5)～(6)所示的低秩矩阵参数降维方法对双线性特征矩阵进行降秩操作，以降低外积聚合运算的计算复杂度，提高运算速度，最终得到低秩双线性特征矩阵Z₁(t)和Z₂(t)；

③将降维后的特征矩阵输入到如公式(7)所示的联合损失函数中，得到该样本的联合监督值L(t)，反向传播并反复调整双线性卷积模型参数权重w(t)，使得联合监督值L(t)达到全局最小值；

④将样本随机成对输入到双线性卷积识别模型中，将模型的权重参数设置为w(t)，将模型输出的低秩双线性特征矩阵输入到联合损失函数中进行分类识别，进而得到分类后该样本的目标机型标签值，该标签值即为手机的型号。