[发明专利]一种基于深度神经网络的中药识别与表面缺陷检测方法

权利要求书

1.一种基于深度神经网络的中药识别与表面缺陷检测方法，其特征在于，包括如下步骤：

步骤1)、将两个基于ImageNet数据集完成训练的VGG-16神经网络模型并列，去掉两VGG-16神经网络模型末尾全连接层和softmax分类器后，加上池化层、空白的全连接层和空白的随机森林分类器，构建目标深度神经网络模型；

步骤2)、收集各类中药图像形成数据集，采用比例分层随机抽样，将数据集分为训练集和测试集；将每一训练集图像划分为若干局部图像块输入目标深度神经网络模型中，进行迁移学习训练，并保存训练好的目标深度神经网络模型；

步骤3)、将测试集图像输入训练好的目标深度神经网络模型中进行中药识别与表面缺陷检测，输出识别结果。

2.根据权利要求1所述的基于深度神经网络的中药识别与表面缺陷检测方法，其特征在于，步骤2)中，从每一类中药图像中随机选取80％作为训练集，20％作为测试集。

3.根据权利要求1所述的基于深度神经网络的中药识别与表面缺陷检测方法，其特征在于，步骤2)中，对于训练集T＝{X_m,m＝1,…,M}，相应标签为l_m；每个训练图像X_m被划分为一组局部图像块作为目标深度神经网络模型的基本训练样本，定义为L(X_m)＝{X_mn,n＝1,…,N}，它们的标签继承自原始图像X_m；

图像X_m的划分方法为：假设局部图像块尺寸为h×w，步长为s，则从大小为H×W的图像中提取的局部图像块数量为

目标深度神经网络模型的训练以最小化损失函数L(F)为目标：

公式(1)中，F表示神经网络参数，P(l_m|X_m；F)表示局部图像块X_mn被神经网络参数F正确分类为l_m的概率；

随机森林分类器输出不同类别图像的概率，对于每个缺陷类，通过迭代地添加图像块级的概率，得到一个热图。

4.根据权利要求3所述的基于深度神经网络的中药识别与表面缺陷检测方法，其特征在于，训练过程中，采用反向传播和随机梯度下降SGD，采用5倍交叉验证，Batch设为20，epoch设为200，每个epoch迭代32次，学习率为0.0001。

5.根据权利要求3所述的基于深度神经网络的中药识别与表面缺陷检测方法，其特征在于，在热图生成过程中，局部图像块尺寸为h×w，步长为s，s值设定为h/5乘以w/5；h×w的大小至少能涵盖缺陷区域。