[发明专利]一种基于卷积神经网络图像识别方法

权利要求书

1.一种基于卷积神经网络图像识别方法，其特征在于，该方法包括：

步骤1，将原始图片采用卷积神经网络进行模型训练；

步骤2，将待处理图片输入到训练好的模型，进行图片的识别；所述步骤2采用卷积神经网络进行模型训练包括：通过卷积层初步提取图像特征；通过下采样层提取主要特征；通过全连接层将各部分特征汇总；产生分类器，进行预测识别；

具体包括：

步骤11：对卷积神经网络进行权值的初始化；

步骤12：对输入的图片数据经过卷积层、下采样层、全连接层的向前传播得到输出值；每一层输出的特征如下：

其中，y^(l)是卷积层的输出，f(x)是非线性的激活函数，m是输入该层的特征图集，是该层卷积核的权值，是卷积运算，是卷积层输入的特征向量，b^l是偏置；

步骤13：求出卷积神经网络的输出值与目标值之间的误差；当卷积神经网络输出的结果与期望值不相符时，则进行反向传播过程；求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，然后进行权值更新；通过训练样本和期望值来调整网络权值；

通过前向传播对样本的预测与卷积神经网络期望值的输出来确定模型内部的参数；定义卷积神经网络的目标函数：

其中，L(x)为损失函数，m为样本数，为期望输出，y为样本输出，应用梯度下降法对神经网络里每一层的参数w和b求偏导，得到更新之后的卷积神经网络参数值，让实际的卷积神经网络输出更加接近期望值；

步骤14：当误差大于期望值时，将误差传回卷积神经网络中，依次求得全连接层，下采样层，卷积层的误差；当误差等于或小于期望值时，结束训练；

步骤15：根据求得误差判断权值是否为最优，如果不是则进行权值更新；

步骤16：判断是否完成epoch次数，如果已完成则退出模型训练，否则进行下一次的训练；

步骤17：完成训练模型的训练。

2.按照权利要求1所述的方法，其特征在于，步骤15中的更新包括卷积层更新与全连接层更新：利用反向传播将误差层层回传，利用梯度下降法更新每一层的权值。

3.按照权利要求1所述的方法，其特征在于，步骤13中，

卷积层的向前传播过程是，通过卷积核对输入数据进行卷积操作，卷积核采用步长为1的卷积方式，卷积整个输入图片，形成局部感受野，然后局部感受野进行卷积算法，通过权值矩阵与图片的特征值进行加权和，然后通过激活函数得到输出；

下采样层的向前传播过程是，上一层卷积层提取的特征作为输入传到下采样层，通过下采样层的池化操作，降低数据的维度，采用最大池化方法选取特征图中的最大值；

全连接层的向前传播过程是，特征图进过卷积层和下采样层的特征提取之后，将提取出来的特征传到全连接层中，通过全连接层，进行分类，获得分类模型，得到最后的结果；在全连接层中，参数的个数＝全连接层中节点的个数×输入的特征的个数+节点的个数，得到输出矩阵后，经过激励函数的激活，传入下一层。

4.按照权利要求1所述的方法，其特征在于，步骤2中，

步骤21：在图像识别系统中加载步骤1的训练模型保存在特定文件里的训练好的最优权值；

步骤22：在训练模型通过权值共享方法得到每一层卷积核的最优权值，将训练好的卷积核权值加载到图像识别的系统当中；

步骤23：训练模型中的卷积神经网络的最后一层的全连接层的输出通过softmax分类器将训练的数据集分为正确与错误两类，在图像识别系统中加载训练模型已经分类好的图片标签；

步骤24：对待识别图片进行归一化预处理；

步骤25：使用基于卷积神经网络的识别系统进行识别；并输出识别结果。