[发明专利]一种基于深度学习的图像识别方法及系统

说明书

本发明提出了一种基于深度学习的图像识别方法及系统，涉及图像识别及深度学习领域。一种基于深度学习的图像识别方法包括：获取原始数据集及视频序列图像；通过图像二值法对获取的图像进行预处理；对预处理后的图像分割后进行存储及打标签；将分割后的图像输入进Spark模型，模型训练时一次性将打标签的分割后图像预加载至主程序。其能够使用预处理的数据集对神经网络进行训练，使用训练完成的模型和参数对砾石图片进行识别，得到了高识别准确度，并且识别结果可以清晰地显示砾石结构。此外本发明还提出了一种基于深度学习的图像识别系统，包括：获取模块、预处理模块、分割模块、训练模块、第一存储模块以及第二存储模块。

技术领域

本发明涉及图像识别及深度学习领域，具体而言，涉及一种基于深度学习的图像识别方法及系统。

背景技术

在沉积学研究过程中，砾石自身形态及其在沉积地层中分布形态信息的定量化提取工作具有十分重要的作用。但此项工作是建立在大量样本体数据采集的基础上的，在野外实际操作中具有工作繁琐、采集信息体量大的特点，严重的滞缓了沉积学研究过程中的效率，并且需要耗费大量的人工成本。所以，研究出客观、快速、便捷、准确的砾石形态参数计算与统计分析方法非常必要

砾石数据的测量从定性到定量，测量精度不断提高，误差逐渐变小。但是，不论利用目估法、直接测量法还是数字图像与计算机软件结合应用法，其过程过于复杂，人工参与过多，无法实现批量自动计算。由此看出，砾石数据定量提取的研究程度远远不够，一些学者已经提出，希望砾石形态参数的获取向智能化、自动化发展。因此，迫切需要研究出一种客观、快速、便捷、准确的砾石形态参数计算与统计分析方法。

目前的图像识别方法难以有效应对砾石图像自动分类，神经网络对砾石图像的分类有一定的效果。但浅层神经网络因模型容量较小等原因容易欠拟合，深层神经网络虽然效果优于浅层神经网络，但是由于单一模型的性能和容量而限制其识别效果的进一步提升。

因此，有必要提供一种新的图像识别模型，以对图像既有很好的适应性又有较好的识别效果。

发明内容

本发明的目的在于提供一种基于深度学习的图像识别方法，其能够使用预处理的数据集对神经网络进行训练，使用训练完成的模型和参数对砾石图片进行识别，得到了高识别准确度，并且识别结果可以清晰地显示砾石结构。该方法可为现代地质考察提供可靠的数据支持。

本发明的另一目的在于提供一种基于深度学习的图像识别系统，其能够运行一种基于深度学习的图像识别方法。

本发明的实施例是这样实现的：

第一方面，本申请实施例提供一种基于深度学习的图像识别方法，其包括获取原始数据集及视频序列图像；通过图像二值法对获取的图像进行预处理；对预处理后的图像分割后进行存储及打标签；将分割后的图像输入进Spark模型，模型训练时一次性将打标签的分割后图像预加载至主程序；完成模型训练后对识别结果进行存储，并砾石识别结果进行记录位置信息；通过砾石识别结果的位置信息对砾石原色图像还原并存储。

在本发明的一些实施例中，上述获取原始数据集及视频序列图像包括：将原始数据集划分为训练集和测试集，确定预设Resnet网络中待剪枝的层，对待剪枝的层进行剪枝，将原始数据集进行训练得到图像识别模型。

在本发明的一些实施例中，上述还包括将视频中多张序列图像中质量小于预设质量阈值的图像进行剔除得到剩余图像，采用目标检测算法检测每张剩余图像中的目标区域，将包含该目标区域的图像输入进图像识别模型进行处理。

在本发明的一些实施例中，上述通过图像二值法对获取的图像进行预处理包括：通过互联网及相关地质剖面图集资源和相机实际拍摄获取预设数量的砾石图片并剪裁成预设分辨率尺寸大小的未预处理的原始图片。