[发明专利]一种基于图像特征自适应卷积网络的图像分类方法和系统

说明书

本发明实施例涉及图像处理技术领域，公开了一种基于图像特征自适应卷积网络的图像分类方法和系统，获取所有待分类样本图像的边缘轮廓平均数，以及所有待分析样本图像的加速稳健特征点平均数；确定所述边缘轮廓平均数和所述加速稳健特征点平均数之和所处特征量范围，选择与所述特征量范围对应的网络结构模型；基于所述待分类样本图像和所述网络结构模型进行神经网络训练，得到用于图像分类的分类模型；基于所述分类模型进行待分类样本的图像分类。通过计算待检测图像的特征信息，自动选择合适的网络结构，在保证图像分类任务的准确率下，提高深度学习网络的应用效率，减少企业人力、时间成本。

技术领域

本发明实施例涉及计算机视觉图像识别技术领域，特别涉及一种基于图像特征自适应卷积网络的图像分类方法和系统。

背景技术

近几年以来，随着科学计算机网络及人工智能领域的发展，图形图像数据量逐渐增多，于是，如何从大量的自然图像中快速提取到视觉特征已经成了机器智能学习中的热点研究课题，进而对自然图像的分类必然成为获取自然图像信息的研究重点。

近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。目前深度学习在学术界研究较多，但工业领域应用较少，因为工业视觉检测领域非常细分，很多非标项目，主流的AlexNet、VGG16、GoogleNet等网络并不能直接应用于工业视觉领域的非标项目中，需要进行实验测试改进网络结构参数才能取得较好效果，但这样会耗费企业大量的人力成本、时间成本。

发明内容

本发明实施例的目的在于提供一种基于图像特征自适应卷积网络的图像分类方法和系统，提高对不同种类相似图像的区分能力，提高网络的图像分类准确率。

为解决上述技术问题，第一方面，本发明的实施例提供了一种基于图像特征自适应卷积网络的图像分类方法，包括：

获取所有待分类样本图像的边缘轮廓平均数，以及所有待分析样本图像的加速稳健特征点平均数；

确定所述边缘轮廓平均数和所述加速稳健特征点平均数之和所处特征量范围，选择与所述特征量范围对应的网络结构模型；

基于所述待分类样本图像和所述网络结构模型进行神经网络训练，得到用于图像分类的分类模型；

基于所述分类模型进行待分类样本的图像分类。

作为优选的，所述特征量选择范围包括第一特征量选择范围、第二特征量选择范围和第三特征量选择范围；

所述第一特征量选择范围为[0，30)；

所述第二特征量选择范围为[30，50)；

所述第三特征量选择范围为[50，+∞)。

作为优选的，所述网络结构模型包括第一网络结构模型、第二网络结构模型和第三网络结构模型；所述第一网络结构模型对应所述第一特征选择范围，所述第二网络结构模型对应所述第二特征选择范围，所述第三网络结构模型对应所述第三特征选择范围。

作为优选的，所述第一网络结构模型包括第一输入层、第一卷积层A、第一最大值池化层A、第一卷积层B、第一最大池化层B、第一全连接层A、第一全连接层B和第一输出层；

所述第一卷积层A的卷积核个数为3，卷积核大小为11*11；

所述第一最大值池化层A的核大小为2*2；

所述第一卷积层B的卷积核个数为3，卷积核大小为11*11；

所述第一最大值池化层B的核大小为2*2；

所述第一全连接层A包括120个神经节点，所述第一全连接层B包括84个神经节点；