[发明专利]基于自适应卷积神经网络的织物分类方法

摘要

一种基于卷积神经网络的织物分类方法，其步骤为：(1)对织物图像进行归一化处理；(2)搭建六层卷积神经网络模型；(3)训练卷积神经网络；(4)判断卷积神经网络是否达到要求；(5)若测试准确率及深度未达到要求，对卷积神经网络进行扩展，在第一个全连接层前添加一个卷积层，若最后一个降采样层与第一个全连接层之间有三层卷积层，则在第一个全连接层前添加一个降采样层；(6)计算测试集分类准确率。本发明构建了一种结构自适应的卷积神经网络，使得卷积神经网络的结构能够随着训练的过程不断调节，减少了人工调参的次数，提高了卷积神经网络的训练效率，并充分发挥了卷积层提取特征的能力。

主权项

1.一种基于自适应卷积神经网络的织物分类方法，其特征在于，对构建的自适应卷积神经网络进行训练，利用训练好的自适应卷积神经网络对织物图像进行分类，该方法的具体步骤包括如下：(1)处理织物图像数据集：(1a)对输入的带标签织物图像数据集，在[0，1]的范围进行归一化处理；(1b)从归一化后数据集中任意选取70％的带标签织物图像作为训练集，剩余30％的带标签织物图像作为测试集；(2)构建自适应卷积神经网络：(2a)搭建一个6层的自适应卷积神经网络模型，其结构依次为：第一个卷积层→第二个卷积层→第一个降采样层→第一个全连接层→第一个dropout层→第二个全连接层；(2b)设置自适应卷积神经网络模型中每一层的参数如下：将自适应卷积神经网络的输入层特征图总数设置为3，特征图尺寸设置为64×64；将第一个卷积层中卷积滤波器的总数设置为32、卷积滤波器的像素大小设置为3×3，特征图尺寸设置为64×64，卷积步长设置为1个像素；将第二个卷积层中卷积滤波器的总数设置为32、卷积滤波器的像素大小设置为3×3，特征图尺寸设置为64×64，卷积步长设置为1个像素；将第一个降采样层中池化区域大小设置为2×2，池化步长设置为2个像素，特征图尺寸设置为32×32；将第一个全连接层结点总数设置为1024；将dropout层的保留概率为0.5；将第二个全连接层结点总数设置为织物类别数；(3)训练自适应卷积神经网络：(3a)将当前期望损失值的初始值设置为零；(3b)从训练集中选取50幅带标签织物的图像，依次输入到自适应卷积神经网络中，输出每幅图像对应的预测分类标签，并利用损失值计算公式，计算所选取的50幅带标签织物图像输入到自适应卷积神经网络后自适应卷积神经网络的损失值；(3c)判断自适应卷积神经网络的损失值与当前期望损失值之差是否小于0.1，若是，则执行步骤(3e)，否则，执行步骤(3d)；(3d)用当前迭代时的自适应卷积神经网络损失值作为当前期望损失值，利用反向传播算法，用当前期望损失值更新自适应卷积神经网络中所有的参数后执行步骤(3b)；(3e)将测试集中所有的织物图像及分类标签依次输入到自适应卷积神经网络中，输出每幅图像对应的预测分类标签，并利用测试准确率计算公式，计算自适应卷积神经网络在测试集上的测试准确率；(3f)判断自适应卷积神经网络是否满足停止训练条件，若是，则执行步骤(3j)，否则，执行步骤(3g)；(3g)在自适应卷积神经网络第一个全连接层前添加一个卷积层,得到新的自适应卷积神经网络；(3h)判断新的自适应卷积神经网络是否已添加了三个卷积层，若是，则得到添加卷积层后的自适应卷积神经网络后执行步骤(3i)，否则，执行步骤(3a)；(3i)在添加卷积层后的自适应卷积神经网络中第一个全连接层前添加一个降采样层后执行步骤(3a)；(3j)得到训练好的自适应卷积神经网络后执行步骤(4)；(4)对测试数据集进行分类：将测试织物图像数据集输入到训练好的自适应卷积神经网络中，得到测试集的测试准确率。