[发明专利]基于集成深度学习的小样本太赫兹图像异物检测方法

摘要

本发明公开了一种基于集成深度学习的小样本太赫兹图像异物检测方法，主要解决现有方法需要人工设计图像特征，训练过程复杂，且不能对某一类样本数目特别少的小样本赫兹图像进行异物检测的问题。本发明的具体要步骤如下：(1)制作小样本太赫兹图像数据集；(2)扩增图像训练集；(3)搭建集成深度学习网络；(4)训练集成深度学习网络；(5)对图像测试集进行检测。本发明能够自动提取图像特征，训练过程简单，考虑了实际样本中某一类样本数目特别少的小样本情况，能够对小样本太赫兹图像进行异物检测，能提高小样本中数目特别少的一类的检测正确率。

主权项

1.一种基于集成深度学习的小样本太赫兹图像异物检测方法，其特征在于，扩增小样本太赫兹图像数据集的图像训练集，搭建集成深度学习网络，该方法的具体步骤包括如下：(1)制作小样本太赫兹图像数据集：(1a)输入1000个太赫兹图像，按照标准视觉目标分类VOC数据集格式，制作小样本太赫兹图像的数据集；(1b)对小样本太赫兹图像数据集中每个图像的目标标注其所属的类别和坐标位置；(1c)从小样本太赫兹图像数据集中随机选取80％的太赫兹图像，组成图像训练集，将剩余的太赫兹图像组成图像测试集；(2)扩增图像训练集：(2a)利用亮度和对比度公式，分别调整图像训练集中每个图像的亮度和对比度；(2b)使用合成少数类过采样技术SMOTE，对扩增后的图像训练集中数目只有8个的怀疑物类别的图像进行二次扩增；(3)搭建集成深度学习网络：(3a)搭建一个由75层的基础网络和12层的集成学习网络组成的集成深度学习网络；所述12层的集成学习网络的结构依次为：输入层→第一层卷积层→第二层卷积层→第三层卷积层→第四层卷积层→第五层卷积层→第六层卷积层→第七层卷积层→检测层→三个并联的弱分类器→强分类器→逻辑斯蒂logistic回归层；(3b)设置集成深度学习网络参数，其中，集成深度学习网络中12层的集成学习网络各层的参数如下：将第一、三、五层卷积层的特征映射图的总数设置为512，卷积核的尺度设置为1×1个节点；将第二、四、六层卷积层的特征映射图的总数设置为1024，卷积核的尺度设置为3×3个节点；将第七层卷积层的特征映射图的总数设置为255，卷积核的尺度设置为1×1个节点；将第一至第七层卷积层的步长均设置为1；(4)训练集成深度学习网络：(4a)从图像训练集中随机选取一幅图像输入到集成深度学习网络中；(4b)将所选图像划分为3×3的网格单元，利用集成深度学习网络输出层的损失值公式，计算每个网格单元中的每个预测目标边界框的类别信息、位置信息、宽高信息及置信度得分与真实目标的类别信息、位置信息、宽高信息及置信度得分之间的误差；(4c)判断训练次数是否达到8000次，若是，则得到训练好的集成深度学习网络后执行步骤(5)；否则，执行步骤(4a)；(5)对图像测试集进行检测：(5a)将图像测试集输入到训练好的集成深度学习网络中，输出图像测试集中每个图像中每个目标的预测边界框位置、类别和置信度值；(5b)对每个目标的所有预测边界框取交集，作为每个目标的最终预测边界框，将最终预测边界框的位置、类别、置信度，作为最终的小样本太赫兹图像异物检测的目标信息。