[发明专利]一种基于深度学习的纤维识别方法及装置

权利要求书

1.一种基于深度学习的纤维识别方法，其特征在于，包括：

利用预定参数创建卷积神经网络模型；其中，所述卷积神经网络模型的卷积核为长宽不等的矩形卷积核；

获取纤维图片的训练集及验证集，通过所述纤维图片的训练集及验证集对所述卷积神经网络模型训练，得到训练后的卷积神经网络模型；

确定待识别纤维图片，根据所述训练后的卷积神经网络模型对所述待识别纤维图片进行识别；其中，所述训练集、验证集及待识别纤维图片中的纤维图片均为长宽不等的矩形纤维图片。

2.根据权利要求1所述的纤维识别方法，其特征在于，所述卷积神经网络模型为7层卷积神经网络模型，各层包括：

第一层：conv1-relu1-pool1-norm1；第二层：conv2-relu2-pool2-norm2；第三层：conv3-relu3；第四层：conv4-relu4-pool4；第五层：fc5-relu5-dropput5；第六层：fc6-relu6-dropput6；第七层：fc7-softmax。

3.根据权利要求1所述的纤维识别方法，其特征在于，所述训练集、验证集及待识别纤维图片的纤维图片中的纤维直径均大于预设阈值。

4.根据权利要求1-3所述的纤维识别方法，其特征在于，所述根据所述训练后的卷积神经网络模型对所述待识别纤维图片进行识别，包括：

根据所述训练后的卷积神经网络模型获取所述待识别纤维图片的中的纤维特征，并利用所述纤维特征以及所述训练后的卷积神经网络模型中的Softmax函数对所述待识别纤维图片进行分类。

5.一种基于深度学习的纤维识别装置，其特征在于，包括：

卷积神经网络模型创建模块，用于利用预定参数创建卷积神经网络模型；其中，所述卷积神经网络模型的卷积核为长宽不等的矩形卷积核；

卷积神经网络模型训练模块，用于获取纤维图片的训练集及验证集，通过所述纤维图片的训练集及验证集对所述卷积神经网络模型训练，得到训练后的卷积神经网络模型；

纤维图片识别模块，用于确定待识别纤维图片，根据所述训练后的卷积神经网络模型对所述待识别纤维图片进行识别；其中，所述训练集、验证集及待识别纤维图片中的纤维图片均为长宽不等的矩形纤维图片。

6.根据权利要求5所述的纤维识别装置，其特征在于，所述卷积神经网络模型为7层卷积神经网络模型，各层包括：

第一层：conv1-relu1-pool1-norm1；第二层：conv2-relu2-pool2-norm2；第三层：conv3-relu3；第四层：conv4-relu4-pool4；第五层：fc5-relu5-dropput5；第六层：fc6-relu6-dropput6；第七层：fc7-softmax。

7.根据权利要求5所述的纤维识别装置，其特征在于，所述训练集、验证集及待识别纤维图片的纤维图片中的纤维直径均大于预设阈值。

8.根据权利要求5-7所述的纤维识别装置，其特征在于，所述纤维图片识别模块，具体用于：

根据所述训练后的卷积神经网络模型获取所述待识别纤维图片的中的纤维特征，并利用所述纤维特征以及所述训练后的卷积神经网络模型中的Softmax函数对所述待识别纤维图片进行分类。

9.一种纤维识别设备，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述基于深度学习的纤维识别方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于深度学习的纤维识别方法的步骤。