[发明专利]一种基于深度学习的纤维识别方法及装置

说明书

本发明公开了一种基于深度学习的纤维识别方法，通过深度学习中的卷积神经网络模型对纤维进行识别和分类，可以自动的学习纤维特征，不需要人参与选取的过程，从而大幅提升计算机对纤维识别准确性，扩大了可被识别的纤维种类。并且，基于卷积神经网络模型具有多层的隐层节点，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易，与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。本发明还公开了一种基于深度学习的纤维识别装置、设备及计算机可读存储介质，同样能实现上述技术效果。

技术领域

本发明涉及纤维识别技术领域，更具体地说，涉及一种基于深度学习的纤维识别方法、装置、设备及计算机可读存储介质。

背景技术

目前，现有方案对纤维的分类，是通过人工选取特征量实现纤维分类，即对特征量提取依靠人工设定提取，为此从颜色，形状，纹理，条纹四个方面提取特征量。然而手工地选取特征是一件非常费力、启发式(需要专业知识)的方法，能不能选取好很大程度上靠经验和运气，而且它的调节需要大量的时间。即使选取了特征量我们的识别率也只能达到96％，而想要进一步的提高却非常困难。BP算法作为传统训练多层网络的典型算法，实际上对仅含几层网络，该训练方法就已经很不理想。目前，通过BP算法对纤维进行分类存在一下问题：

(1)梯度越来越稀疏：从顶层越往下，误差校正信号越来越小；

(2)收敛到局部最小值：尤其是从远离最优区域开始的时候(随机值初始化会导致这种情况的发生)；

(3)一般我们只能用有标签的数据来训练，但大部分的数据是没标签的，而大脑可以从没有标签的的数据中学习。

因此，如何准确对纤维进行识别分类，是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于深度学习的纤维识别方法、装置、设备及计算机可读存储介质，以实现自动确定纤维特征，准确对纤维进行识别分类。

为实现上述目的，本发明实施例提供了如下技术方案：

一种基于深度学习的纤维识别方法，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。

其中，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。

其中，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。

其中，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。

一种基于深度学习的纤维识别装置，包括：