[发明专利]一种基于卷积神经网络的多生产点位轮毂图像分类方法

权利要求书

1.一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：该方法包括以下步骤：

(1)搭建卷积神经网络模型；

(2)获取轮毂图像作为训练数据进行预处理；

(3)对神经网络结构参数进行设定和训练参数初始化；

(4)对获取的轮毂图像数据进行图像增强；

(5)对获取的轮毂图像进行数据训练，得到网络权重和偏置；

(6)将待分类轮毂图像输入卷积神经网络模型，得到轮毂图像的分类结果。

2.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(1)中，所述搭建卷积神经网络模型的结构如下：

第一层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；

第二层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层和局部响应归一化层；

第三层为卷积层，经过卷积核提取特征后，输出依次经过Relu函数、2×2最大池化层；

第三层卷积层中池化层的输出后接一个包含预设个数神经元的全连接层，全连接层输出依次经过Relu函数和Dropout层；

最后一个全连接层使用softmax层将上个全连接层中Dropout层的输出经过softmax回归得到最终的概率输出。

3.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(2)中，对获取的轮毂图像进行预处理方法如下：

(2.1)将轮毂所在的区域从原始图像中裁剪出来；

(2.2)对(2.1)中裁剪得到轮毂图像的灰度直方图进行分析，将轮毂图像上的生产线背景去除；

(2.3)将所有轮毂图像重新调整为预设值大小的灰度图像，作为网络的输入，并且获取的各个生产点位的同一种轮毂类型的图像数量相同。

4.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(3)中，所述网络结构参数设定和训练参数初始化如下：

(3.1)网络中卷积层和最大池化层的步长设置为1，卷积层采用边缘补0的方式保持图像尺寸不变；

(3.2)卷积层的权重初始化为均值为0、标准差为0.1的截断正态分布噪声，网络中的所有偏置初始化为常量0.1；

(3.3)训练的batch size大小设置为40，训练时dropout rate设置为0.5，初始学习率设置为1×e^-3，10000次迭代后将学习率调整为1×e^-4。

5.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(4)中，所述对输入图像数据进行图像增强方法如下：采用对输入轮毂图像进行翻转和附加高斯噪声进行图像增强。

6.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：所述生产点位包括热处理前点位、气密性检测点位和包装前点位。

7.根据权利要求1所述的一种基于卷积神经网络的多生产点位轮毂图像分类方法，其特征在于：在步骤(5)中，数据训练时，属于同一种轮毂类型的不同生产点位图像数量相同。