[发明专利]利用深度学习的图像识别方法及服务器

权利要求书

1.一种图像识别方法，其用于检查对象的良否判断，所述图像识别方法的特征在于，包括：

在一个以上的通道空间替换配置针对检查对象获取的N个图像而生成新的图像的步骤；以及，

将上述新的图像按各通道分离并通过针对所获取的N个图像的学习而提取特征值的步骤。

2.根据权利要求1所述的图像识别方法，其特征在于，

在上述生成新的图像的步骤之后，进一步包括使上述新的图像变形而生成多个变形图像的步骤。

3.根据权利要求2所述的图像识别方法，其特征在于，

上述生成变形图像的步骤包括生成使上述新的图像以各种角度旋转的图像以及使所旋转的各图像左右对称地变换的多个变形图像的步骤。

4.根据权利要求2所述的图像识别方法，其特征在于，

上述提取特征值的步骤包括将上述多个变形图像分别按各通道分离而执行学习的步骤。

5.根据权利要求1所述的图像识别方法，其特征在于，

上述通道空间由N个构成。

6.根据权利要求1所述的图像识别方法，其特征在于，

针对上述检查对象所获取的N个图像是灰度图像。

7.根据权利要求5或6所述的图像识别方法，其特征在于，

上述N是3。

8.根据权利要求1所述的图像识别方法，其特征在于，

上述生成新的图像的步骤包括将针对检查对象所获取的具有互不相同的宽度和高度的N个图像堆叠在N通道空间而生成具有特定宽度和高度的新的图像的步骤。

9.根据权利要求1至6和8中任一项所述的图像识别方法，其特征在于，

上述提取特征值的步骤包括：

在一个以上的主神经网络结构内定义从卷积神经网络的步骤；以及，

针对上述按各通道分离而获取的N个图像适用各自的从卷积神经网络的步骤。

10.根据权利要求9所述的图像识别方法，其特征在于，

上述提取特征值的步骤进一步包括重复执行重新堆叠或连接因适用从卷积神经网络而提取的特征值的过程的步骤。

11.根据权利要求9所述的图像识别方法，其特征在于，

上述提取特征值的步骤进一步包括在适用从卷积神经网络时执行反向传播过程的步骤。

12.一种图像识别服务器，其用于检查对象的良否判断，所述图像识别服务器的特征在于，包括：

图像生成部，其在一个以上的通道空间替换配置针对检查对象获取的N个图像而生成新的图像；以及，

图像学习部，其将上述新的图像按各通道分离并通过针对所获取的N个图像的学习而提取特征值。

13.根据权利要求12所述的图像识别服务器，其特征在于，

进一步包括使上述新的图像变形而生成多个变形图像的学习数据生成部。

14.根据权利要求13所述的图像识别服务器，其特征在于，

上述学习数据生成部生成使上述新的图像以各种角度旋转的图像以及使所旋转的各图像左右对称地变换的多个变形图像。

15.根据权利要求13所述的图像识别服务器，其特征在于，

上述图像学习部将上述多个变形图像分别按各通道分离而执行学习。

16.根据权利要求12所述的图像识别服务器，其特征在于，

上述通道空间由N个构成。

17.根据权利要求12所述的图像识别服务器，其特征在于，

针对上述检查对象所获取的N个图像是灰度图像。