[发明专利]一种基于旋转不变性的手写化学有机环符号识别方法

说明书

本发明公开了一种基于旋转不变性的手写化学有机环符号识别方法，包括如下步骤：S1：书写不同的化学有机环结构符号，采集得到的手写化学有机环结构符号作为输入样本并将其作为输入层输入到卷积神经网络模型；S2：在所述输入层后插入循环切片层，得到不同的角度的所述旋转副本；S3：通过传统卷积神经网络逐个处理所述旋转副本，生成不同角度的特征图；S4：插入循环池化层，对不同角度的所述特征图进行合并处理；S5：将循环池化后的所述特征图送入全连接层，并输出识别结果。本发明将改进的具有旋转不变特性的卷积神经网络应用于化学有机环结构符号识别，能对有机环结构符号的旋转不变特征进行有效表征。

技术领域

本发明属于模式识别技术领域，更具体地，涉及一种基于旋转不变性的手写化学有机环符号识别方法。

背景技术

化学符号能够直观、方便地表示和传播化学知识，因此在化学教育和学术交流中有着广泛的应用。随着信息社会的发展，越来越多的化学领域的工作需要借助电子设备来完成。与此同时，如何将化学方程式稳定快捷的输入到计算机仍然是一个亟待发展的技术。目前，将化学符号语言输入电子设备的常用方法主要是通过点击或者拖动相关模块的人机交互方式，例如ChemDraw，ChEMBL，PubChem和DrugBank等。但是，这些以键盘和鼠标为接口的输入系统缺乏便利性和有效性。如今，随着触摸屏设备的迅猛发展，基于手写的输入方法已大大影响了人机交互。为了减少传统的化学符号语言输入系统的复杂的操作，人们转向了更为直接的手写交互方式。因此，像我们在纸上书写一样，能够采用触屏设备手动输入化学式引起了研究人员的兴趣。

已有的手写化学符号识别方法分为两类：基于传统机器学习的方法和基于深度学习的方法。其中基于传统机器学习的方法首先手动提取一个多维的特征向量，进而使用隐马尔可夫模型(HMM)或支持向量机(SVM)等模型对提取的特征进行识别分类。基于深度学习的方法采用深度卷积神经网络(如VGGNet)自动从输入样本中学习到一个鲁棒的特征表示，避免了基于传统机器学习的方法中手动设计特征的问题。

但是，基于传统机器学习的方法需要人工设计特征，同时，这类特征的表征能力和泛化能力都不强。基于深度学习的方法将典型的卷积神经网络，例如VGGNet，用来识别手写化学有机环结构符号，能够自动地学习到一个特征表示。但是，典型的卷积神经网络所学习到的特征表示具有平移不变性，而不具有旋转不变性。因此，现有的典型的卷积神经网络所学习到的特征表示不能对化学有机环结构符号的旋转不变特征进行有效表征。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供一种基于旋转不变性的手写化学有机环符号识别方法，对化学有机环结构符号的旋转不变特征进行有效表征。

为实现上述目的，本发明提供一种基于旋转不变性的手写化学有机环符号识别方法，包括如下步骤：

S1：书写不同的化学有机环结构符号，采集得到的手写化学有机环结构符号作为输入样本并将其作为输入层输入到卷积神经网络模型；

S2：在所述输入层后插入循环切片层，得到不同的角度的所述旋转副本；

S3：通过传统卷积神经网络逐个处理不同的角度的所述旋转副本，生成不同角度的特征图；

S4：插入循环池化层，使用与排列顺序无关的池化函数对不同角度的所述特征图进行合并处理；

S5：将循环池化后的所述特征图送入全连接层，并输出识别结果。

进一步地，每个输入样本的所述旋转副本为不同角度的化学有机环结构符号。

进一步地，所述旋转副本最多为12个。