[发明专利]一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法

权利要求书

1.一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法，其特征在于，包括步骤：获取目标竹片图像；将目标竹片图像转换为灰度图像；通过均值滤波法过滤灰度图像的椒盐噪声；将灰度图像转换为二值图；采用sobel算子对二值图中的竹片边缘进行提取，进而获取目标竹片轮廓的二值图；构建第一卷积神经树群体模型；对第一卷积神经树群体模型的每个个体进行评估，并根据评估结果以遗传编程优化第一卷积神经树群体模型的结构；使用PSO粒子群算法对第一卷积神经树群体模型进行参数优化，进而提取出第一卷积神经森林模型；将目标竹片轮廓的二值图输入第一卷积神经森林模型中，并与测试集进行测试，进而得到第一分类结果信息，所述第一分类结果信息包括目标竹片的缺陷情况信息；

“对第一卷积神经树群体模型的每个个体进行评估，并根据评估结果以遗传编程优化第一卷积神经树群体模型的结构”，具体为：对第一卷积神经树群体模型的每个个体使用交叉熵损失函数来计算其误差，进而获取其适应度，误差越大代表适应度越小；将各个个体按照适应度大小进行排序，将适应度较大的50%个体保留；将保留下来的个体拷贝为交叉群体，依次按照遗传交配与突变筛选的方式获取与交叉群体数量相同的新的种群；将新的种群与保留下来的个体组成新的第一卷积神经树群体模型；

“使用PSO粒子群算法对第一卷积神经树群体模型进行参数优化，进而提取出第一卷积神经森林模型”具体为：使用PSO粒子群算法初始化第一卷积神经树群体模型的每个卷积神经树的粒子群的每个粒子位置、速度；计算每个粒子适应度；更新粒子的最优位置，更新粒子的全局最优位置；更新粒子的实际速度、实际位置；确定粒子达到最大PSO迭代次数后对第一卷积神经树群体中每个个体进行评估；确定群体存在达到预设的第一最优预设阈值的个体时，停止优化第一卷积神经树群体模型，并将适应度最优的三个卷积神经树选出，进而组成卷积神经森林模型。

2.如权利要求1所述的一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法，其特征在于，“将灰度图像转换为二值图”具体为：指定预设常数c作为最佳阈值，如果灰度图像中的像素点的像素值比常数c小，则将原来的像素赋值为0，如果像素值比常数c大，则将原来的像素值赋值为255。

3.如权利要求1所述的一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法，其特征在于，“将目标竹片图像转换为灰度图像”具体为：获取目标竹片图像的各个像素点的RGB属性，将各个像素点的红、绿、蓝的三个相叠加的彩色通道的值相加取平均值，进而获取目标竹片图像中各个像素点的灰度值，从而生成灰度图像。

4.如权利要求1所述的一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法，其特征在于，所述第一卷积神经树群体模型包括多个第一卷积神经树，每个第一卷积神经树均包括输入层、全连接层、输出层和多个隐层；所述隐层包括相连的第一隐层与第二隐层，所述第一隐层与第二隐层均包括依次相连的卷积层、RELU层、池化层，所述第二隐层均与全连接层相连，进而通过全连接层将输入层与卷积层产生的特征图做全连接。

5.如权利要求4所述的一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法，其特征在于：所述输出层的节点个数为竹片的缺陷情况的分类种类的个数，输出层神经元激活函数使用SoftMax函数将神经元的输出转换为分类概率。

6.如权利要求4所述的一种基于卷积柔性神经森林的竹片虫洞和霉斑检测方法，其特征在于：所述第一卷积神经树群体模型的卷积层的卷积核，是由LeNet-5模型训练后的卷积核中提取出的。