[发明专利]基于权值分布的用于土壤取样筛选的神经网络的训练方法

说明书

本申请公开了一种基于权值分布的用于土壤取样筛选的神经网络的训练方法，其包括：获取训练用候选土壤图像和参考图像；将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；以第一加权系数和第二加权系数融合所述候选特征图和所述参考特征图，以获得分类特征图，所述第一加权系数为在0到1的数值范围内按照标准正态分布随机选择的概率值；计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；将所述分类特征图通过分类函数，以获得分类损失函数值；以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数。

技术领域

本申请涉及人工智能技术领域，且更为具体地，涉及一种基于权值分布的用于土壤取样筛选的神经网络的训练方法、基于深度神经网络的土壤取样筛选方法、基于权值分布的用于土壤取样筛选的神经网络的训练系统、基于深度神经网络的土壤取样筛选系统和电子设备。

背景技术

水利工程是用于控制和调配自然界的地表水和地下水而修建的工程，在水利工程建设中，需要对土样进行检测以便于实施相应的施工需求。传统的土壤取样设备通过对于土壤取样作业不进行控制，而是后期由样本检测人员来对取出的土壤进行筛选，这包括分离出适当的土壤样本，以及去除石块等，这导致了土壤取样检测的筛选效率低，影响水利工程项目建设的进度。

因此，期望能够在进行土壤取样作业时就对要取样的土壤进行筛选，从而提高后续的检测效率。

目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

近年来，深度学习以及神经网络的发展为土壤取样筛选提供了新的解决思路和方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于权值分布的用于土壤取样筛选的神经网络的训练方法、基于深度神经网络的土壤取样筛选方法、基于权值分布的用于土壤取样筛选的神经网络的训练系统、基于深度神经网络的土壤取样筛选系统和电子设备，其通过计算机视觉的方式，来将待进行取样作业的候选土壤的图像与作为标准取样土壤图像的参考图像进行比较，来确定是否要对候选土壤进行取样。

根据本申请的一个方面，提供了一种基于权值分布的用于土壤取样筛选的神经网络的训练方法，其包括：

步骤1：获取训练用候选土壤图像和参考图像，所述参考图像为标准取样土壤图像；

步骤2：将所述训练用候选土壤图像和所述参考图像分别通过卷积神经网络以获得候选特征图和参考特征图；

步骤3：以第一加权系数对所述候选特征图进行加权，以获得第一加权特征图，其中，所述第一加权系数为在0到1的数值范围内按照符合标准正态分布随机选择的概率值；

步骤4：以第二加权系数对所述参考特征图进行加权，以获得第二加权特征图，其中，所述第二加权系数等于1减去所述第一加权系数；

步骤5：计算所述第一加权特征图和所述第二加权特征图之间的按像素位置的加权和，以获得所述分类特征图；

步骤6：将所述分类特征图通过分类函数，以获得分类损失函数值；

步骤7：以预定步长减小所述分类损失函数值，并以梯度下降的反向传播更新所述卷积神经网络的参数；以及

步骤8：迭代地执行所述步骤2到步骤7，以完成所述卷积神经网络的训练。

在上述基于权值分布的用于土壤取样筛选的神经网络的训练方法中，所述第一加权系数的取值范围在0.5到0.841。