[发明专利]用于卷积神经网络的滤波器裁剪方法及贝类自动分类系统

权利要求书

1.一种贝类自动分类系统，其特征在于，包括图像采集模块、处理控制模块、置物台和输出模块，测距模块；

所述置物台用于放置待分类的贝类；

所述图像采集模块用于采集放置在置物台上的贝类的照片；

所述测距模块用于测量相机到置物台的距离；所述测距模块包括激光源和激光传感器，所述激光源向置物台发射的激光经置物台反射后进入激光传感器；

所述处理控制模块包含有基于神经网络分类模型，根据测距模块测得的相机与贝类距离信息，分析得到贝类尺寸信息，结合图像采集模块获取的贝类图片信息，利用神经网络分类模型，对贝类进行生物类群的识别，并将识别结果输送给输出模块；

所述输出模块用于输出识别结果；

所述神经网络分类模型的过滤器裁剪及重新初始化方法包括以下步骤：

S1、计算卷积神经网络的初始过滤器W_l,j的重要度H(W_l，j)，其中W_l,j为第l卷积层中第j个过滤器的权重；

S2、对重要度H(W_l，j)按照大小进行排序；

S3、裁剪掉重要度相对低的s％的过滤器；

S4、计算同一层中各过滤器之间的正交性度量；

S5、根据正交性度量，选取正交性相对小的r％的相关过滤器，并裁剪掉其中重要度排名较低的过滤器；

S6、重新初始化裁剪后剩余的过滤器；

所述卷积神经网络采用的损失函数中包含正则化项L₁：

其中，δ是正则化项的权重参数；I是与矩阵同大小的单位矩阵；

所述卷积神经网络采用的损失函数中包含焦点损失项L2:

其中，y_i是第i个过滤器，α_i表示类别对总的损失的共享权重大小，p(y_i)为类别真实标签对应的输出概率，γ为预设指数，Δλ表示其他过滤器对第i个过滤器的最小差异性，β_i为类别的最小差异性对总的损失的影响系数，

所述卷积神经网络的目标函数为L＝L₁+L₂。

2.根据权利要求1所述的贝类自动分类系统，其特征在于，所述初始过滤器W_l,j的重要程度H(W_l，j)计算过程，首先将W_l,j的值离散化，划分至C个不同的容器，计算每个容器的概率p_t，所述重要程度H(W_l，j)按照如下公式计算：

式中p_t是第t个容器的概率。

3.根据权利要求1所述的贝类自动分类系统，其特征在于，所述步骤S4，计算各过滤器之间的正交性度量，步骤如下：

S4-1、将表征滤波器的多维向量展开为k×k×c的1维向量f；其中k为滤波器的大小，c为滤波器的通道数；

S4-2、将层中所有的J_l个f组合为矩阵W_l，每个f占据一行；J_l是第l层中滤波器的数量；

S4-3、将矩阵W_l做归一化处理得到

S4-4、根据计算相关性矩阵P_l，P_l矩阵第i行数据表示其他过滤器对第i个过滤器的相关性，其中I是与矩阵同大小的单位矩阵；

S4-5、根据相关性矩阵计算过滤器间的正交性度量：

其中，Δλ表示其他过滤器对第i个过滤器的最小差异性，y_i是第i个过滤器，是其他过滤器。