[发明专利]基于卷积神经网络的图像分类方法、系统、装置及介质

权利要求书

1.一种基于卷积神经网络的图像分类方法，其特征在于，包括：

获取待分类图像；

利用训练好的图像分类卷积神经网络模型对所述待分类图像进行分类；

获取所述训练好的图像分类卷积神经网络模型输出的分类结果。

2.根据权利要求1所述的一种基于卷积神经网络的图像分类方法，其特征在于，所述方法还包括：

构建图像分类卷积神经网络模型，所述图像分类卷积神经网络模型包括四个卷积块、三个池化块、一个Inception模块、三个SE模块、一个全局平均池化层、一个全连接层和一个Softmax层；

对所述图像分类卷积神经网络模型进行训练；

对训练后的所述图像分类卷积神经网络模型进行测试，获取训练好的图像分类卷积神经网络模型。

3.根据权利要求2所述的一种基于卷积神经网络的图像分类方法，其特征在于，所述四个卷积块分别为第一卷积块、第二卷积块、第三卷积块和第四卷积块，所述三个池化块分别为第一池化块、第二池化块和第三池化块，所述三个SE模块分别为第一SE模块、第二SE模块和第三SE模块；

所述第一卷积块、第二卷积块、第一池化块、第一SE模块、第三卷积块、第四卷积块、第二池化块、第二SE模块、Inception模块、第三池化块、第三SE模块、全局平均池化层，全连接层和Softmax层依次连接。

4.根据权利要求2所述的一种基于卷积神经网络的图像分类方法，其特征在于，所述对所述图像分类卷积神经网络模型进行训练这一步骤，包括：

从Cifar10数据集中获取原始训练数据集，所述原始训练数据集为32*32的彩色图像；

对所述32*32的彩色图像进行扩充得到34*34的彩色图像后随机裁剪得到第一图像，所述第一图像的大小为32*32，

将所述第一图像水平180°随机翻转得到训练样本集；

计算原始训练数据集的均值和标准差，得到计算结果；

根据所述计算结果，对所述训练样本集进行标准化处理；

获取标准化处理后的训练样本集以对所述图像分类卷积神经网络模型进行训练。

5.根据权利要求4所述的一种基于卷积神经网络的图像分类方法，其特征在于，所述根据所述计算结果，对所述训练样本集进行标准化处理具体为：

将所述训练样本集中的每一个数据减去均值后除以标准差。

6.根据权利要求2所述的一种基于卷积神经网络的图像分类方法，其特征在于，所述对训练后的所述图像分类卷积神经网络模型进行测试这一步骤，包括：

构建测试数据集；

将所述测试数据集输入训练后的所述图像分类卷积神经网络模型；

获取训练后的所述图像分类卷积神经网络模型输出的测试分类结果；

将所述测试分类结果与标签进行对比得到图像被正确分类的概率值。

7.根据权利要求2所述的一种基于卷积神经网络的图像分类方法，其特征在于：

所述卷积块将输入的待分类图像进行卷积操作并取反，取反得到的结果和卷积结果通过concat函数合并后一起作用于ELU激活函数，得到图像的正负特征信息；

所述池化块将输入分别进行最大值池化处理和均值池化处理，并将最大值池化处理结果和均值池化处理结果通过concat函数合并，再利用1x1卷积进行降维处理；

所述Inception模块通过并联不同尺寸卷积核，提升所述图像分类卷积神经网络模型的表达能力；

所述SE模块通过关注通道间的相关性，筛选出通道间注意力。

8.一种基于卷积神经网络的图像分类系统，其特征在于，包括：

第一获取模块，用于获取待分类图像；

分类模块，用于利用训练好的图像分类卷积神经网络模型对所述待分类图像进行分类；

第二获取模块，用于获取所述训练好的图像分类卷积神经网络模型输出的分类结果。