[发明专利]基于深度学习的日用陶瓷类型识别方法

权利要求书

1.一种基于深度学习的日用陶瓷类型识别方法，其特征在于，所述基于深度学习的日用陶瓷类型识别方法包括步骤：

1)在自然光下采用不同角度对日用陶瓷进行拍摄，获取日用陶瓷图像数据集；

2)将步骤1)获取得到的日用陶瓷图像数据集使用图像标注工具进行标注，并将标注后的日用陶瓷图像数据集中的每类图像随机分成训练集和测试集，将训练集和测试集按照PASCAL VOC数据集的格式存储；所述训练集的数量和测试集的数量之比是4：1；

3)搭建深度学习网络YOLOv3-M3模型；

4)采用步骤3)搭建得到的深度学习网络YOLOv3-M3模型对步骤2)得到的训练集进行训练，获取日用陶瓷类型识别网络模型；

5)用步骤4)所获取得到的日用陶瓷类型识别网络模型对步骤2)得到的测试集进行识别测试，获取识别结果。

2.根据权利要求1所述的基于深度学习的日用陶瓷类型识别方法，其特征在于，所述步骤1)的具体实现方式是：

1.1)在自然光下采用不同角度对日用陶瓷进行拍摄，获取日用陶瓷图像；

1.2)对步骤1.1)获取得到的日用陶瓷图像进行处理，得到日用陶瓷图像数据集。

3.根据权利要求2所述的基于深度学习的日用陶瓷类型识别方法，其特征在于，所述步骤1.1)中的日用陶瓷是碗、杯、盘、缸、花瓶和壶；

所述步骤1.2)中处理包括对原始图像进行旋转、横向和纵向平移、亮度调整、色度调整、对比度调整以及锐度调整；

当对原始图像进行旋转时，所述旋转角度随机选取15゜和30゜；

当对原始图像进行横向和纵向平移时，所述平移距离选取10mm；

当对原始图像进行亮度调整时，亮度调整范围随机选取-0.2cd/m²和0.2cd/m²；

当对原始图像进行色度调整时，色度调整的级别范围随机选取-0.3和0.3；

当对原始图像进行对比度调整时，对比度调整的范围随机选取-0.3和0.3；

当对原始图像进行锐度调整时，锐度调整范围随机选取-0.5和0.5。

4.根据权利要求1或2或3所述的基于深度学习的日用陶瓷类型识别方法，其特征在于，所述步骤3)的具体实现方式是：

3.1)将原始的深度学习网络YOLO v3的特征提取网络Darknet-53用轻量级特征提取网络MobileNet v3替代来提取日用陶瓷类型图像特征；

3.2)在轻量级特征提取网络MobileNet v3的swish激活函数进行改进，将Rule6(x+3)/6函数代替sigmoid函数，构成轻量级特征提取网络MobileNet v3的非线性激活函数h-swish：

其中：

x表示横坐标的值；

swish(x)表示纵坐标的值；

Rule6是一个近似函数，效果优于Rule；

3.3)将轻量级特征提取网络MobileNet v3与YOLOv3网络中目标识别网络进行拼接，得到深度学习网络YOLOv3-M3模型。

5.根据权利要求4所述的基于深度学习的日用陶瓷类型识别方法，其特征在于，所述步骤4)的具体实现方式是：

4.1)使用基于K-means算法对日用陶瓷类型目标的anchor box进行聚类，获得与检测目标锲合度最高的anchor box大小，用于深度学习网络YOLOv3-M3模型中训练；

4.2)对深度学习网络YOLOv3-M3模型不采用预训练的方式，深度学习网络YOLOv3-M3模型参数设置为模型超参数设置：训练类别数为6，每批量输入图像数为16，数据抖动量为0.3，计算IOU误差值为0.5，动量因子为0.9，训练周期为100，初始标准学习率(lr)为0.0001；

4.3)深度学习网络YOLOv3-M3模型在训练时设置自适应学习率方式，学习率每次缩小10倍，通过每次周期获得的测试集损失值变换超过0.001时，深度学习网络YOLOv3-M3模型才会保存一次权重。

6.根据权利要求5所述的基于深度学习的日用陶瓷类型识别方法，其特征在于，所述步骤4.1)中使用基于K-means算法对日用陶瓷类型目标的anchor box进行聚类的具体实现方式是：

4.1.1)确定初始的聚类中心个数K，并通过计算每一个样本与质心之间为欧式距离，将样本归类到距离最小的类别中；

4.1.2)重新计算每个类别的质心，重复步骤4.1.1)，直到质心不再改变；

4.1.3)确定每个样本所属类别以及每个类别的质心，在深度学习网络YOLOv3-M3模型中使用预测框和anchor box的面积重叠度IOU(N，M)作为聚类的度量值，获得与检测目标锲合度最高的anchor box大小。