[发明专利]一种基于残差网络与特征差拟合的异纤分类方法

说明书

本发明公开了一种基于残差网络与特征差拟合的异纤分类方法，涉及棉花异纤分类领域，针对现有原棉中的异纤在图像特征上与棉花非常相似导致分类识别困难的问题，现提出如下方案，包括如下步骤：S1、设计异纤分类基础网络CottonNet，用于在图像特征上对异纤和棉花进行分类识别；S2、在S1中的CottonNet基础上引入残差网络，并定义残差模块，得到改进后的网络结构CottonNet‑Res；S3、针对复杂环境下的异纤分类，通过特征差拟合得到改进算法CottonNet‑Fusion。本发明提出的异纤分类方法分类准确率提升到97.4％，在复杂环境的异纤数据上仍能保持90.3％的Top‑1分类准确率。

技术领域

本发明涉及棉花异纤分类领域，尤其涉及一种基于残差网络与特征差拟合的异纤分类方法。

背景技术

棉花是国家重要战略物质之一，与人民的日常生活密切相关，在国民经济中占有重要地位。在棉花的种植、运输和生产环节不可避免地会混入各类异纤，如果不及时清理这些异纤，不仅会引起纺织机械的设备损坏等问题，还会导致最终棉纺织产品质量下降，造成经济损失。

基于机器视觉的棉花异性纤维检测识别方法已得到非常多的关注，从机器视觉的角度来看，异性纤维分类是一个典型的图像分类问题。

目前，深度学习中的图像分类技术得到了越来越广泛的关注，该方法可以自行通过给定算法进行特征提取和数学建模，从原始训练数据中以端到端的方法学习特征。与经典图像处理算法的人工设计特征不同，深度学习网络的浅层结构会检测到边缘、纹理等低阶特征，而随着网络的加深，图像特征中的更抽象信息也会被学习到。

实际环境下的异性纤维识别分类任务并不简单，相当比例的异纤图片由于复杂环境扰动，噪声干扰多，清洁不到位引起的图像弱化，出现了人工设计特征难以准确描述目标等问题。使用传统方法设计异纤目标特征提取算子时，遇到了较大的挑战，较难建立一种非常通用的算子提取到各种背景下的异纤图像特征。如果为了满足应用，就必须设计过多的超参数用于实际场景下的异纤分类调整，大大降低了算法的应用能力。

对于异纤中的地膜、丙纶丝等类别，因为伪异纤中的黄棉、棉秆等杂质的图像特征与它们非常接近，需要关注图像中的目标细微特征，对网络的深度有一定的要求。一般来说，网络越深，提取的高级语义特征越多，对细节的区分也更有意义。但是网络的加深也会带来计算量增大、梯度消失、预测准确率下降等问题。为解决上述问题，我们设计出一种基于残差网络与特征差拟合的异纤分类方法。

发明内容

本发明的目的是为了解决现有技术中存在原棉中的异纤在图像特征上与棉花非常相似导致分类识别困难的缺点，而提出的一种基于残差网络与特征差拟合的异纤分类方法。

为了实现上述目的，本发明采用了如下技术方案：

一种基于残差网络与特征差拟合的异纤分类方法，包括如下步骤：

S1、设计异纤分类基础网络CottonNet，用于在图像特征上对异纤和棉花进行分类识别；

所述CottonNet包含6个卷积层，其参数使用塔式结构，所述CottonNet前面两层主要用于底层特征的提取，再使用四层卷积层提取图像的高层特征，其最后的卷积层没有进行池化，在每个所述卷积层的输出部分都增加非线性激活函数LeakyReLU；

所述CottonNet的分类模型使用Softmax作为分类器，假设输入样本为I，输入样本为图像或向量，经过卷积神经网络操作，得到输出向量为f＝[a₁，a₂，...，a_N]，属于指定类别k的概率为：

S2、在S1中的CottonNet基础上引入残差网络，并定义残差模块，得到改进后的网络结构CottonNet-Res，所述CottonNet-Res采用后四层卷积层增强高层特征提取能力，提高异纤分类准确率；