[发明专利]基于初始权重优化的神经网络的木板类型识别方法及装置

说明书

本发明公开了一种基于初始权重优化的神经网络的木板类型识别方法及装置，涉及人工智能领域；主要包括：获取待识别的木材图像的灰度图像，并计算灰度图像中像素点的灰度梯度值；将灰度图像划分为多个相等的cell区域，每Z*Z个cell组成block，得到每个block的特征向量；计算相邻block之间的余弦相似度，当相邻block之间的余弦相似度大于预设相似度阈值时，对block进行合并；根据合并后的block中cell的梯度方向矩阵以及的特征向量，得到方向复杂度；获得block的纹理复杂度，并根据方向复杂度以及纹理复杂度得到block的热度，根据所有合并后的block的热度获得权重矩阵，利用权重矩阵对神经网络进行初始化后，将待识别的木材图像输入到神经网络中，输出对待识别的木材图像的识别结果。

技术领域

本申请涉及人工智能领域，具体涉及一种基于初始权重优化的神经网络的木板类型识别方法及装置。

背景技术

在利用神经网络对进行分类木板过程中，首先需要对神经网络的权重进行初始化，同时木材图像中的纹理是一个很重要的影响因素，将纹理简单的区域和纹理复杂的区域均设置相同数量的权重是不合理的。

现有技术在对神经网络的权重进行初始化时，往往是随机设置，或者利用另外一个神经网络对该神经网络的初始权重进行训练，使得到的初始权重具有较大的随机性；在神经网络进行训练过程中，对于木材中纹理简单的区域来说，只需要少量激活神经元就可以得到较高的拟合效果，如果初始权重值设置过大，对应的激活神经元过多容易过拟合；而对于木材中纹理复杂的区域来说，需要较多激活神经元才能得到较高拟合效果，如果初始权重值设置过小，对应的激活神经元过少。

因此，现有技术所设置的初始权重不具有针对性，不利于提高神经网络的训练过程的效率，当初始权重值设置过小或者过小时，均会使得神经网络的收敛时间较长，且初始权重值的设置对最终的识别精度也有影响。

发明内容

针对上述技术问题，本发明提供了一种基于初始权重优化的神经网络的木板类型识别方法及装置。

第一方面，本发明提供了一种基于初始权重优化的神经网络的木板类型识别方法，包括：

获取待识别的木材图像的灰度图像，并计算所述灰度图像中每个像素点的灰度梯度值。

将所述灰度图像划分为多个相等的cell区域，并根据每个cell中像素点的灰度梯度值，分别获得每个cell的梯度直方图以及梯度方向矩阵。

将每Z*Z个cell组成block，并根据每个所述block中cell的梯度直方图，分别得到每个block的特征向量，其中Z为预设常数。

计算相邻block的特征向量之间的余弦相似度，当两个相邻的block之间的所述余弦相似度大于预设相似度阈值时，将这两个block进行合并。

根据合并后的所述block中cell的所述梯度方向矩阵以及合并后block的特征向量，得到合并后block的方向复杂度。

根据合并后的block的所述方向复杂度，确定合并后block对应的滑窗的边长，并以合并后的block中像素点为中心建立所述边长的滑窗，将滑窗中灰度共生矩阵的熵作为该像素点的熵，将合并后的block中所有像素点的熵的均值作为该block的纹理复杂度。

根据合并后的block的所述方向复杂度以及所述纹理复杂度，得到block的热度，并根据所有合并后的block的热度获得权重矩阵，利用所述权重矩阵对神经网络进行初始化后，将所述待识别的木材图像输入到神经网络中，输出对待识别的木材图像的识别结果。

进一步的，所述的基于初始权重优化的神经网络的木板类型识别方法，根据合并后的block的所述方向复杂度，确定合并后block对应的滑窗的边长，包括：