[发明专利]一种基于CNN深度学习的DBCC分类模型构建方法

摘要

本发明公开了一种基于CNN深度学习的DBCC分类模型及构建方法,DBCC分类模型包括4层卷积层、3层池化层和2层全连接层,该DBCC分类模型采用softmax loss函数作为损失函数,第一卷积层、第四卷积层、第二池化层、第三池化层、第一全连接层后面各添加了一个激活函数(RELU),并且,在第一卷积层后面添加局部响应值归一化层LRN,在第一全连接层后面添加dropout层。本发明的DBCC分类模型是基于卷积神经网络CNN而构建的,通过在每个卷积层中使用更多的卷积核以及添加LRN、使用dropout、加深网络深度,使得该DBCC分类模型在识别16*16pixel分辨率的小图片时,识别精度更高。

主权项

1.一种基于CNN深度学习的DBCC分类模型构建方法，包括以下步骤:步骤一、以卷积方式将输入的原始图片与第一卷积层中的所有卷积核进行卷积求和，得到第一卷积层的特征映射图；步骤二、在第一卷积层后添加一Relu激活函数；步骤三、在第一卷积层后添加一用于图片明亮度矫正的局部响应值归一化层；步骤四、将第一卷积层的特征映射图在第一池化层中进行下采样，并作为第一池化层的特征映射图；步骤五、在第二卷积层上以卷积方式将第一池化层的特征映射图与第二卷积层中的所有卷积核进行卷积求和，得到第二卷积层的特征映射图，将第二卷积层的特征映射图在第二池化层中进行下采样并作为第二池化层的特征映射图；步骤六、在第二池化层后添加一Relu激活函数后在第三卷积层上以卷积方式将第二池化层的特征映射图与第三卷积层中的所有卷积核进行卷积求和，得到第三卷积层的特征映射图，将第三卷积层的特征映射图在第三池化层中进行下采样并作为第三池化层的特征映射图；步骤七、在第三池化层后添加一Relu激活函数后在第四卷积层上以卷积方式将第三池化层的特征映射图与第四卷积层中的所有卷积核进行卷积求和，得到第四卷积层的特征映射图；步骤八、在第四卷积层后添加一Relu激活函数后将第四卷积层的特征映射图输出至第一全连接层，第一全连接层后面添加了一个RELU激活函数，并且，在第一全连接层后添加用于防止过拟合的Dropout层；步骤九、将步骤八中Dropout层得到的特征映射图输出至第二全连接层，在所述第二全连接层后采用一softmax loss函数作为损失函数，最后一层即输出桥梁背景面元和桥梁裂缝面元在本次识别过程中所属类别的概率；上述步骤一至步骤九中，卷积层具体的计算过程如公式(1)所示:其中，X(l‑1)为第l‑1层的特征映射图，W(l)为当前卷积层的卷积核，b(l)为偏置项，f为激活函数，X(l)为第l卷积层最终得到的特征映射图。