[发明专利]一种基于深度卷积神经网络的模式识别方法

摘要

本发明公开了一种基于深度卷积神经网络的模式识别方法，主要是一种基于深度卷积神经网络，引入attention机制及图像增强手段的模式识别方法。首先拿到样本数据集，由相关专业人员对数据集图像进行标注，对图像做灰度处理，这样可以凸显出主要目标的轮廓，有利于特征提取，然后利用随机旋转不同角度对数据集进行扩充，再对图像数据做增强以及数据预处理，最后构建出能够高效提取图像特征的深度卷积神经网络，用建立好的数据集进行五折交叉验证对模型进行训练并测试，完成视觉辅助检测模型的构建。本发明在样本识别时运算效率更高，而模型参数减少，降低了资源的占用，以及对软硬件的高需求，可以更好投入到实际使用。

主权项

1.一种基于深度卷积神经网络的模式识别方法，其特征在于：该方法包括以下步骤：步骤1、构建一个169层的DenseNet模型，该DenseNet模型的主干结构是由4个密集连接的稠密块以及4个过渡层交替拼接而成，稠密块与过渡层之间会有若干个卷积核；每个稠密块内，在每次卷积操作开始前都要将之前所有的结果在通道方向上拼接，实现密集连接的特征图传递，一个具有L层的网络，那么highway稠密连接数目为L*(L+1)/2；模型的最后一层为一个Sigmoid输出的全连接层，输出分类结果；步骤2、对数据集加入噪声，对数据集中每张图片随机添加90、180、270三个角度的旋转，起到扩充数据集的目的；步骤3、对图像数据集进行相关预处理；步骤3具体包括以下步骤：步骤3.1、将每张图像进行灰度处理，凸显目标区域位置及轮廓纹理，并将图像压缩到256*256的尺寸；步骤3.2、对图像数据集中每张图像做Five Crop到224，有50％几率对图像随机进行水平、竖直翻转；步骤3.3、使用ImageNet数据集的平均值与方差对数据集进行标准化处理，即对于图像中第i个点的原像素值x_i求标准差其中μ和σ2分别代表ImageNet数据集的均值与方差；步骤3.4、将图像数据集随机生成五份数据集，每份图像数据集包含不同的训练集与验证集；训练集的数据占所有数据的80％，验证集的数据占所有数据的20％；步骤4、使用预处理好的数据集对DenseNet模型进行训练；步骤4具体包括以下步骤：步骤4.1、DenseNet模型的训练方法采用标准的Adam优化算法对DenseNet模型进行训练优化，训练时的batch size为16；步骤4.2、在DenseNet模型的每个稠密块之间添加注意力模块；训练50个epoch，让DenseNet模型在训练过程中更关注目标区域；每个epoch之后DenseNet模型都会对验证集进行预测，记录DenseNet模型预测的准确率并输出，前20个epoch学习率设为0.001，第20次开始降为0.0001，第40次降为0.00001；通过五折交叉验证进行训练，生成最终的DenseNet模型作为最后结果；步骤4.3、保存生成的DenseNet模型，使用测试集的数据对模型分类的准确率做出评价。