一种基于最优训练集的深度学习图像分类方法及系统技术方案

本发明专利技术提供了一种基于最优训练集的深度学习图像分类方法及系统。该方案包括获取所有的分类图像后，将所述分类图像缩放为长200像素宽200像素的归一化图像，生成样本训练集、样本验证集和样本测试集；获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成7个训练集和7个验证集；生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集，分别利用3个神经网络进行训练，生成准确率；获得准确率排名第一的目标分类器后，生成目标图像分类结果。该方案利用数据融合方式组成多种训练集，训练获得最优训练集，保证图像分类准确率，提高图像分类通用性。

【技术实现步骤摘要】
一种基于最优训练集的深度学习图像分类方法及系统
本专利技术涉及计算机视觉图像识别
，更具体地，涉及一种基于最优训练集的深度学习图像分类方法及系统。
技术介绍
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。由于深度学习可以通过多层次的运算结构，尽可能的逼近现实的关联关系。近年来深度学习在学术界、科技界应用广泛，尤其在图像领域，目前已经在图像分类领域取得较大进展，取得不错成效。但目前深度学习网络模型仍然存在诸多问题：1)通用性较差，难以适应各种不同的图像分类任务，经常会出现这种网络模型对某种图像分类效果较好；2)图像分类任务效果较差。因此，亟需对于研究能够适用于不同场景的通用型图像分类方法。
技术实现思路
鉴于上述问题，本专利技术提出了一种基于最优训练集的深度学习图像分类方法及系统，利用数据融合方式组成多种训练集，训练获得最优训练集，在保证图像分类准确率下，提高图像分类的通用性。根据本专利技术实施例第一方面，提供一种基于最优训练集的深度学习图像分类方法。所述的一种基于最优训练集的深度学习图像分类方法具体包括：获取所有的分类图像后，将所述分类图像缩放为长200像素宽200像素的归一化图像，生成样本训练集、样本验证集和样本测试集；获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集；按照预设规则对所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集，所述第五训练集、所述第六训练集、所述第七训练集、所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集进行整合，生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集；将所述单通道训练集、所述单通道验证集、所述双通道训练集、所述双通道验证集、所述三通道训练集和所述三通道训练集分别利用第一神经网络、第二神经网络和第三神经网络进行训练，生成单通道准确率、双通道准确率、三通道准确率；将所有的所述单通道准确率、所述双通道准确率和所述三通道准确率，获得准确率排名第一的目标分类器后，通过目标分类器对所述样本测试集进行图像分类运算，生成目标图像分类结果。在一个或多个实施例中，优选地，所述获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集，具体包括：将所述样本训练集和所述样本验证集中的所有彩色图像转换为灰度图，并分别保存到所述第一训练集和所述第一验证集；获取所述第一训练集和所述第一验证集，进行二值化操作，分别保存到所述第二训练集和所述第二验证集，其中，二值化操作采用大津二值化算法；获取所述第一训练集和所述第一验证集，进行边缘轮廓提取，分别保存到所述第三训练集和所述第三验证集，其中，所述边缘轮廓提取采用canny算子；获取所述第一训练集和所述第一验证集，进行梯度运算，分别保存到所述第四训练集和所述第四验证集，所述梯度运算采用sobel算子；提取所述样本训练集和所述样本验证集中的所有彩色图像，进行三原色分离，生成所述第五训练集、所述第六训练集、所述第七训练集、所述第五验证集、所述第六验证集和所述第七验证集。具体的，Sobel算子为离散微分算子，英文名discretedifferentiationoperator,用来计算图像灰度的近似梯度,梯度越大越有可能是边缘；canny算子为边缘检测计算理论，英文名computationaltheoryofedgedetection，是找到一个最优的边缘检测算法。在一个或多个实施例中，优选地，所述按照预设规则对所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集，所述第五训练集、所述第六训练集、所述第七训练集、所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集进行整合，生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集，具体包括：将所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集、所述第五训练集、所述第六训练集、所述第七训练集存储到所述单通道训练集；将所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集、所述第七验证集存储到所述单通道验证集；从所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集、所述第五训练集、所述第六训练集和所述第七训练集中选择两个，通过将被选择的2种训练集中每张对应图片组成一个新的双通道的训练集，生成21个训练集，保存到所述双通道训练集内；从所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集中选择两个，通过将被选择的2种验证集中每张对应图片组成一个新的双通道的验证集，生成21个验证集，保存到所述双通道验证集内；从所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集、所述第五训练集、所述第六训练集和所述第七训练集中选择三个，通过将被选择的3种训练集中每张对应图片组成一个新的三通道的训练集，生成35个训练集，保存到所述三通道训练集内；从所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集中选择三个，通过将被选择的3种验证集中每张对应图片组成一个新的三通道的验证集，生成35个验证集，保存到所述三通道验证集内。在一个或多个实施例中，优选地，所述将所述单通道训练集、所述单通道验证集、所述双通道训练集、所述双通道验证集、所述三通道训练集和所述三通道训练集分别利用第一神经网络、第二神经网络和第三神经网络进行训练，生成单通道准确率、双通道准确率、三通道准确率，具体包括：获得所述单通道训练集，通过第一神经网络进行训练，训练完成后，通过所述单通道验证集进行验证，获得单通道精度；获得所述双通道训练集，通过第二神经网络进行训练，训练完成后，通过所述双通道验证集进行验证，获得双通道精度；获得所述三通道训练集，通过第三神经网络进行训练，训练完成后，通过所述三通道验证集进行验证，获得三通道精度。在一个或多个实施例中，优选地，所述第一神经网络，具体包括：单通道图像输入层，用于输入长度200像素本文档来自技高网...

【技术保护点】
1.一种基于最优训练集的深度学习图像分类方法，其特征在于，该方法包括：/n获取所有的分类图像后，将所述分类图像缩放为长200像素宽200像素的归一化图像，生成样本训练集、样本验证集和样本测试集；/n获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集；/n按照预设规则对所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集，所述第五训练集、所述第六训练集、所述第七训练集、所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集进行整合，生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集；/n将所述单通道训练集、所述单通道验证集、所述双通道训练集、所述双通道验证集、所述三通道训练集和所述三通道训练集分别利用第一神经网络、第二神经网络和第三神经网络进行训练，生成单通道准确率、双通道准确率、三通道准确率；/n将所有的所述单通道准确率、所述双通道准确率和所述三通道准确率，获得准确率排名第一的目标分类器后，通过目标分类器对所述样本测试集进行图像分类运算，生成目标图像分类结果。/n...

【技术特征摘要】
1.一种基于最优训练集的深度学习图像分类方法，其特征在于，该方法包括：
获取所有的分类图像后，将所述分类图像缩放为长200像素宽200像素的归一化图像，生成样本训练集、样本验证集和样本测试集；
获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集；
按照预设规则对所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集，所述第五训练集、所述第六训练集、所述第七训练集、所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集进行整合，生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集；
将所述单通道训练集、所述单通道验证集、所述双通道训练集、所述双通道验证集、所述三通道训练集和所述三通道训练集分别利用第一神经网络、第二神经网络和第三神经网络进行训练，生成单通道准确率、双通道准确率、三通道准确率；
将所有的所述单通道准确率、所述双通道准确率和所述三通道准确率，获得准确率排名第一的目标分类器后，通过目标分类器对所述样本测试集进行图像分类运算，生成目标图像分类结果。


2.如权利要求1所述的一种基于最优训练集的深度学习图像分类方法，其特征在于，所述获取样本训练集和样本验证集中的所有的所述归一化图像，通过色二值化操作、边缘轮廓提取、梯度运算和三原色分离生成第一训练集、第二训练集、第三训练集、第四训练集、第五训练集、第六训练集、第七训练集、第一验证集、第二验证集、第三验证集、第四验证集，第五验证集、第六验证集、第七验证集，具体包括：
将所述样本训练集和所述样本验证集中的所有彩色图像转换为灰度图，并分别保存到所述第一训练集和所述第一验证集；
获取所述第一训练集和所述第一验证集，进行二值化操作，分别保存到所述第二训练集和所述第二验证集，其中，二值化操作采用大津二值化算法；
获取所述第一训练集和所述第一验证集，进行边缘轮廓提取，分别保存到所述第三训练集和所述第三验证集，其中，所述边缘轮廓提取采用canny算子；
获取所述第一训练集和所述第一验证集，进行梯度运算，分别保存到所述第四训练集和所述第四验证集，所述梯度运算采用sobel算子；
提取所述样本训练集和所述样本验证集中的所有彩色图像，进行三原色分离，生成所述第五训练集、所述第六训练集、所述第七训练集、所述第五验证集、所述第六验证集和所述第七验证集。


3.如权利要求1所述的一种基于最优训练集的深度学习图像分类方法，其特征在于，所述按照预设规则对所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集，所述第五训练集、所述第六训练集、所述第七训练集、所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集进行整合，生成单通道训练集、单通道验证集、双通道训练集、双通道验证集、三通道训练集和三通道验证集，具体包括：
将所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集、所述第五训练集、所述第六训练集、所述第七训练集存储到所述单通道训练集；
将所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集、所述第七验证集存储到所述单通道验证集；
从所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集、所述第五训练集、所述第六训练集和所述第七训练集中选择两个，通过将被选择的2种训练集中每张对应图片组成一个新的双通道的训练集，生成21个训练集，保存到所述双通道训练集内；
从所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集中选择两个，通过将被选择的2种验证集中每张对应图片组成一个新的双通道的验证集，生成21个验证集，保存到所述双通道验证集内；
从所述第一训练集、所述第二训练集、所述第三训练集、所述第四训练集、所述第五训练集、所述第六训练集和所述第七训练集中选择三个，通过将被选择的3种训练集中每张对应图片组成一个新的三通道的训练集，生成35个训练集，保存到所述三通道训练集内；
从所述第一验证集、所述第二验证集、所述第三验证集、所述第四验证集、所述第五验证集、所述第六验证集和所述第七验证集中选择三个，通过将被选择的3种验证集中每张对应图片组成一个新的三通道的验证集，生成35个验证集，保存到所述三通道验证集内。


4.如权利要求1所述的一种基于最优训练集的深度学习图像分类方法，其特征在于，所述将所述单通道训练集、所述单通道验证集、所述双通道训练集、所述双通道验证集、所述三通道训练集和所述三通道训练集分别利用第一神经网络、第二神经网络和第三神经网络进行训练，生成单通道准确率、双通道准确率、三通道准确率，具体包括：
获得所述单通道训练集，通过第一神经网络进行训练，训练完成后，通过所述单通道验证集进行验证，获得单通道精度；
获得所述双通道训练集，通过第二神经网络进行训练，训...

【专利技术属性】
技术研发人员：刘伟鑫，徐晨，周松斌，
申请(专利权)人：广东省科学院智能制造研究所，
类型：发明
国别省市：广东;44