刀具图像分类方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了刀具图像分类方法、装置、计算机设备及存储介质。所述方法包括：获取待分类图像；将所述待分类图像输入至分类模型中进行种类识别，以得到识别结果；其中，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，在对所述深度神经网络进行训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述参数值设定为失活状态之前的所述参数值的大小。通过实施本发明专利技术实施例的方法可实现减少模型过拟合，更有效地对图像提取特征，提升网络模型的分类性能。提升网络模型的分类性能。提升网络模型的分类性能。

【技术实现步骤摘要】
刀具图像分类方法、装置、计算机设备及存储介质


[0001]本专利技术涉及深度学习模型，更具体地说是指刀具图像分类方法、装置、计算机设备及存储介质。

技术介绍

[0002]刀具管理柜中的刀具自动识别系统可以自动识别用户归还的刀具，从而减少用户手动输入刀具类别的操作。刀具自动识别系统采用的是刀具识别算法模型，在算法模型训练的过程中，由于每一类刀具图像的多样性较低，且刀具的种类很多，容易导致识别模型过拟合。
[0003]而现有的刀具图像分类方法对卷积核不同位置的参数一视同仁，没有充分发挥卷积核骨架的关键作用，在数据量少，模型参数量大的情况下，不加任何约束进行训练容易产生过拟合，对所有参数施加L2约束则容易使得卷积核中间十字骨架的权重变小。
[0004]因此，有必要设计一种新的方法，实现减少模型过拟合，更有效地对图像提取特征，提升网络模型的分类性能。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供刀具图像分类方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下技术方案：刀具图像分类方法，包括：
[0007]获取待分类图像；
[0008]将所述待分类图像输入至分类模型中进行种类识别，以得到识别结果；
[0009]其中，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，在对所述深度神经网络进行训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述参数值设定为失活状态之前的所述参数值的大小。
[0010]其进一步技术方案为：所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，包括：
[0011]获取带有种类标签的图像，以得到样本集；
[0012]构建深度神经网络；
[0013]利用所述样本集训练所述深度神经网络，以得到训练后的模型；
[0014]利用测试图像对训练后的模型进行测试，并根据测试结果确定分类模型。
[0015]其进一步技术方案为：所述利用所述样本集训练所述深度神经网络，以得到训练后的模型，包括：
[0016]将所述样本集按照预先设定的批大小分批次分别输入至所述深度神经网络中；
[0017]在前向传播中，将深度神经网络中的卷积核的四个角的参数，按照设定概率随机设置成失活状态，并记录失活前的参数值，在后向传播中，利用随机梯度下降算法对未失活
的参数进行更新，将处于失活状态的参数恢复至失活前的参数值，以训练所述深度神经网络，得到训练后的模型。
[0018]其进一步技术方案为：所述卷积核为3*3的卷积核。
[0019]其进一步技术方案为：所述设定概率为0.1至0.5。
[0020]其进一步技术方案为：所述设定概率为0.3。
[0021]其进一步技术方案为：所述失活状态为所述参数值设置为零。
[0022]本专利技术还提供了刀具图像分类装置，包括：
[0023]图像获取单元，用于获取待分类图像；
[0024]识别单元，用于将所述待分类图像输入至分类模型中进行种类识别，以得到识别结果；
[0025]模型生成单元，用于通过带有种类标签的图像作为样本集训练深度神经网络，以得到所述分类模型，在对所述深度神经网络进行训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述参数值设定为失活状态之前的所述参数值的大小。
[0026]本专利技术还提供了一种计算机设备，所述计算机设备包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
[0027]本专利技术还提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现如权利要求1至7中任一项所述的方法。
[0028]本专利技术与现有技术相比的有益效果是：本专利技术通过将待分类图像输入至已训练的分类模型中进行种类识别，该分类模型在训练过程中，对神经网络中的卷积核的四个角的参数值按照一定的概率使其失活，弱化四个角的模型贡献，更加强调中间十字骨架的参数值，进一步增强卷积核十字骨架的特征提取能力，实现减少模型过拟合，更有效地对图像提取特征，提升网络模型的分类性能。
[0029]下面结合附图和具体实施例对本专利技术作进一步描述。
附图说明
[0030]为了更清楚地说明本专利技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0031]图1为本专利技术实施例提供的刀具图像分类方法的应用场景示意图；
[0032]图2为本专利技术实施例提供的刀具图像分类方法的流程示意图；
[0033]图3为本专利技术实施例提供的刀具图像分类方法的子流程示意图；
[0034]图4为本专利技术实施例提供的刀具图像分类方法的子流程示意图；
[0035]图5为本专利技术实施例提供的刀具图像分类装置的示意性框图；
[0036]图6为本专利技术实施例提供的计算机设备的示意性框图。
具体实施方式
[0037]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0038]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0039]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0040]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0041]请参阅图1和图2，图1为本专利技术实施例提供的刀具图像分类方法的应用场景示意图。图2为本专利技术实施例提供的刀具图像分类方法的示意性流程图。该刀具图像分类方法应用于服务器中。该服务器与摄像头进行数据交互，通过摄像头拍摄待分类的图像，并采用已训练的分类模型进行种类识别，该已训练的分类模型在训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.刀具图像分类方法，其特征在于，包括：获取待分类图像；将所述待分类图像输入至分类模型中进行种类识别，以得到识别结果；其中，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，在对所述深度神经网络进行训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述参数值设定为失活状态之前的所述参数值的大小。2.根据权利要求1所述的刀具图像分类方法，其特征在于，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，包括：获取带有种类标签的图像，以得到样本集；构建深度神经网络；利用所述样本集训练所述深度神经网络，以得到训练后的模型；利用测试图像对训练后的模型进行测试，并根据测试结果确定分类模型。3.根据权利要求2所述的刀具图像分类方法，其特征在于，所述利用所述样本集训练所述深度神经网络，以得到训练后的模型，包括：将所述样本集按照预先设定的批大小分批次分别输入至所述深度神经网络中；在前向传播中，将深度神经网络中的卷积核的四个角的参数，按照设定概率随机设置成失活状态，并记录失活前的参数值，在后向传播中，利用随机梯度下降算法对未失活的参数进行更新，将处于失活状态的参数恢复至失活前的参数值，以训练所述深度神经网络...

【专利技术属性】
技术研发人员：张少特，张奇特，谭云培，袁兴泷，王兵正，谢万桥，
申请(专利权)人：杭州鄂达精密机电科技有限公司，
类型：发明
国别省市：