买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北大学

摘要：本发明公开了一种基于卷积神经网络的陶瓷碎片分类方法，首先建立了陶瓷样本数据库，然后构建了深度残差收缩网络，针对网络初始参数需要手工调优的问题，本发明提出基于直觉模糊熵的粒子群算法去优化深度残差收缩网络的初始超参数，构建IFEPSO‑DRSN分类模型，利用IFEPSO‑DRSN分类模型进行陶瓷碎片分类；本发明提供的陶瓷碎片分类方法能够有效的提取到陶瓷碎片的复杂视觉外观特征，从而进行准确的分类，同时能自动调节网络的初始超参数，解决网络中参数大小难以调节的问题，有效提高网络的收敛速度、节省优化时间。

主权项：1.一种基于卷积神经网络的陶瓷碎片分类方法，其特征在于包括以下步骤：步骤1，将陶瓷碎片的数字化处理，构建陶瓷样本数据库；步骤2，构建深度残差收缩网络，深度残差收缩网络由八个残差收缩块堆叠而成，残差收缩块包括残差单元、阈值学习单元和软阈值化处理单元；在ResNet18网络的每一个残差单元后加入阈值学习单元，将阈值学习单元输出的阈值再输入到软阈值化处理单元中，将得到的处理结果与输入特征图实现残差连接，得到最终的输出特征图，构建残差收缩块，残差收缩块堆叠成深度残差收缩网络；阈值学习单元过程包括三个步骤：1.压缩：顺着空间维度将全部特征图压缩成1*1大小，将全局空间信息都压缩成一维向量，获取全局感受野；2.激励：自学习到每个特征通道的重要程度，整合特征信息，引入L2正则化处理，得到一组自适应权重；3.计算阈值:根据经过压缩和激励之后得到的权重和特征向量，学习自适应阈值；阈值学习单元学过程计算公式如下： 其中，α为自适应权重，α∈0,1]，|X1|为全局空间信息都压缩后的一维向量，为自适应阈值；软阈值处理单元将阈值学习单元学习到的自适应阈值进行软阈值化处理，完成特征重标定，得到一组新的特征图；软阈值函数表示为： 其中，x为输入特征，为自适应阈值，y为输出特征；步骤3，将直觉模糊熵的概念引入粒子群算法中，建立基于直觉模糊熵的粒子群算法，将直觉模糊熵值作为参数动态调整粒子群算法惯性权重的变化，使得粒子向更优的位置移动，寻得最优解；直觉模糊熵公式如下： 式8中n为种群个数，表示第t次迭代时第i个粒子的隶属度，表示第t次迭代时第i个粒子的非隶属度，表示第t次迭代时第i个粒子的犹豫度即不确定性；式9中将n个粒子的适应度值进行归一化操作，即都在区间[0,1]中，将[0,1]区间进行n等分，如果第i个粒子的适应度值所在的子区间的粒子个数大于1，Ui加1，如果第i个粒子的适应度值所在的子区间的只有1个粒子，Vi加1；根据式10将直觉模糊熵值作为参数动态调整粒子群算法惯性权重w的变化，使得粒子向更优的位置移动，寻得最优解； wmax、wmin分别为粒子的最大、最小惯性权重，分别取0.9、0.4，Imax为最大迭代次数，Dt为式8中的直觉模糊熵；步骤4，使用基于直觉模糊熵的粒子群算法优化深度残差收缩网络，构建IFEPSO-DRSN分类模型，利用IFEPSO-DRSN分类模型进行陶瓷碎片分类；首先构建深度残差收缩网络分类模型，然后使用基于直觉模糊熵的粒子群算法对其超参数初始化，具体过程为：设置粒子群中速度对应的模型中的学习率、迭代次数以及批处理个数，并且粒子群中的适应度值对应模型中的损失函数值，粒子群的适应度值表示粒子群的优化目标，根据适应度值更新粒子的速度和位置，每迭代一次，更新当前所有粒子的速度、位置，选择出当前最优的局部位置和全局位置，同时如果当前适应度值小于历史最优适应度值，更新历史最优适应度值，再将对应的网络超参数输入深度残差收缩网络模型中，得到损失函数值，不断迭代更新，最终优化得到最优超参数，将最优超参数输入IFEPSO-DRSN分类模型中，开始陶瓷碎片分类的训练，训练结束得到最终的IFEPSO-DRSN分类模型。

全文数据：

权利要求：

百度查询： 西北大学 一种基于卷积神经网络的陶瓷碎片分类方法