一种基于多层超限学习网络的混凝土裂缝检测方法与流程

本发明属于图像处理技术领域，尤其涉及一种基于多层超限学习网络的混凝土裂缝检测方法。

背景技术：

裂缝是影响混泥土结构强度的最常见安全隐患之一，准确、及时地发现混凝土裂缝对维护混凝土机构安全与寿命意义重大。

常用的混凝土裂缝检测方式有人工检测、超声波检测、基于图像处理的检测方法。现有的混凝土裂缝检测方式检测精度较低，且检测效率低。

技术实现要素：

有鉴于此，本发明实施例提供了一种基于多层超限学习网络的混凝土裂缝检测方法，以解决现有技术中混凝土裂缝检测的精度低、效率低的问题。

本发明实施例的第一方面提供了一种基于多层超限学习网络的混凝土裂缝检测方法，包括：

获取样本图像，并对所述样本图像进行预处理；

基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据；

基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器；

利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。

本发明实施例的第二方面提供了一种基于多层超限学习网络的混凝土裂缝检测装置，包括：

预处理单元，用于获取样本图像，并对所述样本图像进行预处理；

特征提取单元，用于基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据；

训练单元，用于基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器；

检测单元，用于利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：

本发明实施例通过获取样本图像，并对所述样本图像进行预处理；基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据；基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器；利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测；有效提高了混凝土裂缝检测的效率和精度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测方法的实现流程示意图；

图2是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测装置的示意图；

图3是本发明实施例提供的终端设备的示意图；

图4是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测方法的示意框图；

图5是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测的训练过程示意图；

图6是本发明实施例提供的利用基于多层超限学习网络的混凝土裂缝检测方法得到的实验结果图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

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”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。

还应当理解，在此本发明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发明。如在本发明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。

还应当进一步理解，在本发明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。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测的实现流程图，图4是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测方法的示意框图，图5是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测的训练过程示意图；结合图4和图5，可以更清楚、直观地了解本发明中的方法；如图1所示，所述方法可以包括以下步骤：

步骤S101，获取样本图像，并对所述样本图像进行预处理。

可选的，所述对所述样本图像进行预处理，包括：

将所述样本图像转换成灰度图像；

对所述灰度图像进行标准化处理得到标准化图像；

获取所述标准化图像的标签数据，并利用所述标准化图像和所述标签数据构建样本图像库。

在实际应用中，可以通过单通道转换法将样本彩色图像转换成灰度图像。示例性的，Y＝0.3R+0.596G+0.11B，其中，G表示彩色图像的绿色分量，R表示彩色图像的红色分量，B表示彩色图像的蓝色分量，Y表示转换后的灰度值。

标准化图像的标签数据可以是由人工进行标定的，标签数据可以分为裂缝和非裂缝，将每张标准化图像和其对应的标签数据存入样本图像库中。

可选的，所述对所述灰度图像进行标准化处理得到标准化图像，包括：

对所述灰度图像进行分块处理，得到至少一个图像块；

对所述图像块分别进行预设角度的旋转，得到旋转后的图像块；

将旋转前的图像块的尺寸和所述旋转后的图像块的尺寸均调整为预设尺寸，得到标准化图像。

示例性的，将灰度图像按照2D平面网格划分为Z个不重叠的图像块区域，这Z个不重叠的图像块区域可以分为有裂缝的图像块区域和不含裂缝的图像块区域两类，由此得到裂缝图像块和非裂缝图像块。进一步将得到的图像块进行90度(预设角度)的图像旋转，由此获取更多模式的图像块；为了适应不同尺寸大小的图像块，将得到的每一张图像块的尺寸调整为50*50(预设尺寸)。需要说明的是，上述只是对如何对灰度图像进行标准化处理得到标准化图像的一个示例，示例中的图像块的个数、预设角度、预设尺寸只是一个示例，并不对数值做具体限定。

步骤S102，基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据。

可选的，所述基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据，包括：

从所述样本图像库中随机抽取至少两个标准化图像，得到训练图像；

对所述训练图像分别进行向量化处理，得到图像训练样本数据；

将所述图像训练样本数据输入到所述预设特征提取模型，得到特征数据。

示例性的，从样本图像库中随机抽取N/2个裂缝图像块和N/2个非裂缝图像块，经过标准化后，将每个50*50尺寸的图像块进行向量化，得到1*2500的图像向量，最终将所有裂缝图像向量与非裂缝图像向量并联得到图像训练样本数据矩阵需要说明的是，其中N只是用来表示裂缝图像块和非裂缝图像块的总个数，具体数值不做限定。

可选的，所述将所述图像训练样本数据输入到所述预设特征提取模型，得到特征数据，包括：

将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络，得到第一输出权重；

基于第一预设公式对所述第一输出权重进行优化，得到优化后的第一输出权重，并根据所述优化后的第一输出权重计算所述第一层超限学习特征提取网络的输出，得到所述图像训练样本数据的第一特征数据；

将所述第一特征数据输入到所述预设特征提取模型中的第二层超限学习特征提取网络，得到第二输出权重；

基于第一预设公式对所述第二输出权重进行优化，得到优化后的第二输出权重，并根据所述优化后的第二输出权重计算所述第二层超限学习特征提取网络的输出，得到所述图像训练样本数据的第二特征数据；

其中，所述第一预设公式为：

式中，所述β1为输出权重，所述H1＝G(W1,b1,X)为超限学习特征提取网络的隐层输出矩阵，所述X为超限学习网络的输入，所述(W1,b1)为超限学习特征提取网络的输入隐层节点参数，所述μ为正则化参数；对第一输出权重进行优化时，所述β1为第一输出权重，所述H1＝G(W1,b1,X)为第一层超限学习特征提取网络的隐层输出矩阵，所述X为所述图像训练样本数据，所述(W1,b1)为第一层超限特征提取学习网络的输入隐层节点参数；对第二输出权重进行优化时，所述β1为第二输出权重，所述H1＝G(W1,b1,X)为第二层超限学习特征提取网络的隐层输出矩阵，所述X为所述第一特征数据，所述(W1,b1)为第二层超限学习特征提取网络的输入隐层节点参数。

可选的，所述将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络，得到第一输出权重，包括：

获取所述第一层超限学习特征提取网络的隐层节点的个数和输入隐层节点参数；

根据所述图像训练样本数据、所述隐层节点的个数和所述输入隐层节点参数生成所述第一层超限学习特征提取网络的隐层输出矩阵；

基于所述隐层输出矩阵计算所述第一层超限学习特征提取网络的输出，并根据所述隐层输出矩阵及所述第一层超限学习特征提取网络的输出计算所述第一输出权重。

在实际应用中，预设特征提取模型可以是两层的超限学习网络，具体的，可以是两层的超限学习自编码网络(ELM自编码网络)。第一层和第二层的ELM自编码网络的隐层节点的个数均可以设置为1000。另外，将所述第一特征数据输入到所述预设特征提取模型中的第二层超限学习特征提取网络，得到第二输出权重的方法，与将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络，得到第一输出权重的方法相同，在此不再赘述。

为了获取更稀疏、紧凑的结构特征数据，采用1范数并基于第一预设公式对第一输出权重进行优化。得到优化后的第一输出权重后，计算第一特征数据X1＝Xβ1^T，其中，X为图像训练样本数据，β1为第一输出权重，X1为第一特征数据；类似的，基于第一预设公式对第二输出权重进行优化得到优化后的第二输出权重，计算第二特征数据其中，X1为第一特征数据，β1为第二输出权重，X2为第二特征数据。需要说明的是，β1中的下角标1只是用来区分第一预设公式与第二预设公式中的β，换句话说，β1表示的是预设特征提取模型中的输出权重，而β2表示的是预设检测器中的输出权重；在第一预设公式中，当对第一输出权重进行优化时，所述β1表示第一输出权重，当对第二输出权重进行优化时，所述β1表示第二输出权重。

步骤S103，基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器。

可选的，所述基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器，包括：

从所述第二特征数据中随机抽出90％的特征数据作为特征训练样本数据；

将所述特征训练样本数据输入到所述预设检测器，得到第三输出权重，所述预设检测器包括：超限学习机分类器；

基于第二预设公式对所述第三输出权重进行优化，得到优化后的第三输出权重；

其中，所述第二预设公式为：

Minimize:{||β2||2+λ||H2β2-T||2}

式中，所述β2为所述第三输出权重，所述H2＝G(W2,b2,X′)为所述预设检测器的隐层输出矩阵，所述(W2,b2)为所述预设检测器的输入隐层节点参数，所述X＇为所述特征训练样本数据，所述T为所述特征训练样本数据对应的标签矩阵，所述λ是正则化参数。

在实际应用中，预设检测器可以是超限学习机，超限学习机是一种单隐层前馈神经网络。从所述第二特征数据中随机抽出90％的特征数据作为特征训练样本数据，特征训练样本数据用来训练预设检测器；第二特征数据中剩余的10％特征数据作为检验数据，用来对训练后的预设检测器进行检验，以验证预设检测器是否满足精度要求。需要说明的是，本实施例中的90％、10％只是一个优选示例，还可以选择其他比例，在此不做具体限定。

步骤S104，利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。

在实际应用中，多层超限学习网络包括预设特征提取模型与预设检测器，如图4所示，预设特征提取模型包括两层ELM自编码网络(如图4中的稀疏ELM自编码特征提取)，预设检测器为单层超限学习机分类器(如图4中的ELM裂缝区域检测)。当需要对待检测图像进行混凝土裂缝的检测时，仍需要先将待检测图像进行预处理，再将预处理后的图像输入到多层超限学习网络中，经过多层超限学习网络的特征提取和检测的过程，得到最终的检测结果。

图6是本发明实施例提供的利用基于多层超限学习网络的混凝土裂缝检测方法得到的实验结果图。图中，图6(a)为实际拍摄图像，图6(b)为人工标记图像，图6(c)为根据本发明实施例提供的利用基于多层超限学习网络的混凝土裂缝检测方法得到的裂缝区域的检测结果图，与人工标记的裂缝区域基本一致。

本实施例通过获取样本图像，并对所述样本图像进行预处理；基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据；基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器；利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测；有效提高了混凝土裂缝检测的效率和精度。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

图2是本发明实施例提供的基于多层超限学习网络的混凝土裂缝检测装置的示意图，为了便于说明，仅示出与本发明实施例相关的部分。

所述基于多层超限学习网络的混凝土裂缝检测装置2包括：

预处理单元21，用于获取样本图像，并对所述样本图像进行预处理。

特征提取单元22，用于基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据。

训练单元23，用于基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器。

检测单元24，用于利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。

可选的，所述预处理单元21包括：

转换子单元，用于将所述样本图像转换成灰度图像。

标准化子单元，用于对所述灰度图像进行标准化处理得到标准化图像。

构建子单元，用于获取所述标准化图像的标签数据，并利用所述标准化图像和所述标签数据构建样本图像库。

可选的，所述标准化子单元包括：

分块模块，用于对所述灰度图像进行分块处理，得到至少一个图像块。

旋转模块，用于对所述图像块分别进行预设角度的旋转，得到旋转后的图像块。

调整模块，用于将旋转前的图像块的尺寸和所述旋转后的图像块的尺寸均调整为预设尺寸，得到标准化图像。

可选的，所述特征提取单元22包括：

第一抽取子单元，用于从所述样本图像库中随机抽取至少两个标准化图像，得到训练图像。

向量化子单元，用于对所述训练图像分别进行向量化处理，得到图像训练样本数据。

第一输入子单元，用于将所述图像训练样本数据输入到所述预设特征提取模型，得到特征数据。

可选的，所述第一输入子单元包括：

第一输入模块，用于将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络，得到第一输出权重。

第一优化模块，用于基于第一预设公式对所述第一输出权重进行优化，得到优化后的第一输出权重，并根据所述优化后的第一输出权重计算所述第一层超限学习特征提取网络的输出，得到所述图像训练样本数据的第一特征数据。

第二输入模块，用于将所述第一特征数据输入到所述预设特征提取模型中的第二层超限学习特征提取网络，得到第二输出权重。

第二优化模块，用于基于第一预设公式对所述第二输出权重进行优化，得到优化后的第二输出权重，并根据所述优化后的第二输出权重计算所述第二层超限学习特征提取网络的输出，得到所述图像训练样本数据的第二特征数据。

其中，所述第一预设公式为：

式中，所述β1为输出权重，所述H1＝G(W1,b1,X)为超限学习网络的隐层输出矩阵，所述X为超限学习网络的输入，所述(W1,b1)为超限学习网络的输入隐层节点参数，所述μ为正则化参数；对第一输出权重进行优化时，所述β1为第一输出权重，所述H1＝G(W1,b1,X)为第一层超限学习特征提取网络的隐层输出矩阵，所述X为所述图像训练样本数据，所述(W1,b1)为第一层超限学习特征提取网络的输入隐层节点参数；对第二输出权重进行优化时，所述β1为第二输出权重，所述H1＝G(W1,b1,X)为第二层超限学习特征提取网络的隐层输出矩阵，所述X为所述第一特征数据，所述(W1,b1)为第二层超限学习特征提取网络的输入隐层节点参数。

可选的，所述第一输入模块包括：

获取子模块，用于获取所述第一层超限学习特征提取网络的隐层节点的个数和输入隐层节点参数。

生成子模块，用于根据所述图像训练样本数据、所述隐层节点的个数和所述输入隐层节点参数生成所述第一层超限学习特征提取网络的隐层输出矩阵。

计算子模块，用于基于所述隐层输出矩阵计算所述第一层超限学习特征提取网络的输出，并根据所述隐层输出矩阵及所述第一层超限学习特征提取网络的输出计算所述第一输出权重。

可选的，所述训练单元23包括：

第二抽取子单元，用于从所述第二特征数据中随机抽取90％的特征数据作为特征训练样本数据。

第二输入子单元，用于将所述特征训练样本数据输入到所述预设检测器，得到第三输出权重，所述预设检测器包括：超限学习机分类器。

优化子单元，用于基于第二预设公式对所述第三输出权重进行优化，得到优化后的第三输出权重。

其中，所述第二预设公式为：

Minimize:{||β2||2+λ||H2β2-T||2}

式中，所述β2为所述第三输出权重，所述H2＝G(W2,b2,X′)为所述预设检测器的隐层输出矩阵，所述(W2,b2)为所述预设检测器的输入隐层节点参数，所述X＇为所述特征训练样本数据，所述T为所述特征训练样本数据对应的标签矩阵，所述λ是正则化参数。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图3是本发明实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个混凝土裂缝检测器的训练方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示模块21至24的功能。

示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述终端设备3中的执行过程。例如，所述计算机程序32可以被分割成预处理单元、特征提取单元、训练单元、检测单元，各单元具体功能如下：

预处理单元，用于获取样本图像，并对所述样本图像进行预处理。

特征提取单元，用于基于预设特征提取模型对预处理后的样本图像进行特征提取，得到特征数据。

训练单元，用于基于所述特征数据对预设检测器进行训练，得到训练后的预设检测器。

检测单元，用于利用所述训练后的预设检测器对待检测图像进行混凝土裂缝的检测。

可选的，所述预处理单元包括：

转换子单元，用于将所述样本图像转换成灰度图像。

标准化子单元，用于对所述灰度图像进行标准化处理得到标准化图像。

构建子单元，用于获取所述标准化图像的标签数据，并利用所述标准化图像和所述标签数据构建样本图像库。

可选的，所述标准化子单元包括：

分块模块，用于对所述灰度图像进行分块处理，得到至少一个图像块。

旋转模块，用于对所述图像块分别进行预设角度的旋转，得到旋转后的图像块。

调整模块，用于将旋转前的图像块的尺寸和所述旋转后的图像块的尺寸均调整为预设尺寸，得到标准化图像。

可选的，所述特征提取单元包括：

第一抽取子单元，用于从所述样本图像库中随机抽取至少两个标准化图像，得到训练图像。

向量化子单元，用于对所述训练图像分别进行向量化处理，得到图像训练样本数据。

第一输入子单元，用于将所述图像训练样本数据输入到所述预设特征提取模型，得到特征数据。

可选的，所述第一输入子单元包括：

第一输入模块，用于将所述图像训练样本数据输入到所述预设特征提取模型中的第一层超限学习特征提取网络，得到第一输出权重。

第一优化模块，用于基于第一预设公式对所述第一输出权重进行优化，得到优化后的第一输出权重，并根据所述优化后的第一输出权重计算所述第一层超限学习特征提取网络的输出，得到所述图像训练样本数据的第一特征数据。

第二输入模块，用于将所述第一特征数据输入到所述预设特征提取模型中的第二层超限学习特征提取网络，得到第二输出权重。

第二优化模块，用于基于第一预设公式对所述第二输出权重进行优化，得到优化后的第二输出权重，并根据所述优化后的第二输出权重计算所述第二层超限学习特征提取网络的输出，得到所述图像训练样本数据的第二特征数据。

其中，所述第一预设公式为：

式中，所述β1为输出权重，所述H1＝G(W1,b1,X)为超限学习网络的隐层输出矩阵，所述X为超限学习网络的输入，所述(W1,b1)为超限学习网络的输入隐层节点参数，所述μ为正则化参数；对第一输出权重进行优化时，所述β1为第一输出权重，所述H1＝G(W1,b1,X)为第一层超限学习特征提取网络的隐层输出矩阵，所述X为所述图像训练样本数据，所述(W1,b1)为第一层超限学习特征提取网络的输入隐层节点参数；对第二输出权重进行优化时，所述β1为第二输出权重，所述H1＝G(W1,b1,X)为第二层超限学习特征提取网络的隐层输出矩阵，所述X为所述第一特征数据，所述(W1,b1)为第二层超限学习特征提取网络的输入隐层节点参数。

可选的，所述第一输入模块包括：

获取子模块，用于获取所述第一层超限学习特征提取网络的隐层节点的个数和输入隐层节点参数。

生成子模块，用于根据所述图像训练样本数据、所述隐层节点的个数和所述输入隐层节点参数生成所述第一层超限学习特征提取网络的隐层输出矩阵。

计算子模块，用于基于所述隐层输出矩阵计算所述第一层超限学习特征提取网络的输出，并根据所述隐层输出矩阵及所述第一层超限学习特征提取网络的输出计算所述第一输出权重。

可选的，所述训练单元包括：

第二抽取子单元，用于从所述第二特征数据中随机抽取90％的特征数据作为特征训练样本数据。

第二输入子单元，用于将所述特征训练样本数据输入到所述预设检测器，得到第三输出权重，所述预设检测器包括：超限学习机分类器。

优化子单元，用于基于第二预设公式对所述第三输出权重进行优化，得到优化后的第三输出权重。

其中，所述第二预设公式为：

Minimize:{||β2||2+λ||H2β2-T||2}

式中，所述β2为所述第三输出权重，所述H2＝G(W2,b2,X′)为所述预设检测器的隐层输出矩阵，所述(W2,b2)为所述预设检测器的输入隐层节点参数，所述X＇为所述特征训练样本数据，所述T为所述特征训练样本数据对应的标签矩阵，所述λ是正则化参数。

所述终端设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是终端设备3的示例，并不构成对终端设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器31可以是所述终端设备3的内部存储单元，例如终端设备3的硬盘或内存。所述存储器31也可以是所述终端设备3的外部存储设备，例如所述终端设备3上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器31还可以既包括所述终端设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。