一种基于深度学习的珍珠分类方法与流程

技术特征：

1.一种基于深度学习的珍珠分类方法，其特征在于：所述方法包括以下步骤：

1)采集珍珠图像作为样本数据，每颗珍珠包含设定数量幅图像；

2)将所采集的珍珠图像调整成所设定的大小，并对其进行图像预处理，去除图像的噪声；

3)划分样本数据为训练数据和测试数据；

4)设置深度卷积网络的各个网络层的初始参数，将步骤3)所划分的训练数据输入所述深度卷积网络，对网络进行训练；

5)利用训练好的深度卷积网络提取训练数据和测试数据的特征；

6)利用步骤5)提取的训练数据的特征构建SVM分类器，并利用该SVM分类器对测试数据进行分类。

2.如权利要求1所述的一种基于深度学习的珍珠分类方法，其特征在于：所述步骤1)获取的珍珠图像包含两类，分别为含有螺纹的珍珠图像和无螺纹的珍珠图像。

3.如权利要求1所述的一种基于深度学习的珍珠分类方法，其特征在于：所述步骤2)中采用双边滤波去除图像的噪声。

4.如权利要求1所述的一种基于深度学习的珍珠分类方法，其特征在于：所述步骤4)包括以下步骤：

4.1)确定深度卷积网络的结构；

4.2)用不同的小随机数初始化网络中待训练的参数；

4.3)将步骤3)所划分的训练数据输入所述深度卷积网络，计算所述深度卷积网络的输出与实际类别标签之间的误差，通过误差反向传播算法调整所述深度卷积网络各层的权值和偏置项，直到网络稳定或到达所设定的最大迭代次数。

5.如权利要求1～4之一所述的一种基于深度学习的珍珠分类方法，其特征在于：所述步骤1)中，每颗珍珠包含5幅图像，分别为俯视图、左视图、右视图、后视图和主视图；所述步骤4)中构建的深度卷积网络是由5个卷积网络构成的，珍珠的5幅视图分别作为这5个卷积网络的输入以提取螺纹特征。

6.如权利要求5所述的一种基于深度学习的珍珠分类方法，其特征在于：所述5个卷积网络采用相同的结构，分别包括2个卷积层，2个下采样层和1个全连接层。

7.如权利要求5所述的一种基于深度学习的珍珠分类方法，其特征在于：所述5个卷积网络的输出特征需要由ELTWISE层对其进行累加，合并为1个特征向量，并将该特征向量输入FC全连接层，由FC全连接层将特征向量映射到二维后，输入到SOFTMAX层，SOFTMAX层由2个独立的神经元组成，对应有螺纹的珍珠和无螺纹的珍珠。

8.如权利要求7所述的一种基于深度学习的珍珠分类方法，其特征在于：所述步骤5)中利用训练好的深度卷积网络提取特征是指将样本数据作为训练好的深度卷积网络的输入，将深度卷积网络的ELTWISE层的输出作为该样本珍珠的螺纹特征。

9.如权利要求1～4之一所述的一种基于深度学习的珍珠分类方法，其特征在于：所述步骤6)包括以下步骤：

6.1)对步骤5)提取的训练数据的特征进行预处理；

预处理：对得到的特征数据进行归一化处理，将特征数据每一维度的数值映射到[0,1]区间；转换函数为其中x_max为特征数据的最大值，x_min为特征数据的最小值；

6.2)利用6.1)归一化后的训练数据构建SVM分类器；

6.3)将测试数据按照训练数据归一化时的映射关系进行归一化；

6.4)利用SVM分类器对归一化后的测试数据进行分类，判断珍珠是否有螺纹。