【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像處理，具體涉及一種基于特征相似度計(jì)算的快速聚合分類方法。
技術(shù)介紹
1、快速分類作為機(jī)器視覺領(lǐng)域的一個(gè)重要分支，其主要任務(wù)是在工業(yè)視覺環(huán)境中區(qū)分圖像是否屬于某一特定類別。與其它機(jī)器視覺任務(wù)不同，分類任務(wù)更側(cè)重于定性分析，即確定圖像屬于預(yù)定義的離散類號(hào)或給出類別的接近值。
2、在傳統(tǒng)的分類方法中，特征提取方案是人工設(shè)計(jì)的，根據(jù)具體需求選擇如顏色直方圖、紋理特征（例如灰度共生矩陣）、形狀特征（例如邊緣檢測(cè)后的幾何描述）以及高維幾何特征等作為表征圖像類別的屬性。這些屬性被用作表達(dá)式的變量來計(jì)算類別間的相似度。傳統(tǒng)的方法包括支持向量機(jī)(svm)、隨機(jī)森林、k-means聚類和早期的神經(jīng)網(wǎng)絡(luò)感知機(jī)等機(jī)器學(xué)習(xí)算法。
3、隨著深度學(xué)習(xí)技術(shù)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（cnn）被引入到機(jī)器視覺領(lǐng)域，可以使用大規(guī)模數(shù)據(jù)集對(duì)cnn架構(gòu)（如lenet、alexnet、vggnet、resnet等）進(jìn)行訓(xùn)練，以實(shí)現(xiàn)輸入圖像的前向分類。深度學(xué)習(xí)模型能夠自動(dòng)調(diào)整參數(shù)以獲取特征信息，從而實(shí)現(xiàn)端到端的學(xué)習(xí)，無需人工干預(yù)，這使得它們?cè)诜诸悜?yīng)用中非常流行。此外，還可以利用預(yù)訓(xùn)練模型作為骨干網(wǎng)絡(luò)，并在此基礎(chǔ)上針對(duì)特定項(xiàng)目定制網(wǎng)絡(luò)層或功能塊，以此提高訓(xùn)練速度并獲得更穩(wěn)定的結(jié)果。
4、然而傳統(tǒng)的人工特征提取與訓(xùn)練模式難以快速響應(yīng)需求變化。由于工業(yè)視覺運(yùn)行環(huán)境的復(fù)雜性和干擾因素，這些方法往往不能保證預(yù)測(cè)結(jié)果的高穩(wěn)定性，特別是對(duì)于不允許ng品被誤判為ok品的應(yīng)用場(chǎng)景。此外，當(dāng)環(huán)境發(fā)生變化時(shí)，需要技術(shù)人員頻繁調(diào)整參數(shù)以滿足檢測(cè)率的
5、其次，人工設(shè)計(jì)的特征具有較強(qiáng)的位置、旋轉(zhuǎn)角和縮放相關(guān)性，這要求有良好的前期定位功能來輔助特征提取。不同特征的變化幅度也存在顯著差異，將它們統(tǒng)一到一致的變化率是一項(xiàng)挑戰(zhàn)，這對(duì)項(xiàng)目的開發(fā)提出了更高的要求，導(dǎo)致前期調(diào)試時(shí)間延長(zhǎng)，并且在項(xiàng)目實(shí)施過程中需要大量的維護(hù)人員參與，以確保設(shè)備的穩(wěn)定運(yùn)行。
技術(shù)實(shí)現(xiàn)思路
1、為解決現(xiàn)有技術(shù)中的不足，本專利技術(shù)提出了一種基于特征相似度計(jì)算的快速聚合分類方法，包括步驟：
2、s1：基于各公開數(shù)據(jù)集和項(xiàng)目實(shí)際應(yīng)用圖像獲取目標(biāo)應(yīng)用場(chǎng)景的訓(xùn)練數(shù)據(jù)集，并提取其中各訓(xùn)練圖像的梯度特征和頻域特征；
3、s2：在遷移學(xué)習(xí)模式下，通過對(duì)各訓(xùn)練圖像以及對(duì)應(yīng)的梯度特征、頻域特征進(jìn)行維度統(tǒng)一后的注意力機(jī)制整合，對(duì)骨架網(wǎng)絡(luò)進(jìn)行重訓(xùn)練得到模型并利用模型得到高維特征；
4、s3：根據(jù)各訓(xùn)練圖像獲得的場(chǎng)景高維特征信息，基于無窮范數(shù)進(jìn)行距離比對(duì)下的基準(zhǔn)核心特征挑選；
5、s4：根據(jù)基準(zhǔn)核心特征，使用基于密度的聚類算法對(duì)當(dāng)前需要訓(xùn)練的數(shù)據(jù)集進(jìn)行噪聲點(diǎn)剔除下的特征矩陣獲取；
6、s5：提取目標(biāo)輸入圖像的梯度特征和頻域特征，并與目標(biāo)輸入圖像進(jìn)行維度統(tǒng)一后的注意力機(jī)制整合，獲取目標(biāo)高維特征信息；
7、s6：根據(jù)目標(biāo)高維特征信息與特征矩陣中基準(zhǔn)核心特征的距離進(jìn)行目標(biāo)輸入圖像的分類判斷。
8、進(jìn)一步地，所述s1步驟中，梯度特征通過將圖像轉(zhuǎn)為灰度圖像后經(jīng)計(jì)算梯度幅值獲得，公式表達(dá)如下：
9、
10、式中，為灰度圖像下點(diǎn)處的梯度幅值，為灰度圖像中點(diǎn)處方向上的梯度分量，為灰度圖像中點(diǎn)處方向上的梯度分量。
11、進(jìn)一步地，所述s1步驟中，通過對(duì)原始空間域圖像利用快速傅里葉變換變化到頻域范圍，并取頻域變化后的實(shí)部信息為頻域特征，頻域變化公式表達(dá)如下：
12、
13、式中，為快速傅里葉變換函數(shù)，為頻域下的坐標(biāo)點(diǎn)，為空間域下圖像在坐標(biāo)處的灰度，分別為空間域下圖像的寬和高，為自然數(shù)，為虛數(shù)。
14、進(jìn)一步地，所述s2步驟中，以resnet50網(wǎng)絡(luò)架構(gòu)作為骨架網(wǎng)絡(luò)的基礎(chǔ)，采用中間數(shù)據(jù)處理和降采樣操作，去除原有框架的輸出層，替換為全局平均池化策略下相同維度的高維特征信息輸出。
15、進(jìn)一步地，全局平均池化下相同維度下的特征輸出，其公式表達(dá)如下：
16、
17、式中，為第個(gè)特征圖的全局平均池化輸出值，為第個(gè)特征圖區(qū)域中位于處的元素，為第個(gè)特征圖全部元素的個(gè)數(shù)。
18、進(jìn)一步地，所述s2步驟中，通過simam網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)注意力機(jī)制下的整合，公式表達(dá)如下：
19、
20、式中，為整合后獲得的增強(qiáng)圖像，為幅值輸入的能量函數(shù)，為頻域輸入的能量函數(shù)，為空間域下的圖像，為卷積運(yùn)算操作。
21、進(jìn)一步地，所述s3步驟中，?無窮范數(shù)下的距離獲取表示為如下公式：
22、
23、式中，為高維特征信息，為高維特征信息在維上的值，為高維特征信息在維上的值，為高維特征信息和高維特征信息之間的無窮范數(shù)距離，為求最大值函數(shù)。
24、進(jìn)一步地，所述s3步驟中，基準(zhǔn)核心特征挑選具體為：
25、當(dāng)類內(nèi)訓(xùn)練數(shù)據(jù)樣本小于預(yù)設(shè)個(gè)數(shù)時(shí)，通過計(jì)算其中每個(gè)樣本和其它類內(nèi)樣本的距離，挑選距離最大的和/或距離和最小的為基準(zhǔn)核心特征；
26、當(dāng)類內(nèi)訓(xùn)練數(shù)據(jù)樣本大于等于預(yù)設(shè)個(gè)數(shù)時(shí)，通過計(jì)算其中每個(gè)樣本和其它類內(nèi)樣本的距離，挑選距離和最小的為基準(zhǔn)核心特征。
27、進(jìn)一步地，所述s4步驟中，基于密度的聚類算法進(jìn)行噪聲點(diǎn)剔除下的特征矩陣獲取具體為：
28、以任一基準(zhǔn)核心特征為圓心，獲取圓心預(yù)設(shè)距離半徑下鄰域范圍內(nèi)其它基準(zhǔn)核心特征的數(shù)量；
29、若數(shù)量大于等于預(yù)設(shè)最少點(diǎn)數(shù)，則該基準(zhǔn)核心特征為核心點(diǎn)；
30、若數(shù)量小于預(yù)設(shè)最少點(diǎn)數(shù)，但處于其它核心點(diǎn)的鄰域范圍內(nèi)，則該基準(zhǔn)核心特征為邊界點(diǎn)；
31、若既不是核心點(diǎn)也不是邊界點(diǎn)，則該基準(zhǔn)核心特征為噪聲點(diǎn)。
32、進(jìn)一步地，所述s6步驟中，目標(biāo)高維特征信息與特征矩陣中各基準(zhǔn)核心特征的距離，通過如下公式獲取：
33、
34、式中，為目標(biāo)高維特征信息與特征矩陣中各基準(zhǔn)核心特征的距離。
35、與現(xiàn)有技術(shù)相比，本專利技術(shù)至少含有以下有益效果：
36、（1）本專利技術(shù)所述的一種基于特征相似度計(jì)算的快速聚合分類方法，可以對(duì)已訓(xùn)練的類別進(jìn)行增量訓(xùn)練，即在不遺忘已有知識(shí)的前提下添加新的訓(xùn)練數(shù)據(jù)，同時(shí)也可以靈活地增加或減少類別數(shù)量，極大地提高了系統(tǒng)的適應(yīng)性和靈活性；
37、（2）通過引入梯度特征提取、頻域特征提取以及注意力機(jī)制等高級(jí)處理手段，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（cnn）和全局平均池化策略，本專利技術(shù)能夠在低配置環(huán)境下實(shí)現(xiàn)快速分類；
38、（3）采用基于密度的聚類算法（dbscan）來處理含有噪聲的數(shù)據(jù)集，有效地剔除了噪聲點(diǎn)，保證了訓(xùn)練數(shù)據(jù)的質(zhì)量，從而提升了模型的穩(wěn)定性和泛化能力；
39、（4）允許在檢測(cè)到不屬于任何現(xiàn)有類別的圖像時(shí)，即時(shí)更新模型以包含這些新樣本，或者創(chuàng)建新的類別，確保系統(tǒng)能夠迅速適應(yīng)需求的變化，而不必重新訓(xùn)練整個(gè)網(wǎng)絡(luò)；
40、（5）通過全局平均池化操作顯著減少了通道數(shù)量，本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，包括步驟：
2.如權(quán)利要求1所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S1步驟中，梯度特征通過將圖像轉(zhuǎn)為灰度圖像后經(jīng)計(jì)算梯度幅值獲得，公式表達(dá)如下：
3.如權(quán)利要求2所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S1步驟中，通過對(duì)原始空間域圖像利用快速傅里葉變換變化到頻域范圍，并取頻域變化后的實(shí)部信息為頻域特征，頻域變化公式表達(dá)如下：
4.如權(quán)利要求1所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S2步驟中，以ResNet50網(wǎng)絡(luò)架構(gòu)作為骨架網(wǎng)絡(luò)的基礎(chǔ)，采用中間數(shù)據(jù)處理和降采樣操作，去除原有框架的輸出層，替換為全局平均池化策略下相同維度的高維特征信息輸出。
5.如權(quán)利要求4所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，全局平均池化下相同維度下的特征輸出，其公式表達(dá)如下：
6.如權(quán)利要求3所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S2步驟中，通過SimAM網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)注意力
7.如權(quán)利要求1所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S3步驟中，?無窮范數(shù)下的距離獲取表示為如下公式：
8.如權(quán)利要求7所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S3步驟中，基準(zhǔn)核心特征挑選具體為：
9.如權(quán)利要求1所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S4步驟中，基于密度的聚類算法進(jìn)行噪聲點(diǎn)剔除下的特征矩陣獲取具體為：
10.如權(quán)利要求7所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述S6步驟中，目標(biāo)高維特征信息與特征矩陣中各基準(zhǔn)核心特征的距離，通過如下公式獲取：
...【技術(shù)特征摘要】
1.一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，包括步驟：
2.如權(quán)利要求1所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述s1步驟中，梯度特征通過將圖像轉(zhuǎn)為灰度圖像后經(jīng)計(jì)算梯度幅值獲得，公式表達(dá)如下：
3.如權(quán)利要求2所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述s1步驟中，通過對(duì)原始空間域圖像利用快速傅里葉變換變化到頻域范圍，并取頻域變化后的實(shí)部信息為頻域特征，頻域變化公式表達(dá)如下：
4.如權(quán)利要求1所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，所述s2步驟中，以resnet50網(wǎng)絡(luò)架構(gòu)作為骨架網(wǎng)絡(luò)的基礎(chǔ)，采用中間數(shù)據(jù)處理和降采樣操作，去除原有框架的輸出層，替換為全局平均池化策略下相同維度的高維特征信息輸出。
5.如權(quán)利要求4所述的一種基于特征相似度計(jì)算的快速聚合分類方法，其特征在于，全局平均池化下...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李翔瑋，林洲臣，王鑫歡，賴永俊，
申請(qǐng)(專利權(quán))人：寧波聚華光學(xué)科技有限公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。