一种基于卷积神经网络的香烟真伪鉴别方法技术

本发明专利技术公开一种基于卷积神经网络的香烟真伪鉴别方法，包括以下步骤：a)获取原始图像；b)对原始图像进行预处理；c)将预处理后的图像输入卷积神经网络中的第一个卷积层和池化层；d)将上一层的输出结果输入到卷积神经网络中的子网络；e)将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；f)将上一层的输出结果输入到卷积神经网络中的全连接层；g)将上一层的输出结果输入到卷积神经网络中的Softmax层；h)输出香烟真伪分类结果。本发明专利技术能够很好的提取图像的特征，且只对子网络结构计算各层残差以减少计算量，对香烟真伪的鉴别也比较高效。

【技术实现步骤摘要】
一种基于卷积神经网络的香烟真伪鉴别方法
本专利技术属于计算机视觉和深度学习
，具体涉及一种基于卷积神经网络的香烟真伪鉴别方法。
技术介绍
市面上假烟鱼目混珠，尤其是名优品牌更是沦为造假的集中地。通过观察包装盒可以初步筛选假烟。真烟采用进口白卡纸(或金卡纸)，印刷图案清晰、完整，即使发生摩擦，也不脱油墨、不掉金粉。真烟的透明纸采用进口热缩膜，外观干净、美观，平整而紧凑，无明显褶皱。真烟图案印刷清晰、字样完整，色泽光亮；而假烟多采用白板纸防印，印刷质量较差，字体模糊不清、残缺不全，甚至有错印、叠印的现象。假烟的透明纸原料多采用国产材料，防皱性差、透明度也不够。假烟商标印刷质量较差，图案颜色偏灰暗或浅淡，放大一定倍数后字体边缘、交叉处与真烟存在明显差异。自从2012年10月，Hinton教授和他的学生们在著名的ImageNet问题上首次采用卷积神经网络模型(ConvolutionalNeuralNetworks，CNN)，象征着卷积神经网络在图像识别领域取得了突破性的研究。卷积神经网络越来越多地被应用在图像识别领域，比如人脸识别和手写数字识别，而且都取得了不错的成绩。而现有用于香烟真伪鉴别的技术方法准确率偏低，所以本专利技术尝试将卷积神经网络应用于香烟真伪鉴别以提高准确率。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种基于卷积神经网络的香烟真伪鉴别方法。技术方案：一种基于卷积神经网络的香烟真伪鉴别方法，包括如下步骤：步骤1，获取原始图像；步骤2，对原始图像进行预处理；步骤3，将预处理后的图像输入卷积神经网络中的第一个卷积层和池化层；步骤4，将上一层的输出结果输入到卷积神经网络中的子网络；步骤5，将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；步骤6，将上一层的输出结果输入到卷积神经网络中的全连接层；步骤7，将上一层的输出结果输入到卷积神经网络中的Softmax层；步骤8，输出分类结果。如果输出值为1则为假烟，0则为真烟。更进一步的，步骤2中所述预处理的方法是去均值，即对原始图像中每个位置上的像素减去该图像的均值RGB。更进一步的，为了减少子网络输入与原始图像输入之间的误差。步骤3中卷积神经网络结构中的第一个卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大小为((W-F)/S)+1，其中，W是输入的大小，F是卷积核的大小，S是步长。其后的池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用最大值的池化方式。更进一步的，为了与ReLU层的修正函数对应，步骤3中卷积层的节点只与前一层的部分节点相连，每一条相连的线对应一个权重，权值矩阵的初始化采用xavier方法，其初始化方法如下：定义参数所在层的输入维度为n，输出维度为m，那么参数将以均匀分布的方式在的范围内进行初始化。更进一步的，步骤4中的子网络依次包含一个1×1卷积层、一个3×3的卷积层、一个5×5的卷积层、一个1×1卷积层和一个Pooling层。通过对子网络计算出子网络各层特征经过多层传递产生的残差，然后对子网络最后提取的特征进行降维处理。更进一步的，步骤4中子网络计算残差的方法分两种情况，第一种：当前层l为卷积层，下一层l+1为Pooling层，则第l层的第j个featuremap为：其中，Mj表示第j个featuremap对第l-1层的作用区域，*是卷积符号，表示连接第(l-1)层第j个神经元到第l层第i个神经元之间的权值向量，表示第l层的第j个神经元的偏置项，则第l层的第j个featuremap的残差计算公式为其中，为采样层权值，为第l层卷积层的输出，“。”这个运算符代表矩阵的点乘，即对应元素相乘。第二种：当前层l为Pooling层，下一层l+1为卷积层，则第l层的第j个featuremap为：其中，表示对l-1层的输出做最大值Pooling操作，则第l层的第j个featuremap的残差计算公式为其中，表示第l+1层卷积层第j个featuremap的权值矩阵，rot180表示对卷积核矩阵进行180度旋转，“full”表示卷积模式。随后利用主成分分析法对各层间特征残差和最后提取特征进行降维处理，最后对降维后的特征进行加法融合，获取特征融合后的特征表达。有益效果：与现有技术相比，本专利技术提供的基于卷积神经网络的香烟真伪鉴别方法，能够很好的提取图像的特征，且只对子网络结构计算各层残差以减少计算量，对香烟真伪的鉴别也比较高效。附图说明图1为本专利技术的基于卷积神经网络的香烟真伪鉴别方法的流程图。图2为本专利技术的基于卷积神经网络的香烟真伪鉴别方法的子网络结构图。图3为本专利技术的基于卷积神经网络的香烟真伪鉴别方法的卷积运算图示，其中，k＝3，ai+p,j+p表示输入图像的第i+p行第,j+p列的元素，bi,j表示输出图像中第i行第j列的元素，wq+p,q+p表示卷积核的第q+p行第q+p列元素。具体实施方式下面结合具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。如图1所示，本专利技术的基于卷积神经网络的香烟真伪鉴别方法，方法实施过程中，首先获取原始图像imam×n，其中m、n分别是图像的宽和高，然后此图像进行预处理，即原始图像的每个位置上的像素减去均值RGB，得到预处理后的图像fm×n，随后将图像fm×n输入到卷积神经网络中的第一个卷积层，所使用的卷积核大小为3×3，步长为1，得到输出结果然后再将输入到池化层，滑动窗口大小为2×2，步长为2，越界时，以0填充，采用最大值的池化方式，得到输出结果f(2)，大小为其中，P为填充数量，S表示步长，这里取2。子网络结构，依次包含一个1×1卷积层，一个3×3的卷积层，一个5×5的卷积层，一个1×1卷积层和一个Pooling层。通过对子网络计算各层残差并对子网络最后提取的特征进行降维处理，这里可以默认上一层的输出结果，即子网络的输入与输入的原始图像误差几乎为0。卷积层的权值矩阵的初始化采用xavier方法，其初始化方法如下：定义参数所在层的输入维度为n，输出维度为m，那么参数将以均匀分布的方式在的范围内进行初始化。将f(2)输入到子网络中的第一个卷积层，如图2所示，该卷积层使用的是1×1的核，提取得到的特征映射再输入到子网络中的第二个卷积层，该卷积层使用的是3×3的核，提取得到的特征映射再输入到子网络中的第三个卷积层，该卷积层使用的是5×5的核，随后将提取得到的特征输入到子网络中的最后一层，Pooling层。在提取特征的同时，计算各层特征经过多层传递产生的残差，子网络中计算残差的方法分两种情况，第一种：当前层l为卷积层，下一层l+1为Pooling层，则第l层的第j个featuremap为：其中，*是卷积符号，表示连接第(l-1)层第j个神经元到第l层第i个神经元之间的权值向量，表示第l层的第j个神经元的偏置项，则第l层的第j个featuremap的残差计算公式为其中，为采样层权值，为第l层卷积层的输出，。这个运算符代表矩阵的点乘，即对应元素相乘。第二种：当前层l为Pooling层，下一层l+1为卷积层，则第l层的第j个featur本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的香烟真伪鉴别方法，其特征在于，包括如下步骤：步骤1，获取原始图像；步骤2，对原始图像进行预处理；步骤3，将预处理后的图像输入卷积神经网络中的第一个卷积层和池化层；步骤4，将上一层的输出结果输入到卷积神经网络中的子网络；步骤5，将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；步骤6，将上一层的输出结果输入到卷积神经网络中的全连接层；步骤7，将上一层的输出结果输入到卷积神经网络中的Softmax层；步骤8，输出鉴别结果。

【技术特征摘要】
1.一种基于卷积神经网络的香烟真伪鉴别方法，其特征在于，包括如下步骤：步骤1，获取原始图像；步骤2，对原始图像进行预处理；步骤3，将预处理后的图像输入卷积神经网络中的第一个卷积层和池化层；步骤4，将上一层的输出结果输入到卷积神经网络中的子网络；步骤5，将上一层的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；步骤6，将上一层的输出结果输入到卷积神经网络中的全连接层；步骤7，将上一层的输出结果输入到卷积神经网络中的Softmax层；步骤8，输出鉴别结果。2.如权利要求1所述的基于卷积神经网络的香烟真伪鉴别方法，其特征在于，步骤2中所述预处理的方法是去均值，即对原始图像中每个位置上的像素减去该图像的均值RGB。3.如权利要求1所述的基于卷积神经网络的香烟真伪鉴别方法，其特征在于，步骤3中卷积神经网络结构中的第一个卷积层采用3×3的卷积核，步长为1，卷积层提取出的特征映射的大小为((W-F)/S)+1，其中，W是输入的大小，F是卷积核的大小，S是步长；其后的池化层的滑动窗口大小为2×2，步长为2，越界时，以0填充，采用最大值的池化方式。4.如权利要求1所述的基于卷积神经网络的香烟真伪鉴别方法，其特征在于，步骤3中卷积层的节点只与前一层的部分节点相连，每一条相连的线对应一个权重，权值矩阵的初始化采用xavier方法，其初始化方法如下：定义参数所在层的输入维度为n，输出维度为m，那么参数将以均匀分布的方式在的范围内进行初始化。5.如权利要求1所述的基于卷积神经网...

【专利技术属性】
技术研发人员：储荣，王敏，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32