【技术实现步骤摘要】
基于压缩卷积神经网络的加热金属图像的多标签分类方法
本专利技术属于计算机视觉
，具体涉及一种基于压缩卷积神经网络的加热金属图像的多标签分类方法。
技术介绍
现代建筑业和材料技术的推动使得数量众多金属部件应用于家用电器。在火灾现场，金属部件通常会保留下来，在火灾中受热的金属部件表面留有物理和化学变化所导致的特殊痕迹。金属部件表面的痕迹受加热温度，加热时间，冷却模式等条件因素的影响，不同的条件因素的组合导致不同的氧化金属表面的反应。这些因素在火灾事故分析科学中非常重要，因为可以把这些因素作为可靠指标分析火的位置，来源和火势等情况。由于火灾现场情况复杂多变，难以完完整整地模拟复现。而基于加热金属图像的分类识别则以较小的时间和经济代价为火灾的具体情况提供很大程度上的模拟复现，帮助火灾事故专家模拟并分析火灾的发生原因，火灾的火势等具体情况。传统的方法是专家使用自身的物理和化学知识来对比现场的金属图像和相关加热金属图像。这种方法有很多缺点：专家进行定性分析，每个专家自身的评判标准和知识水平不同，判断结果具有主观性，偏远的地区不能提供相应研究条件，使用的局限程度太高。耗费...
【技术保护点】
1.一种基于压缩卷积神经网络的加热金属图像的多标签分类方法，其特征在于，具体步骤如下：步骤1、获取加热金属图像，组成训练集和验证数据集，并对训练集中加热金属图像进行预处理，将训练集和验证集中的图像转换为统一大小，并把每幅热金属图像的多标签属性值和该幅加热金属图像数据对应保存在同一文件中，并为每个文件编号；所述预处理方法为：对训练数据集的加热金属图像，使用随机水平、垂直、翻转、图片倾斜的增强操作，扩大训练数据集图片数量为原来的四倍；步骤2、基于深度学习技术的思想，设计应用图像分类的压缩卷积神经网络模型框架；步骤2.1、设置压缩卷积神经网络模型的输入参数和输出参数，包括输入加热...
【技术特征摘要】
1.一种基于压缩卷积神经网络的加热金属图像的多标签分类方法，其特征在于，具体步骤如下：步骤1、获取加热金属图像，组成训练集和验证数据集，并对训练集中加热金属图像进行预处理，将训练集和验证集中的图像转换为统一大小，并把每幅热金属图像的多标签属性值和该幅加热金属图像数据对应保存在同一文件中，并为每个文件编号；所述预处理方法为：对训练数据集的加热金属图像，使用随机水平、垂直、翻转、图片倾斜的增强操作，扩大训练数据集图片数量为原来的四倍；步骤2、基于深度学习技术的思想，设计应用图像分类的压缩卷积神经网络模型框架；步骤2.1、设置压缩卷积神经网络模型的输入参数和输出参数，包括输入加热金属图像的数据格式，模型预测结果的输出；去掉压缩卷积神经网络模型的最后一层，设置最后一层的激活函数为sigmoid函数，设置压缩卷积神经网络模型的损失函数为二元交叉熵损失函数；步骤2.2、使用sigmoid激活函数作为压缩卷积神经网络模型最后一层进行多标签分类；用一组一维向量表示加热金属图像的七个属性，每个属性对应多个类别；sigmoid函数如下公式所示：其中，x是神经网络模型的最后一层的未经激活的输出值，e-x表示对自变量x取自然指数e的-x幂次，S(x)代表对自变量x进行施加对应法则，将自变量映射到0～1之间；对于训练过程，训练模型的损失函数是二元交叉熵损失函数：二元交叉熵损失函数如下公式所示：其中y是加热金属图片对应的真实多标签属性值，y的值域为[0,1]是压缩卷积神经网络模型预测的多标签属性值，值域为[0,1]，表示对取对数，表示对取对数,表示对和y施加对应法则；采用Adamax优化算法对二元交叉熵损失函数进行优化，如下公式所示：mt＝μ*mt-1+(1-μ)*gtnt＝max(v*nt-1,|gt|)其中，μ和v是动量因子，取值范围为[0,1)，μt和vt指的是在时间步长下它们的取值，η是学习率，gt是依赖于当前批次的梯度，|gt|表示对gt取绝对值，max(v*nt-1,|gt|)表示取v*nt-1和|gt|这两者中的最大值，mt，nt分别是对梯度的一阶矩估计和二阶矩估，分别是对mt，nt的校正，这样可以近似为对期望的无偏估计，ε是一个非0的正数用来保证分母非0；步骤3、使用压缩卷积神经网络模型及步骤1中训练集对应的文件进行模型训练，得到用于加热金属图像的自动分类模型；步骤4、使用得到的用于加热金属图像的自动分类模型，对验证数据集中的加热金属图像的进行预测，得到加热金属图像预测分类。2.根据权利要求1所述基于...
【专利技术属性】
技术研发人员：毛克明，尹贺，王新琦，李翰鹏，李佳明，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。