一种用于深度学习的多层递阶式神经网络架构系统技术方案

本发明专利技术涉及深度学习技术的技术领域，特别是涉及一种用于深度学习的多层递阶式神经网络架构系统，其在更深的维度，也就是针对检测领域的特点，在深度学习的模型改进方面提出了有效的办法，发明专利技术了创新性的整体神经网路架构系统来应对具有复杂特征和相似特征的各种不同类型的复杂缺陷，并能进行检测分类，同时降低了各个模块的设计需求，简化了模块模型，因此极大地降低了学习训练难度，并且易于优化和选取超参数；一种用于深度学习的多层递阶式神经网络架构系统包括三个模块：上层模块、下层模块和聚合模块。

【技术实现步骤摘要】
一种用于深度学习的多层递阶式神经网络架构系统
本专利技术涉及深度学习技术的
，特别是涉及一种用于深度学习的多层递阶式神经网络架构系统。
技术介绍
随着并行计算的突飞猛进，深度学习技术在近年得到了长足发展，通过卷积神经网络的创新应用，在图像识别方面已经得到了广泛的应用，尤其是基于数据的分类应用，或者称为监督式的学习应用，在已知数据分类结果的前提下，根据预先数据的分类结果来生成数据模型，通过调整模型的参数及权重值，来得到所预先定义的模型分类结果。深度学习在包括目标识别、图像分割、图像生成等多个方面得到广泛应用。在深度学习中，训练数据的收集，训练数据的质量和数量，不同深度学习模型结构对数据的需求是决定深度学习模型精度的主要因素。在工业检测领域，深度学习应用主要目的是识别成品及半成品的瑕疵，经常面对的是复杂背景下的具备相似特征的缺陷，这使得背景和缺陷很难简单区分开，这需要面对两个层面的不确定性，一个是复杂背景的不确定性，一个是相似特征缺陷的不确定性。目前常用的深度学习分类方法没有针对复杂背景下相似特征缺陷的特定办法，因此针对检测领域的深度学习模型优化是检测领域的迫切需求。
技术实现思路
为解决上述技术问题，本专利技术提供一种在更深的维度，也就是针对检测领域的特点，在深度学习的模型改进方面提出了有效的办法，专利技术了创新性的整体神经网路架构系统来应对具有复杂特征和相似特征的各种不同类型的复杂缺陷，并能进行检测分类，同时降低了各个模块的设计需求，简化了模块模型，因此极大地降低了学习训练难度，并且易于优化和选取超参数的用于深度学习的多层递阶式神经网络架构系统。本专利技术的一种用于深度学习的多层递阶式神经网络架构系统，包括：上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益。本专利技术的一种用于深度学习的多层递阶式神经网络架构系统，还包括：其中在上层模块中允许某种程度相似特征类别的错误分类，可以有效地过滤掉精细分类所需要的非常详细的局部信息,而不会显著影响粗粒度的检测结果。本专利技术的一种用于深度学习的多层递阶式神经网络架构系统，还包括：其中下层模块针对特征相似的不同缺陷类型并且类别数量少，通过提取和充分利用每种类似缺陷的所特有的更多、更详细、更精确的局部信息特征实现针对特定表征的定向强化，并且对进行检测分类，并且获得检测结果。本专利技术的一种用于深度学习的多层递阶式神经网络架构系统，还包括：精度调节模块，通过数据线与上层模块和下层模块进行数据连接，用于修改上层模块和下层模块的检测精度。本专利技术的一种用于深度学习的多层递阶式神经网络架构系统，还包括：故障反馈模块，通过数据线分别与上层模块或下层模块进行数据连接，用于实时检测上层模块或下层模块输出的检测结果信号，并将故障模块点位显示出来。与现有技术相比本专利技术的有益效果为：在更深的维度，也就是针对检测领域的特点，在深度学习的模型改进方面提出了有效的办法，专利技术了创新性的整体神经网路架构系统来应对具有复杂特征和相似特征的各种不同类型的复杂缺陷，并能进行检测分类，同时用户根据应用灵活定制；由多种不同功能的基本模块灵活配置；通过引入容错和校错机制,极大地降低了各个模块的设计需求，从而简化了模块模型，提高学习效率/收敛速度，易于优化超参数，降低训练难度，加快推理速度；减少运算量，适合实时系统的快速检测，易于集成在嵌入式系统中；通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益；针对特定表征的定向强化，对指定的缺陷具备强识别能力。附图说明图1是本专利技术的逻辑流程图；具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。一种用于深度学习的多层递阶式神经网络架构系统包括三个模块：上层模块、下层模块和聚合模块，其中上层模块可为上一层的下层模块，下层模块也可为下一层的上层模块，上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益；在更深的维度，也就是针对检测领域的特点，在深度学习的模型改进方面提出了有效的办法，专利技术了创新性的整体神经网路架构系统来应对具有复杂特征和相似特征的各种不同类型的复杂缺陷，并能进行检测分类，同时用户根据应用灵活定制；由多种不同功能的基本模块灵活配置；通过引入容错和校错机制,极大地降低了各个模块的设计需求，从而简化了模块模型，提高学习效率/收敛速度，易于优化超参数，降低训练难度，加快推理速度；减少运算量，适合实时系统的快速检测，易于集成在嵌入式系统中；通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益；针对特定表征的定向强化，对指定的缺陷具备强识别能力。作为一种优选的技术方案，种用于深度学习的多层递阶式神经网络架构系统包括三个模块：上层模块、下层模块和聚合模块，其中上层模块可为上一层的下层模块，下层模块也可为下一层的上层模块，上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益；其中在上层模块中允许某种程度相似特征类别的错误分类，可以有效地过滤掉精细分类所需要的非常详细的局部信息,而不会显著影响粗粒度的检测结果；降低了对上层模块复杂性的设计要求，从而简化了上层模块的结构，提高学习效率和推理速度；基于以上分析，每个精细类别可以同时出现在不同的大类中，但是这类细小的分类本文档来自技高网...

【技术保护点】
1.一种用于深度学习的多层递阶式神经网络架构系统，其特征在于，包括：/n上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；/n下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；/n聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益。/n

【技术特征摘要】
1.一种用于深度学习的多层递阶式神经网络架构系统，其特征在于，包括：
上层模块:通过利用显著的更全局的信息特征实现粗粒度的检测和分类，将所有输入数据分成多组不同的大类，并将检测结果输出；
下层模块:下层模块对应上层模块中划分成的一个大类，即不同的下层模块对应不同的大类，每个下层模块的主要目标是针对相应的大类再进一步进行精细粒度的检测和分类，精确划分为不同的具体准确类别，并将检测结果输出；
聚合模块：对所有的上层模块和下层模块的检测输出结果进行接收、汇总并输出最终检测类别，最终输出类别来自任何一个上层模块或者下层模块的检测输出，通过聚合多种不同层次不同功能模块上的互补特征及其决策来获得性能增益。


2.如权利要求1所述的一种用于深度学习的多层递阶式神经网络架构系统，其特征在于，其中在上层模块中允许某种程度相似特征类别的错误分类，可以有效地过滤掉精细分类所需要的非常详细...

【专利技术属性】
技术研发人员：黄西士，吕越峰，张剑，
申请(专利权)人：苏州富鑫林光电科技有限公司，
类型：发明
国别省市：江苏;32