一种基于多算法集成的分歧介入珍珠分拣方法技术

一种基于多算法集成的分歧介入珍珠分拣方法，含有：步骤1：将珍珠数据集按类别分别记为Class1‑7，并给每张图片制定好标签，按6：2：2的比例分成训练集、验证集和测试集；步骤2：选取目前较为主流先进的三个模型ResNet50、SE‑ResNet50和Vgg16进行独立训练，需均能够完成珍珠分拣任务，并分别保存最优模型；步骤3：将获取的三个最优模型用于仲裁系统，即针对构造后的主、次系统给出的预测结果进行分歧仲裁；步骤4：在实验验证阶段，我们使用分歧准确指数α和额外成本指数β作为系统分歧的评价指标，评估系统的整体性能；步骤5：根据步骤四的评价指标，选取既达到分拣精度提升较高又同时所需的人力成本较少的系统组合作为最终的珍珠分拣系统；步骤6：输出最终分类结果。本发明专利技术通过基于多个冗余算法的分歧找出机器分类可能存在的错误预测，并以最少的人力成本介入纠正其预测输出，从而提升整个珍珠分拣的分类精度。

【技术实现步骤摘要】
一种基于多算法集成的分歧介入珍珠分拣方法
本专利技术涉及一种珍珠检测分类方法，适用于利用人的介入方案解决纯深度学习在珍珠分拣精度提升受限的情况。
技术介绍
传统珍珠分拣主要通过人工进行，经验丰富的从业人员通过肉眼观察珍珠的颜色、光泽、形状和质地等多种外观特征，然后依照某种事先定好的等级规则进行分类。容易认识到，对大量外观差距可能并不太大的珍珠进行观察分拣是一项重复单调的劳动；而随着时间的增加，人的疲劳也会大大影响分拣的准确度。然而，将高等级珍珠误分为低等级固然会错误的降低售卖价值，反过来将低等级珍珠误分为高等级也会影响产品质量和信誉。因此，为了分拣的高效和稳定，就有必要引入自动化的分拣方法。由于珍珠分拣主要基于珍珠外观进行，自动化的分拣方法因而大多基于机器视觉的方法和技术。传统计算机视觉方法中珍珠特征的手工标注依赖于专家知识，成本相对较高。近年来，深度学习方法尤其是卷积神经网络CNN在图像分类方面取得了很大的成功，它可以自动生成有用的特征，从而节省大量手工标注工作。目前依靠深度学习方法训练的自动分类系统已经达到了92.57％的分拣精度，本文档来自技高网...

【技术保护点】
1.一种基于多算法集成的分歧介入珍珠分拣方法，含有以下步骤：/n步骤一：将珍珠数据集按类别分别记为Class1-7，并给每张图片制定好标签，按6：2：2的比例分成训练集、验证集和测试集；/n步骤二：选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练，需均能够完成珍珠分拣任务，并分别保存最优模型：训练模型时设置训练最大次数为10个Epoch，将训练和测试时的单次处理样本数Batch设置为32，学习率为0.0001，使用Adam优化器，并将step-size设置为5，gamma设置为0.1，学习率将在训练过程中经过5次变化逐渐变成0.1，最终得出这三个最...

【技术特征摘要】
1.一种基于多算法集成的分歧介入珍珠分拣方法，含有以下步骤：
步骤一：将珍珠数据集按类别分别记为Class1-7，并给每张图片制定好标签，按6：2：2的比例分成训练集、验证集和测试集；
步骤二：选取目前较为主流先进的三个模型ResNet50、SE-ResNet50和Vgg16进行独立训练，需均能够完成珍珠分拣任务，并分别保存最优模型：训练模型时设置训练最大次数为10个Epoch，将训练和测试时的单次处理样本数Batch设置为32，学习率为0.0001，使用Adam优化器，并将step-size设置为5，gamma设置为0.1，学习率将在训练过程中经过5次变化逐渐变成0.1，最终得出这三个最优模型的精度分别是91.84％、92.25％、91.29％；
步骤三：将获取的三个最优模型用于仲裁系统，即针对构造后的主、次系统给出的预测结果进行分歧仲裁：若有分歧产生则认为系统分类可能有误，需介入人做最终决策；若无分歧，则保留主算法的预测结果。这里，三个模型两两分组，留下的一模型作为主系统，搭配的两模型以集成学习方法构成次系统，其中集成得到的次系统最终预测输出定义为：



其中，hi(x)是第i个模型的概率输出结果，T是模型的个数，wi是单个模型hi的权重，通常有

【专利技术属性】
技术研发人员：赵云波，花婷婷，赵丽丽，崔奇，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33