一种用于工业检测的图像分类方法、装置及计算机设备制造方法及图纸

本申请涉及深度学习技术领域，具体而言，涉及一种用于工业检测的图像分类方法、装置及计算机设备，一定程度上可以解决由于图像差异性小，对图像进行更精细的子类划分时存在分类检测准确度低的问题。所述用于工业检测的图像分类方法包括：获取第一训练图像的特征向量，并将所述特征向量输入至具有多个类别向量的权重矩阵，类别向量根据图像分类需求设定；扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，所述初始向量夹角为所述特征向量与各所述类别向量之间的角度；其中，所述余弦值用于确定相似度，所述角度空间是基于所述权重矩阵转化得到的分类空间；根据所述相似度所在的对应阈值区间，确定所述第一训练图像对应的第一类别。对应的第一类别。对应的第一类别。

【技术实现步骤摘要】
一种用于工业检测的图像分类方法、装置及计算机设备


[0001]本申请涉及深度学习
，具体而言，涉及一种用于工业检测的图像分类方法、装置及计算机设备。

技术介绍

[0002]基于深度学习的图像分类技术已经成为人工智能领域的研究热点。深度学习模型能够自动学习图像特征，应用于传统的多类别图像分类任务中，分类检测效果较好。
[0003]但是对于图像特征相似度较高的细粒度分类检测应用，基于深度学习的图像分类模型存在对图像分类不准确的问题，不能较好的满足检测需求。细粒度分类检测是在区分出基本类别的基础上，进行的更精细的子类划分。由于图像之间具有更加相似的外观和特征，同时在采集中存在姿态、视角、光照、遮挡、背景干扰等影响，而使图像呈现出类间差异性大、类内差异性小的特点。
[0004]虽然目前基于深度学习技术的算法要远远优于传统方法，但是在图像差异性小时，基于深度学习的图像分类模型对图像进行再分类还是相对困难，存在分类检测准确度低的问题。

技术实现思路

[0005]为了解决由于图像差异性小，对图像进行更精细的子类划分时存在分类检测准确度低的问题，本申请提供了一种用于工业检测的图像分类方法、装置及计算机设备。
[0006]本申请的实施例是这样实现的：
[0007]本申请实施例提供一种用于工业检测的图像分类方法，所述方法包括：
[0008]获取第一训练图像的特征向量，并将所述特征向量输入至具有多个类别向量的权重矩阵，所述类别向量根据图像分类需求设定；
[0009]扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，所述初始向量夹角为所述特征向量与各所述类别向量之间的角度；其中，所述余弦值用于确定相似度，所述角度空间是基于所述权重矩阵转化得到的分类空间；
[0010]根据所述相似度所在的对应阈值区间，确定所述第一训练图像对应的第一类别。
[0011]在一些实施例中，所述扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，进一步包括：
[0012]设定分离角度间隔；
[0013]求取分离角度间隔与所述初始向量夹角之和、或求取分离角度间隔与所述初始向量夹角之积，得到目标向量夹角；
[0014]计算所述目标向量夹角的余弦值。
[0015]在一些实施例中，计算所述初始向量夹角，进一步包括：
[0016]计算所述权重矩阵中的每一个所述类别向量与所述特征向量的点积；
[0017]基于所述点积，计算所述特征向量与每一个所述类别向量之间的所述初始向量夹
角，所述初始向量夹角是大小为n的一维向量，所述n表示类别向量的类别数。
[0018]在一些实施例中，所述确定所述相似度，进一步包括：
[0019]通过交叉熵损失函数计算所述相似度，所述相似度用于表征所述余弦值与所述类别向量之间的相似程度。
[0020]在一些实施例中，所述角度空间是基于所述权重矩阵转化得到的分类空间，进一步包括：
[0021]计算特征向量模和所述权重矩阵的行参数模；
[0022]计算所述特征向量与所述特征向量模的比值、以及所述权重矩阵的行参数与所述行参数模的比值，求取两个比值之积为角度余弦值；
[0023]通过所述角度余弦值反余弦计算得到角度，实现将所述权重矩阵转化到所述角度空间。
[0024]在一些实施例中，获取第一训练图像的特征向量，进一步包括：
[0025]通过主干模型从所述第一训练图像中提取所述特征向量，所述特征向量是大小为所述n的一维向量。
[0026]在一些实施例中，在所述将所述特征向量输入至具有多个类别向量的权重矩阵之后，所述方法还包括：
[0027]将所述类别向量按照当前索引位所针对的类别划分为当前索引位类别和其他索引位类别，其中，将所述当前索引位类别表示为1，将所述其他索引位类别表示为0。
[0028]本申请的又一实施例提供了一种用于工业检测的图像分类装置，包括：
[0029]获取模块，用于获取第一训练图像的特征向量，并将所述特征向量输入至具有多个类别向量的权重矩阵，所述类别向量根据图像分类需求设定；
[0030]扩大模块，用于扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，所述初始向量夹角为所述特征向量与各所述类别向量之间的角度；其中，所述余弦值用于确定相似度，所述角度空间是基于所述权重矩阵转化得到的分类空间；
[0031]确定模块，用于根据所述相似度所在的对应阈值区间，确定所述第一训练图像对应的第一类别。
[0032]在一些实施例中，所述扩大模块包括：
[0033]设定单元，用于设定分离角度间隔；
[0034]第一计算单元，用于求取分离角度间隔与所述初始向量夹角之和、或求取分离角度间隔与所述初始向量夹角之积，得到目标向量夹角；
[0035]第二计算单元，用于计算所述目标向量夹角的余弦值。
[0036]本申请的又一实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现所述用于工业检测的图像分类方法的步骤。
[0037]本申请的有益效果：通过扩大角度空间中各初始向量角度，强化了不同类别图像之间的分离边界，使得图像特征的类内距离更为紧凑、类间距离更为分离，可实现所有的图像数据都能在角度分类空间中被正确分类的效果；进一步基于交叉熵损失函数计算相似度，交叉熵损失函数越小，相似度越高，则表明特征向量与类别向量之间的拟合度越好，获得的分类结果越精确。
附图说明
[0038]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本申请实施例提供的用于工业检测的图像分类方法流程图；
[0040]图2为本申请实施例提供的计算强化角度余弦值的方法流程图；
[0041]图3为本申请实施例提供的加入分离角度间隔前后的角度分类空间示意图；
[0042]图4为本申请实施例提供的用于工业检测的图像分类装置的结构框图。
具体实施方式
[0043]为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。
[0044]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0045]基于本申请描述的示例性实施例，本领域普通技术人员在没有作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于工业检测的图像分类方法，其特征在于，所述方法包括：获取第一训练图像的特征向量，并将所述特征向量输入至具有多个类别向量的权重矩阵，所述类别向量根据图像分类需求设定；扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，所述初始向量夹角为所述特征向量与各所述类别向量之间的角度；其中，所述余弦值用于确定相似度，所述角度空间是基于所述权重矩阵转化得到的分类空间；根据所述相似度所在的对应阈值区间，确定所述第一训练图像对应的第一类别。2.如权利要求1所述的用于工业检测的图像分类方法，其特征在于，所述扩大角度空间中各初始向量夹角，得到目标向量夹角对应的余弦值，进一步包括：设定分离角度间隔；求取分离角度间隔与所述初始向量夹角之和、或求取分离角度间隔与所述初始向量夹角之积，得到目标向量夹角；计算所述目标向量夹角的余弦值。3.如权利要求2所述的用于工业检测的图像分类方法，其特征在于，计算所述初始向量夹角，进一步包括：计算所述权重矩阵中的每一个所述类别向量与所述特征向量的点积；基于所述点积，计算所述特征向量与每一个所述类别向量之间的所述初始向量夹角，所述初始向量夹角是大小为n的一维向量，所述n表示类别向量的类别数。4.如权利要求3所述的用于工业检测的图像分类方法，其特征在于，所述确定所述相似度，进一步包括：通过交叉熵损失函数计算所述相似度，所述相似度用于表征所述余弦值与所述类别向量之间的相似程度。5.如权利要求4所述的用于工业检测的图像分类方法，其特征在于，所述角度空间是基于所述权重矩阵转化得到的分类空间，进一步包括：计算特征向量模和所述权重矩阵的行参数模；计算所述特征向量与所述特征向量模的比值、以及所述权重矩阵的行参数与所述行参数模的比值，求取两个比值之积为角度余弦...

【专利技术属性】
技术研发人员：张黎，
申请(专利权)人：凌云光技术股份有限公司，
类型：发明
国别省市：