基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法技术

本发明专利技术公开了一种基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，包括步骤：1、对陶瓷文物碎片进行数据采集、预处理和数据增强，根据外观特征分类并标注标签，构建陶瓷文物碎片数据集；2、对帝王蝶优化算法进行改进，得到用于卷积神经网络结构优化的IMBO；3、构建基于IMBO的IMBO

【技术实现步骤摘要】
基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法


[0001]本专利技术属于图像处理
，具体是一种基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法。

技术介绍

[0002]中国传统陶瓷文化有着深厚的文化底蕴与内涵，然而陶瓷文物由于时间久远，受到自然因素和人为因素的影响，发掘出土的很大部分都已经破碎不易辨识，对文物的研究带来诸多不变。为了还原陶瓷的原始面貌，需要对出土的陶瓷碎片进行分类及拼接，其中分类阶段确定碎片之间的隶属关系，可以有效解决虚拟拼接算法复杂度高、结果不准确的问题，并且有效避免人工识别对碎片造成的二次损坏。随着计算机技术与人工智能的发展，通过计算机辅助文物碎片自动分类，可以有效提高分类效率。近年来，已有不少学者将人工智能方法应用到陶瓷碎片的分类上，一般来说，陶瓷碎片的分类方法包括两种：一是根据陶瓷的化学材料成分进行分类；二是使用计算机技术进行辅助分类，其中又包括传统的机器学习方法和深度学习方法。传统机器学习方法主要通过人工特征提取器提取陶瓷碎片的特征，比如使用gabor滤波器、HOG方向梯度直方图、颜色直方图等方法来提取陶瓷碎片的颜色纹理特征，之后使用机器学习方法，如SVM、KNN、K
‑
means等方法进行分类；深度学习方法针对图像数据，一般使用卷积神经网络对数据进行自动特征提取和构建自动分类器。
[0003]由于陶瓷碎片存在易损坏、特征复杂且多样等特点，使用化学材料成分分析的方法需要专业的仪器且可能对碎片造成难以修复的损伤，而传统的机器学习方法不足以支持陶瓷碎片的高精度分类，因而越来越多的学者使用基于深度学习的方法来进行陶瓷碎片的分类。目前，基于深度学习的陶瓷分类技术仍有不足，现存在以下需要解决的问题：1、目前尚未存在公开的陶瓷碎片数据库，有部分学者使用一些来自博物馆的陶瓷数据，也有部分学者使用相关书籍的碎片扫描数据或图像数据。2、使用基础深度学习模型进行陶瓷碎片的分类准确度不够高，需要进一步提升模型的特征提取与分类能力。3、目前被广泛使用的成功深度神经网络，是设计者充分考虑领域知识后，从头开始手工设计的，这需要大量的先验知识，这种方法对时间和计算资源的消耗较大，同时，对于一个性能优秀的模型，需要人工调节模型的参数，超参数调节拥有极大的不确定性，耗费时间过长，导致方法效率过低。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术的目的是提供一种基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，提高了陶瓷碎片的分类效率，进而提高了陶瓷文物修补的效率。
[0005]为了实现上述目的，本专利技术采用以下技术方案予以实现：
[0006]一种基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，包括如下步骤：
[0007]步骤1、先对陶瓷文物碎片进行数据采集、预处理和数据增强，然后根据陶瓷文物碎片的外观特征分类并标注标签，构建陶瓷文物碎片数据集；
[0008]步骤2、先利用鸡群优化算法CSO在帝王蝶优化算法的迁移阶段进行改进，再将基于spearman相关系数的反向学习策略引入帝王蝶优化算法，然后使用自适应特征的F分布随机变异代替帝王蝶优化算法中的莱维飞行，得到用于卷积神经网络结构优化的改进帝王蝶优化算法IMBO；
[0009]步骤3、构建基于IMBO的空间变换卷积神经网络IMBO
‑
STNsCNN分类模型；
[0010]步骤4、将信息熵的概念引入帝王蝶优化算法中以表示种群中个体的聚合状态，建立基于信息熵和多变异策略的混合帝王蝶优化算法EHMBO，实现了其全局探索能力和局部开发能力的自适应平衡，使种群个体更快开发全局最优区域，寻得最优解；
[0011]步骤5、初始化EHMBO算法的参数；
[0012]步骤6、使用EHMBO优化IMBO
‑
STNsCNN分类模型超参数，得到最终分类模型，然后训练最终分类模型，得到IMBO
‑
STNsCNN陶瓷文物碎片分类模型。
[0013]进一步地，所述步骤1的预处理包括对陶瓷文物碎片的图像进行裁剪与归一化处理。
[0014]进一步地，所述步骤1的数据增强包括使用Python数据增强库Imgaug对陶瓷文物碎片图像进行仿射变换、翻转、高斯模糊、直方图均衡化、对比度限制自适应直方图均衡、锐化和填充。
[0015]进一步地，所述步骤2的卷积神经网络结构优化的过程包括如下步骤：
[0016]步骤2.1、种群初始化，将CNN模型编码为种群中个体；
[0017]步骤2.2、适应度评估，将个体代表网络结构编译成一个完整的CNN网络，将最后模型的损失函数值作为个体的适应度值；
[0018]步骤2.3、根据IMBO算法流程进行CNN网络结构的搜索。
[0019]进一步地，所述步骤3中的IMBO
‑
STNsCNN包括空间变换模块STNs、VGG16特征提取模块和IMBO优化的CNN模块组成，空间变换模块STNs包括本地化网络、网格生成器和采样器。
[0020]进一步地，所述空间变换模块STNs对图像或特征图进行空间转换的过程包括如下步骤：
[0021]步骤3.1、使用本地化网络获取输入特征图，并通过隐藏层输出应用于特征图的空间转换参数，通过参数确定以输入为条件的转换方式；
[0022]步骤3.2、网格生成器利用本地化网络得到的参数对模型的输入数据进行变换，即为对图像数据进行仿射变换，表示为：
[0023][0024]式中，为输入数据的像素坐标，为输出数据的像素坐标，θ
11
、θ
12
、θ
13
、θ
21
、θ
22
和θ
23
为仿射变换的6个参数，用来表示对数据的缩放、旋转、线性畸变和平移动变换；
[0025]经过此过程得到变换后的输出特征图每个位置的坐标在输入特征图上的对应坐标点，采样器直接提取出输入特征图的每个位置的像素值；
[0026]步骤3.3、将特征图和采样网格作为采样器的输入，生成从输入网格点采样的输出
的映射。
[0027]进一步地，所述步骤4中将信息熵的概念引入帝王蝶优化算法中的过程包括如下步骤：
[0028]步骤4.1、将种群中个体根据适应度值划分为Land1和Land2，Land1中个体角色划分为公鸡、母鸡和小鸡；
[0029]步骤4.2、公鸡位置更新，公鸡的觅食轨迹是鸡群中其他类别鸡进行食物搜索的路径规划，公鸡的位置更新如公式(2)：
[0030][0031][0032]式中，表示t时刻第i只公鸡第j维空间的位置，f表示个体的适应度值，i表示当前的公鸡个体，k表示Land1中随机选取的另一公鸡个体,randn为均值0，方差为σ2的正态分布随机数；
[0033]步骤4.3、母鸡位置更新，母鸡跟随公鸡进行搜索，同时也会和其余的个体进行竞争，母鸡的位置更新如公式(4)：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，包括如下步骤：步骤1、先对陶瓷文物碎片进行数据采集、预处理和数据增强，然后根据陶瓷文物碎片的外观特征分类并标注标签，构建陶瓷文物碎片数据集；步骤2、先利用鸡群优化算法CSO在帝王蝶优化算法的迁移阶段进行改进，再将基于spearman相关系数的反向学习策略引入帝王蝶优化算法，然后使用自适应特征的F分布随机变异代替帝王蝶优化算法中的莱维飞行，得到用于卷积神经网络结构优化的改进帝王蝶优化算法IMBO；步骤3、构建基于IMBO的空间变换卷积神经网络IMBO
‑
STNsCNN分类模型；步骤4、将信息熵的概念引入帝王蝶优化算法中以表示种群中个体的聚合状态，建立基于信息熵和多变异策略的混合帝王蝶优化算法EHMBO，实现了其全局探索能力和局部开发能力的自适应平衡，使种群个体更快开发全局最优区域，寻得最优解；步骤5、初始化EHMBO算法的参数；步骤6、使用EHMBO优化IMBO
‑
STNsCNN分类模型超参数，得到最终分类模型，然后训练最终分类模型，得到IMBO
‑
STNsCNN陶瓷文物碎片分类模型。2.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤1的预处理包括对陶瓷文物碎片的图像进行裁剪与归一化处理。3.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤1的数据增强包括使用Python数据增强库Imgaug对陶瓷文物碎片图像进行仿射变换、翻转、高斯模糊、直方图均衡化、对比度限制自适应直方图均衡、锐化和填充。4.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤2的卷积神经网络结构优化的过程包括如下步骤：步骤2.1、种群初始化，将CNN模型编码为种群中个体；步骤2.2、适应度评估，将个体代表网络结构编译成一个完整的CNN网络，将最后模型的损失函数值作为个体的适应度值；步骤2.3、根据IMBO算法流程进行CNN网络结构的搜索。5.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤3中IMBO
‑
STNsCNN包括空间变换模块STNs、VGG16特征提取模块和IMBO优化的CNN模块组成，空间变换模块STNs包括本地化网络、网格生成器和采样器。6.根据权利要求5所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述空间变换模块STNs对图像或特征图进行空间转换的过程包括如下步骤：步骤3.1、使用本地化网络获取输入特征图，并通过隐藏层输出应用于特征图的空间转换参数，通过参数确定以输入为条件的转换方式；步骤3.2、网格生成器利用本地化网络得到的参数对模型的输入数据进行变换，即为对图像数据进行仿射变换，表示为：
式中，为输入数据的像素坐标，为输出数据的像素坐标，θ
11
、θ
12
、θ
13
、θ
21
、θ
22
和θ
23
为仿射变换的6个参数，用来表示对数据的缩放、旋转、线性畸变和平移动；经过此过程得到变换后的输出特征图每个位置的坐标在输入特征图上的对应坐标点，采样器直接提取出输入特征图的每个位置的像素值；步骤3.3、将特征图和采样网格作为采样器的输入，生成从输入网格点采样的输出的映射。7.根据权利要求1所述的基于群体智能优化卷积神经网络的陶瓷文物碎片分类方法，其特征在于，所述步骤4中将信息熵的概念引入帝王蝶优化算法中的过程包括如下步骤：步骤4.1、将种群中个体根据适应度值划分为Land1和Land2，Land1中个体角色划分为公鸡、母鸡和小鸡；步骤4.2、公鸡位置更新，公鸡的觅食轨迹是鸡群中其他类别鸡进行食物搜索的路径规划，公鸡的位置更新如公式(2)：划，公鸡的位置更新如公式(2)：式中，表示t时刻第i只公鸡第j维空间的位置，f表示个体的适应度值，i表示当前的公鸡个体，k表示Land1中随机选取的另一公鸡个体，randn为均值0，方差为σ2的正态分布随机数；步骤4.3、母鸡位置更新，母鸡跟随公鸡进行搜索，同时也会和其余的个体进行竞争，母鸡的位置更新如公式(4)：鸡的位置更新如公式(4)：鸡的...

【专利技术属性】
技术研发人员：耿国华，安峥博，周蓬勃，王毅，赵虹乔，刘阳洋，冯龙，
申请(专利权)人：西北大学，
类型：发明
国别省市：