刀具图像分类方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术实施例公开了刀具图像分类方法、装置、计算机设备及存储介质。所述方法包括：获取待分类图像；将所述待分类图像输入至分类模型中进行种类识别，以得到识别结果；其中，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，在对所述深度神经网络进行训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述参数值设定为失活状态之前的所述参数值的大小。通过实施本发明专利技术实施例的方法可实现减少模型过拟合，更有效地对图像提取特征，提升网络模型的分类性能。提升网络模型的分类性能。提升网络模型的分类性能。

【技术实现步骤摘要】
刀具图像分类方法、装置、计算机设备及存储介质


[0001]本专利技术涉及深度学习模型，更具体地说是指刀具图像分类方法、装置、计算机设备及存储介质。

技术介绍

[0002]刀具管理柜中的刀具自动识别系统可以自动识别用户归还的刀具，从而减少用户手动输入刀具类别的操作。刀具自动识别系统采用的是刀具识别算法模型，在算法模型训练的过程中，由于每一类刀具图像的多样性较低，且刀具的种类很多，容易导致识别模型过拟合。
[0003]而现有的刀具图像分类方法对卷积核不同位置的参数一视同仁，没有充分发挥卷积核骨架的关键作用，在数据量少，模型参数量大的情况下，不加任何约束进行训练容易产生过拟合，对所有参数施加L2约束则容易使得卷积核中间十字骨架的权重变小。
[0004]因此，有必要设计一种新的方法，实现减少模型过拟合，更有效地对图像提取特征，提升网络模型的分类性能。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提供刀具图像分类方法、装置、计算机设备及存储介质。
[0006]为实现上述目的，本专利技术采用以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.刀具图像分类方法，其特征在于，包括：获取待分类图像；将所述待分类图像输入至分类模型中进行种类识别，以得到识别结果；其中，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，在对所述深度神经网络进行训练的过程中，在前向传播的卷积过程中，对所述深度神经网络中的卷积核的四个角的参数值按设定概率设定为失活状态，在后向传播的过程中，将所述参数值设定为失活状态之前的所述参数值的大小。2.根据权利要求1所述的刀具图像分类方法，其特征在于，所述分类模型是通过带有种类标签的图像作为样本集训练深度神经网络所得的，包括：获取带有种类标签的图像，以得到样本集；构建深度神经网络；利用所述样本集训练所述深度神经网络，以得到训练后的模型；利用测试图像对训练后的模型进行测试，并根据测试结果确定分类模型。3.根据权利要求2所述的刀具图像分类方法，其特征在于，所述利用所述样本集训练所述深度神经网络，以得到训练后的模型，包括：将所述样本集按照预先设定的批大小分批次分别输入至所述深度神经网络中；在前向传播中，将深度神经网络中的卷积核的四个角的参数，按照设定概率随机设置成失活状态，并记录失活前的参数值，在后向传播中，利用随机梯度下降算法对未失活的参数进行更新，将处于失活状态的参数恢复至失活前的参数值，以训练所述深度神经网络...

【专利技术属性】
技术研发人员：张少特，张奇特，谭云培，袁兴泷，王兵正，谢万桥，
申请(专利权)人：杭州鄂达精密机电科技有限公司，
类型：发明
国别省市：