【技术实现步骤摘要】
本专利技术属于文物图像分类识别，涉及馆藏青铜器分类识别，具体涉及一种基于regnet的馆藏青铜器分类识别方法。
技术介绍
1、青铜器作为国之重器，是享誉世界的精美艺术品，其种类繁多，存世量大，是中华文明璀璨的艺术瑰宝。随着人工智能技术的发展，深度学习技术越来越成熟，利用深度卷积神经网络对图像进行分类成为研究热点，图像分类的深度卷积神经网络结构越来越多样，其性能远远好于传统的图像分类方法。基于深度卷积神经网络的图像分类工作已经成为人类日常生活中不可或缺的重要助手。
2、作为一种典型的深度神经网络，卷积神经网络的参数共享和稀疏连接策略在处理图像识别问题上有独特的优势。自lenet-5网络被成功用于手写数字识别问题起，由卷积层和池化层交替连接的卷积神经网络模型基本骨架正式确立。随后alexnet网络模型的创立，使卷积神经网络逐渐成为众多学科领域的研究热点之一。近年来，使用卷积神经网络来处理与分析数据已成为流行趋势，众多经典的网络模型如vggnet、goolelenet、resnet、densenet、mobilenet、regnet等相继被提出，并在计算机视觉和自然语言处理等方面得到了广泛应用。
3、目前基于卷积神经网络的文物图像分类识别研究还尚未成熟，部分研究人员做了初步的尝试：罗[1]等基于改进的alexnet网络，并融合形态特征，对青铜器铭文进行了分类研究；孙[2]基于结合点卷积和集成学习的多特征融合分类方法开展了文物图像单标签分类和多标签分类研究；陈[3]基于改进的resnet50对青铜器、陶瓷等部分文
4、然而，虽然基于深度卷积神经网络的文物分类技术已经有了初步的发展，但仍存在一些问题：
5、第一，目前没有公开的、具有标注的青铜器图像数据集。深度卷积神经网络模型在图像数据集上进行训练和测试，依据在图像数据集上得到的分类结果来衡量模型的优劣，因此好的图像数据集至关重要。对于文物来说，一般保存于各大博物馆内。虽然许多国内博物馆已经搭建了自己的线上平台，并对馆内藏品进行了图像数字化，但这些数据并没有进行统一的管理，各个场馆间存在信息“孤岛”，未能将文物信息资源整合在一起，导致现阶段并没有针对青铜器或其他类型的公开文物图像数据集。
6、第二，文物图像分类具有一定技术难点。文物图像是人工艺术品，通常赋有极高的创造性。比如青铜器，就有食器、水器、酒器等分类，而每一大类下又有着不同的小类，譬如酒器又可分为觚、盉、斝、爵、卣、觯、尊等。故文物图像与自然图像“猫”、“狗”等相比，具有更加明显的类间差异小、类内差异大等特点，对分类研究带来了难度。此外，青铜器的部分分类数量少，存在样本不均衡的问题，而基于卷积神经网络进行图像分类时，图像越多，分类效果越好，故小样本的青铜器图像数据可能会导致过拟合现象发生，甚至引起分类准确度的下降。
7、[1]罗彤瑶,王慧琴,王可等.融合形态特征的小样本青铜器铭文分类算法[j].激光与光电子学进展,2023,60(04):175-184.
8、[2]孙利国.基于深度学习的文物图像单标签和多标签分类研究[d].浙江大学,2019.
9、[3]陈原.基于深度残差网络的博物馆文物图像检索方法研究[d].西北大学,2022.
10、[4]杨云,陈佳宁,王秀峰等.基于改进e-efficientnet的古陶瓷纹饰分类模型[j].实验室研究与探索,2023,42(02):129-134+186.doi:10.19927/j.cnki.syyt.2023.02.027.
11、
12、[5]鱼跃华,张海波,李昕等.基于数据增强的秦俑碎片深度分类模型[j].激光与光电子学进展,2022,59(18):111-120.
13、
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于，提供一种基于regnet的馆藏青铜器分类识别方法，解决现有技术中青铜器分类的准确度有待进一步提升的技术问题。
2、为了解决上述技术问题，本专利技术采用如下技术方案予以实现：
3、步骤一，整理与划分青铜器图像数据集：
4、收集、整理与清洗青铜器图像数据集，然后划分训练集、测试集以及验证集；
5、步骤二，数据集数据增强与尺寸归一化：
6、以图像数量最多的类的青铜器图像为准，对数量少于该类图像三分之一的青铜器图像类别进行数据增强；
7、数据增强后，再将青铜器图像尺寸归一化；
8、步骤三，搭建regnet网络；
9、步骤四，迁移训练regnet网络模型：
10、基于regnet在imagenet数据集上已经预训练好的模型，利用迁移学习技术在青铜器图像数据集上重新训练并进行微调参数；
11、步骤五，馆藏青铜器分类识别：
12、将待分类青铜器图像输入到经过步骤四训练好的regnet模型中，得到馆藏青铜器的分类结果。
13、本专利技术还具有如下技术特征：
14、步骤二中，所述的数据增强包括对原图进行翻转、旋转、裁剪、缩放变形、添加噪声、模糊、颜色变换和/或随机擦除。
15、步骤二中，青铜器图像尺寸归一化为3×224×224。
16、步骤四中，训练过程中，微调权重和超参数。
17、步骤四中，训练过程中，设置学习率衰减。
18、本专利技术与现有技术相比，具有如下技术效果：
19、(ⅰ)本专利技术首次将regnet网络应用到青铜器图像识别领域，并应用迁移学习微调的方式，提高了青铜器图像分类的准确度。
20、(ⅱ)本专利技术利用迁移学习技术实现了regnet模型快速且有效的训练。
21、(ⅲ)从总体上看，本专利技术的模型的整体拟合效果较好，分类的加权准确率达到88.88％。从召回率上看，一半以上的青铜器类召回率都达到85％以上；从精确率上看，有20个类别都达到了85％以上。特别地，模型对青铜盨的四个指标都达到了100％。总而言之，模型对大多数的类别识别效果较好，识别准确率高。
本文档来自技高网...【技术保护点】
1.一种基于RegNet的馆藏青铜器分类识别方法，其特征在于，该方法按照以下步骤进行：
2.如权利要求1所述的基于RegNet的馆藏青铜器分类识别方法，其特征在于，步骤二中，所述的数据增强包括对原图进行翻转、旋转、裁剪、缩放变形、添加噪声、模糊、颜色变换和/或随机擦除。
3.如权利要求1所述的基于RegNet的馆藏青铜器分类识别方法，其特征在于，步骤二中，青铜器图像尺寸归一化为3×224×224。
4.如权利要求1所述的基于RegNet的馆藏青铜器分类识别方法，其特征在于，步骤四中，训练过程中，微调权重和超参数。
5.如权利要求1所述的基于RegNet的馆藏青铜器分类识别方法，其特征在于，步骤四中，训练过程中，设置学习率衰减。
【技术特征摘要】
1.一种基于regnet的馆藏青铜器分类识别方法，其特征在于，该方法按照以下步骤进行：
2.如权利要求1所述的基于regnet的馆藏青铜器分类识别方法，其特征在于，步骤二中，所述的数据增强包括对原图进行翻转、旋转、裁剪、缩放变形、添加噪声、模糊、颜色变换和/或随机擦除。
3.如权利要求1所述的基于regnet的馆藏青...
【专利技术属性】
技术研发人员：贺小伟，张星星，王睿，张嘉豪，李润乐，
申请(专利权)人：西北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。