【技术实现步骤摘要】
本专利技术涉及图像分析，尤其涉及一种基于鲁棒遗传规划和特征学习的弱图像分类方法。
技术介绍
1、低质量小数据集的弱图像分类是一个重要的计算机视觉任务，尤其是在智能制造等资源有限的场景下。近年来，许多研究者已经探索了各种技术以实现在智能制造等资源有限的场景下的弱图像分类，主要步骤包括：数据预处理、特征提取、构建神经网络、模型训练和调优和图像分类，其中数据预处理用于确保数据质量和一致性一旦模型训练完成，就可以用来对新的图像进行分类。
2、现有的大部分针对弱图像处理的方法采用跟传统图像分类一样的技术，大致可以分为两类：基于支持向量机的传统机器学习模型和基于卷积神经网络的深度学习模型，但基于支持向量机的传统机器学习模型存在精度低的问题；而基于卷积神经网络的深度学习模型存在计算量大的问题。
3、传统的图像分类方法虽然可以用来处理与弱图像相关的识别问题，但是由于弱图像的分布和特点均与高质量图像存在差异，以及弱图像大部分存在于计算资源受限的小型工厂等环境中，从而导致传统的图像分类方法无法高效地部署且存在精度低的问题。此外，更重要的是，由于智能制造等领域对模型的安全性有极高的要求，而当前的基于遗传规划（genetic programming，gp）的方法容易受到噪声的攻击进而导致模型失效，故该方法的应用存在巨大的挑战。
技术实现思路
1、针对上述现有技术的不足，本专利技术考虑到图像之间存在高度变化，如比例、旋转、照明和视点，以及图像中的扭曲，如模糊、低对比度和噪声，提出了一
2、本专利技术提出的一种基于鲁棒遗传规划和特征学习的弱图像分类方法，该方法包括如下步骤：
3、步骤1：获取待分类的弱图像数据并构建弱图像数据集，按照预设的比例将弱图像数据集划分训练集；
4、步骤2：基于分布式进化算法deap生成个体并构建初始种群；
5、步骤3：采用对抗训练算法对初始种群中的个体进行训练，利用训练后的个体构建新的种群作为当前种群；
6、步骤4：采用分布式进化算法从当前种群中选取最优个体；
7、步骤5：将最优个体对应的个体树结构作为弱图像分类模型，获取待分类的弱图像数据并输入该弱图像分类模型，得到该弱图像数据的特征向量并采用线性svm进行分类，得到该弱图像数据的分类结果；
8、所述弱图像数据为像素低于100x100的图像数据，且获取的弱图像数据中包含该弱图像数据的真实标签；
9、所述步骤2进一步包括：
10、步骤2.1：构建基本函数集和终止集；
11、步骤2.2：根据基本函数集和终止集随机生成若干个个体树作为个体并构成初始种群；
12、步骤2.1中所述基本函数集，包括根节点函数、卷积函数、池化函数、残差函数、相加函数、相减函数和缩放函数；
13、所述根节点函数，用于将输入该函数的若干个图像或向量连接成一个向量；
14、所述卷积函数，用于使用滤波器对输入该函数的图像进行卷积操作，将该图像的像素值替换为该像素点相邻像素值的加权和，以提取图像特征；
15、所述池化函数，用于对输入该函数的图像进行最大池化；
16、所述残差函数，用于对输入该函数的图像进行残差操作；
17、所述相加函数，用于将每两个具有相同或不同尺寸的加权图像相加；
18、所述相减函数，用于将每两个具有相同或不同尺寸的加权图像相减；
19、所述缩放函数，用于缩放输入该函数图像的像素值；
20、步骤2.1中所述终止集，用于定义基本函数集中各函数的参数值；
21、所述终止集包括：大小为m × n的弱图像数据、若干个不同尺寸的作用于卷积函数的滤波器、相加函数或相减函数的随机输入值n1和n2、以及池化函数的核参数k1和k2；其中m和n 分别为弱图像数据的长和宽；
22、步骤2.2中所述个体树为：输入层、第一卷积层、第二卷积层、池化层、连接层和输出层；其中所述第二卷积层与池化层残差连接；所述池化层与连接层残差连接；所述连接层与输出层残差连接；所述输入层用于输入弱图像数据；所述第一卷积层和第二卷积层均用于对输入的弱图像数据通过卷积运算进行特征提取；所述池化层用于通过对提取到的特征进行最大池化来对该特征进行降维；所述连接层用于将降维后的特征与卷积层提取到的特征进行维度转换，得到一个具有特定维度的特征向量；所述输出层用于根据降维后的特征与该特征向量得到弱图像数据的分类结果并输出；
23、所述个体树的生成方法为：从基本函数集中的卷积函数、相加函数、相减函数和缩放函数中随机选取一个函数作为第一卷积层的函数映射，从基本函数集中的卷积函数、相加函数、相减函数和缩放函数中随机选取一个函数作为第二卷积层的函数映射，将基本函数集中的池化函数作为池化层的函数映射，将基本函数集中的根节点函数作为连接层的函数映射，将基本函数集中的残差函数作为残差连接的函数映射，并根据终止集定义个体树中输入层、第一卷积层、第二卷积层、池化层、连接层和输出层的参数值；
24、所述个体树中的残差连接使用基于残差的遗传算子，定义该遗传算子包括：直接映射部分和残差部分；其中直接映射部分是将个体中前一个网络层中得到的特征直接传递给当前网络层，残差部分由若干个级联的卷积层组成；将弱图像数据作为基于残差的遗传算子的输入，并将直接映射部分和残差部分的输出值累加后，通过relu函数激活后得到基于残差的遗传算子的输出结果；
25、所述基于残差的遗传算子表示为：
26、（2）
27、其中表示基于残差的遗传算子的输出；表示非线性函数relu；代表基于残差的遗传算子内的权重；是从训练集中随机采样的弱图像数据样本；
28、所述步骤3进一步包括：
29、步骤3.1：根据弱图像数据集，采用快速梯度符号方法生成对抗性样本；
30、所述对抗性样本的生成公式为：
31、（3）
32、其中为生成的对抗性样本；为从训练集中随机采样的弱图像数据样本对应的真实标签；为学习率；为符号函数，且当符号函数内的表达式的数值为正数时，符号函数的返回结果为1，数值为负数时，符号函数的返回结果为返回-1，数值为0时，符号函数的返回结果为0；表示对求偏导；为和的交叉熵函数；
33、步骤3.2：利用对抗性样本和训练集构建新的训练集，构建基于对抗学习的交叉熵函数作为损失函数，并利用新的训练集对初始种群中的个体进行训练，在训练过程中通过损失函数最大化来生成训练好的个体构成新的种群作为当前种群；
34、所述步骤4进一步包括：
35、步骤4.1：设置最大迭代次数、交叉率和突变率，设置精英数为m，同时初始化新的种群中每个个体对应个体树的最小深度和最大深度；
36、步骤4.2：利用训练集对当前种群中的个体进行本文档来自技高网...
【技术保护点】
1.一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，所述弱图像数据为像素低于100x100的图像数据，且获取的弱图像数据中包含该弱图像数据的真实标签。
3.根据权利要求1所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，所述步骤2进一步包括：
4.根据权利要求3所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤2.1中所述基本函数集，包括根节点函数、卷积函数、池化函数、残差函数、相加函数、相减函数和缩放函数；
5.根据权利要求4所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤2.1中所述终止集，用于定义基本函数集中各函数的参数值；
6.根据权利要求5所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤2.2中所述个体树为：输入层、第一卷积层、第二卷积层、池化层、连接层和输出层；其中所述第二卷积层与池化层残差连接；所述池化层与连接层残差连接；
7.根据权利要求6所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，所述个体树中的残差连接使用基于残差的遗传算子，定义该遗传算子包括：直接映射部分和残差部分；其中直接映射部分是将个体中前一个网络层中得到的特征直接传递给当前网络层，残差部分由若干个级联的卷积层组成；将弱图像数据作为基于残差的遗传算子的输入，并将直接映射部分和残差部分的输出值累加后，通过ReLU函数激活后得到基于残差的遗传算子的输出结果；
8.根据权利要求7所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，所述步骤4进一步包括：
9.根据权利要求8所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤4.2中所述利用训练集对当前种群中的个体进行评估的方法为：对于当前种群中的任意个体，利用该个体分别对训练集中所有弱图像数据进行特征提取，并将提取到的特征向量进行归一化，得到归一化后的训练集，再采用线性支持向量机SVM对归一化后的训练集中的弱图像数据进行分类，根据得到的分类结果和各弱图像数据的真实标签计算分类准确率，并将得到的分类准确率作为评估结果。
...【技术特征摘要】
1.一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，该方法包括如下步骤：
2.根据权利要求1所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，所述弱图像数据为像素低于100x100的图像数据，且获取的弱图像数据中包含该弱图像数据的真实标签。
3.根据权利要求1所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，所述步骤2进一步包括：
4.根据权利要求3所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤2.1中所述基本函数集，包括根节点函数、卷积函数、池化函数、残差函数、相加函数、相减函数和缩放函数；
5.根据权利要求4所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤2.1中所述终止集，用于定义基本函数集中各函数的参数值；
6.根据权利要求5所述一种基于鲁棒遗传规划和特征学习的弱图像分类方法，其特征在于，步骤2.2中所述个体树为：输入层、第一卷积层、第二卷积层、池化层、连接层和输出层；其中所述第二卷积层与池化层残差连接；所述池化层与连接层残差连接；所述连接层与输出层残差连接；所述输入层用于输入弱图像数据；所述第一卷积层和第二卷积层均用于对输入的弱图像数据通过卷积运算进行特征提取；所述池化层用于通过对提取到的特征进行最大池化来对该特...
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。