CN106934373A - 一种图书馆图书损坏评定方法及系统 - Google Patents

Abstract

本发明公开了一种图书馆图书损坏评定方法，首先获取图书的正反侧三面图书图像数据：采用卷积神经网络模型通过训练算法获取图书图像的归一化特征向量；然后通过公式来计算图书出借前后的差异度：最后根据差异度与存储于数据库中归一化特性向量进行比较，判断图书是否存在图书损坏，如果无，则结束；如果有，则合并数据库中的特性向量；根据差异度对图书损坏程度进行评级；输出评级结果。本发明通过机器学习即神经网络来实现一种自动化评定图书损坏程度的图书馆图书损坏评定系统。这套智能化的图书损坏评定系统也能用于图书馆大量图书的图书报废的破埙评定，节省人力物力，规范化评定标准。

Description

一种图书馆图书损坏评定方法及系统

技术领域

本发明涉及图书自动检测技术领域，特别是一种图书馆图书损坏评定方法及系统。

背景技术

互联网技术的发展，生活中智能化的提升，在图书馆中，无人智能借书还书机越来越受到人们的欢迎，但是现有的无人智能借书还书机只能完成图书的出借和归还记录的记载，并不能对图书出借过程中出现的图书损坏进行识别和评定。

因此，需要一种自动化评定图书损坏程度的图书馆图书损坏评定方法及系统。

发明内容

本发明的目的是提出一种图书馆图书损坏评定方法及系统。

本发明的目的是通过以下技术方案来实现的：

本发明提供的图书馆图书损坏评定方法，包括以下步骤：

获取图书出借时正反侧三面图书图像数据：

通过特征提取模块采用线下训练完成的卷积神经网络模型提取图书图像数据所对应的归一化特征向量并存入数据库：所述归一化特征向量包括出借时图书正面归一化特征向量出借时图书反面归一化特征向量和出借时图书侧面归一化特征向量

其中，

表示出借时图书正面归一化特征向量；

表示出借时图书反面归一化特征向量；

表示出借时图书侧面归一化特征向量；

通过特征比对模块按照以下公式来计算图书出借前后的差异度：

式中，β为图书出借前后差异度；

表示归还时图书正面归一化特征向量；

表示归还时图书反面归一化特征向量；

表示归还时图书侧面归一化特征向量；

||·||₂为2范数运算；

根据差异度与设定门限值进行比较，判断图书是否存在图书损坏，如果无，则结束；

如果有，则合并图书归还时和出借时的正面、反面及侧面的归一化特征向量为损坏评级所需的图书出借前后归一化特征向量；

将图书出借前后归一化特征向输入到损坏评定模块中，对图书的损坏程度进行评级得到并输出评级结果。

进一步，所述图书出借前后归一化特征向量采用如下公式进行特征级联拼接方式合并：

进一步，所述归一化特征向量采用如下公式进行归一化计算：

式中，为归一化之前的特征向量，||·||₂为2范数运算。

进一步，所述损坏评定模块中的图书损坏程度的评级是按照以下方式进行：

所述图书损坏程度的评级采用神经网络结构来实现损坏评级，所述神经网络结构通过神经网络全链接层和softmax层采用线下训练完成。

进一步，所述损坏评定模块中的Softmax层采用概率值进行图书损坏级别预测，所述概率值分别设置为10个级别。

进一步，所述根据差异度对图书损坏程度进行评级，具体步骤如下：

当图书损坏级别大于门限值时，则报废该图书；将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量。

本发明还提供了一种图书馆图书损坏评定系统，包括图像采集模块，特征提取模块、特征比对模块、损坏评定模块和输出模块；

所述图像采集模块，用于获取图书出借时正反侧三面图书图像数据：

所述特征提取模块，用于通过特征提取模块采用线下训练完成的卷积神经网络模型提取图书图像数据所对应的归一化特征向量并存入数据库：所述一化特征向量包括

其中，

表示出借时图书正面归一化特征向量；

表示出借时图书反面归一化特征向量；

表示出借时图书侧面归一化特征向量；

所述特征比对模块，用于通过按照以下公式来计算图书出借前后的差异度：

式中，β为图书出借前后差异度；

表示归还时图书正面归一化特征向量；

表示归还时图书反面归一化特征向量；

表示归还时图书侧面归一化特征向量；

||·||₂为2范数运算；

所述损坏评定模块，用于根据差异度与设定门限值进行比较，判断图书是否存在图书损坏，如果无，则结束；

如果有，则合并图书归还时和出借时的正面、反面及侧面的归一化特征向量为损坏评级所需的图书出借前后归一化特征向量；将图书出借前后归一化特征向输入到损坏评定模块中，对图书的损坏程度进行评级；

所述输出模块，用于输出评级结果。

进一步，所述图书出借前后归一化特征向量采用如下公式进行特征级联拼接方式合并：

进一步，所述归一化特征向量采用如下公式进行归一化计算：

式中，为归一化之前的特征向量，||·||₂为2范数运算。

进一步，所述损坏评定模块中的图书损坏程度的评级是按照以下方式进行：

所述图书损坏程度的评级采用神经网络结构来实现损坏评级，所述神经网络结构通过神经网络全链接层和softmax层采用线下训练完成；

所述损坏评定模块中的Softmax层采用概率值进行图书损坏级别预测，所述概率值分别设置为10个级别；

所述根据差异度对图书损坏程度进行评级，具体步骤如下：

当图书损坏级别大于门限值时，报废该图书；将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量。

由于采用了上述技术方案，本发明具有如下的优点：

本发明通过机器学习即神经网络来实现一种自动化评定图书损坏程度的图书馆图书损坏评定系统。这套智能化的图书损坏评定系统也能用于图书馆大量图书的图书报废的破埙评定，节省人力物力，规范化评定标准。

本发明使用神经网络的机器学习方法，使得自动图书借还系统具备了识别图书损坏程度的评定，为图书使用者爱惜图书提供了监督作用，完善了自动图书借还系统。使用机器系统评定的方法，对图书的损坏程度进行评定，建立了规范化的，同一的图书损坏程度评定指标，避免了人为因素的影响，同时也减少了人力投入。使用图书馆图书损坏评定系统还可以对图书馆图书的损坏进行评定，同时通过图书归还时的报废评定，可以实时对整个图书馆图书进行报废评定、申请与处理，保证图书馆图书的完整性，充分节省人力的投入。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

本发明的附图说明如下。

图1为本发明的图书出借流程图。

图2为本发明的图书归还流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图所示，本实施例提供的图书馆图书损坏评定方法，包括以下步骤：

获取图书出借时正反侧三面图书图像数据：

通过特征提取模块采用线下训练完成的卷积神经网络模型提取图书图像数据所对应的归一化特征向量并存入数据库：所述归一化特征向量包括

其中，表示出借时图书正面归一化特征向量；表示出借时图书反面归一化特征向量；表示出借时图书侧面归一化特征向量；

通过特征比对模块按照以下公式来计算图书出借前后的差异度：

式中，β为图书出借前后差异度；表示归还时图书正面归一化特征向量；表示归还时图书反面归一化特征向量；表示归还时图书侧面归一化特征向量；||·||₂为2范数运算；

根据差异度与设定门限值进行比较，判断图书是否存在图书损坏，如果无，则结束；

如果有，则合并图书归还时和出借时的正面、反面及侧面的归一化特征向量为损坏评级所需的图书出借前后归一化特征向量；

将图书出借前后归一化特征向输入到损坏评定模块中，对图书的损坏程度进行评级得到并输出评级结果。

所述图书出借前后归一化特征向量采用如下公式进行特征级联拼接方式合并：

所述归一化特征向量采用如下公式进行归一化计算：

式中，为归一化之前的特征向量，||·||₂为2范数运算。

所述损坏评定模块中的图书损坏程度的评级是按照以下方式进行：

所述图书损坏程度的评级采用神经网络结构来实现损坏评级，所述神经网络结构通过神经网络全链接层和softmax层采用线下训练完成。

所述损坏评定模块中的Softmax层采用概率值进行图书损坏级别预测，所述概率值分别设置为10个级别。

所述根据差异度对图书损坏程度进行评级，具体步骤如下：

当图书损坏级别大于门限值时，则报废该图书；将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量。

本实施例还提供了一种图书馆图书损坏评定系统，包括图像采集模块，特征提取模块、特征比对模块、损坏评定模块和输出模块；

所述图像采集模块，用于获取图书出借时正反侧三面图书图像数据：

所述特征提取模块，用于通过特征提取模块采用线下训练完成的卷积神经网络模型提取图书图像数据所对应的归一化特征向量并存入数据库：所述一化特征向量包括

其中，

表示出借时图书正面归一化特征向量；

表示出借时图书反面归一化特征向量；

表示出借时图书侧面归一化特征向量；

所述特征比对模块，用于通过按照以下公式来计算图书出借前后的差异度：

式中，β为图书出借前后差异度；

表示归还时图书正面归一化特征向量；

表示归还时图书反面归一化特征向量；

表示归还时图书侧面归一化特征向量；

||·||₂为2范数运算；

所述损坏评定模块，用于根据差异度与设定门限值进行比较，判断图书是否存在图书损坏，如果无，则结束；

如果有，则合并图书归还时和出借时的正面、反面及侧面的归一化特征向量为损坏评级所需的图书出借前后归一化特征向量；将图书出借前后归一化特征向输入到损坏评定模块中，对图书的损坏程度进行评级；

所述输出模块，用于输出评级结果。

所述图书出借前后归一化特征向量采用如下公式进行特征级联拼接方式合并：

所述归一化特征向量采用如下公式进行归一化计算：

式中，为归一化之前的特征向量，||·||₂为2范数运算。

所述损坏评定模块中的图书损坏程度的评级是按照以下方式进行：

所述图书损坏程度的评级采用神经网络结构来实现损坏评级，所述神经网络结构通过神经网络全链接层和softmax层采用线下训练完成；

所述损坏评定模块中的Softmax层采用概率值进行图书损坏级别预测，所述概率值分别设置为10个级别；

所述根据差异度对图书损坏程度进行评级，具体步骤如下：

当图书损坏级别大于门限值时，报废该图书；将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量。

本实施例提供的特征提取模块根据线下训练完成，选择性能较佳的卷积神经网络模型，网络结构为AlexNet网络，将其全链接层作为输出，分别提取一本图书正面、背面、以及侧面的照片的归一化特征向量采用2范数做归一化。

本实施例提供的数据库用于存储图书出借基本信息，同时还包括出借时图书正面、背面、侧面的归一化特性向量便于图书归还时，特征比对模块作为比对基准。

特征比对模块完成图书归还时图书表面相较于图书借出时是否有较明显的图书损坏，待图书归还时，特征提取模块提取归还图书正面、反面、侧面的归一化特征向量从数据库获取图书出借时，图书正面、反面、侧面的归一化特征向量图书在出借过程中的损坏程度用图书出借前后的差异度衡量：

式中，β为图书出借前后差异度，范围为[0,1]，值越大表示图书出借前后差异越大，表征图书出借前后的可能损坏程度越大，当差异程度大于设定门限值时，将调用损坏评定模块对损坏程度进行进一步评定。

损坏评定模块根据图书的输入特征，对图书的损坏程度进行评级，损坏评定模块由神经网络的全链接层+softmax层组成，网络层参数由线下训练完成。输入的特征向量为图书出借前后归一化特征级联而成，具体形式如下：

特征向量经过全链接层后送入softmax层；Softmax层会对图书的10个损坏级别进行概率预测，分别为0,1,2，……，9，概率值最大为系统对图书损坏程度的评定，评定级越大，表示图书损坏程度越大，0表示图书出借前后基本无损坏。

其中，softmax层的逻辑回归函数为：

对应的分类器为：

式中，z_j为逻辑回归函数输出第j个元素；n为分类类别数，也就是我们设定的级数个数(n＝10)。

当需进行图书馆图书报废的损坏评定是，只需将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量即可，当图书损坏级别大于门限值时，报废该图书；通过图书的出借归还时的图书报废评定，可以实现图书的实时报废评定、申请与处理。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (10)

1.一种图书馆图书损坏评定方法，其特征在于：包括以下步骤：

获取图书出借时正反侧三面图书图像数据：

通过特征提取模块采用线下训练完成的卷积神经网络模型提取图书图像数据所对应的归一化特征向量并存入数据库：所述归一化特征向量包括出借时图书正面归一化特征向量出借时图书反面归一化特征向量和出借时图书侧面归一化特征向量

其中，

表示出借时图书正面归一化特征向量；

表示出借时图书反面归一化特征向量；

表示出借时图书侧面归一化特征向量；

通过特征比对模块按照以下公式来计算图书出借前后的差异度：

式中，β为图书出借前后差异度；

表示归还时图书正面归一化特征向量；

表示归还时图书反面归一化特征向量；

表示归还时图书侧面归一化特征向量；

||·||₂为2范数运算；

根据差异度与设定门限值进行比较，判断图书是否存在图书损坏，如果无，则结束；

如果有，则合并图书归还时和出借时的正面、反面及侧面的归一化特征向量为损坏评级所需的图书出借前后归一化特征向量；

将图书出借前后归一化特征向输入到损坏评定模块中，对图书的损坏程度进行评级得到并输出评级结果；

根据图书损坏评定结果，对图书进行报废评定。

2.如权利要求1所述的图书馆图书损坏评定方法，其特征在于：所述图书出借前后归一化特征向量采用如下公式进行特征级联拼接方式合并：

3.如权利要求1所述的图书馆图书损坏评定方法，其特征在于：所述归一化特征向量采用如下公式进行归一化计算：

式中，为归一化之前的特征向量，||·||₂为2范数运算。

4.如权利要求1所述的图书馆图书损坏评定方法，其特征在于：所述损坏评定模块中的图书损坏程度的评级是按照以下方式进行：

所述图书损坏程度的评级采用神经网络结构来实现损坏评级，所述神经网络结构通过神经网络全链接层和softmax层采用线下训练完成，包括：人为标定大量图书的损坏级别，将图书的归一化特征向量与其对应的标定送入神经网络全链接层和softmax层训练，根据使得输出预测图书损坏级别与标定误差之差达到预设最小阈值时，更新训练神经网络全链接层和softmax层。

5.如权利要求1所述的图书馆图书损坏评定方法，其特征在于：所述损坏评定模块中的Softmax层采用概率值进行图书损坏级别预测，所述概率值分别设置为N个级别，所述N的取值为预设值。

6.如权利要求1所述的图书馆图书损坏评定方法，其特征在于：所述根据图书的损坏评定结果，对图书进行报废评定，具体步骤如下：

将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量，对图书进行损坏评定，当图书损坏级别大于门限值时，则报废该图书。

7.一种图书馆图书损坏评定系统，其特征在于：包括图像采集模块，特征提取模块、特征比对模块、损坏评定模块和输出模块；

所述图像采集模块，用于获取图书出借时正反侧三面图书图像数据：

所述特征提取模块，用于通过特征提取模块采用线下训练完成的卷积神经网络模型提取图书图像数据所对应的归一化特征向量并存入数据库：所述一化特征向量包括

其中，

表示出借时图书正面归一化特征向量；

表示出借时图书反面归一化特征向量；

表示出借时图书侧面归一化特征向量；

所述特征比对模块，用于通过按照以下公式来计算图书出借前后的差异度：

式中，β为图书出借前后差异度；

表示归还时图书正面归一化特征向量；

表示归还时图书反面归一化特征向量；

表示归还时图书侧面归一化特征向量；

||·||₂为2范数运算；

所述损坏评定模块，用于根据差异度与设定门限值进行比较，判断图书是否存在图书损坏，如果无，则结束；

如果有，则合并图书归还时和出借时的正面、反面及侧面的归一化特征向量为损坏评级所需的图书出借前后归一化特征向量；将图书出借前后归一化特征向输入到损坏评定模块中，对图书的损坏程度进行评级；

所述输出模块，用于输出评级结果。

8.如权利要求7所述的图书馆图书损坏评定系统，其特征在于：所述图书出借前后归一化特征向量采用如下公式进行特征级联拼接方式合并：

9.如权利要求7所述的图书馆图书损坏评定系统，其特征在于：所述归一化特征向量采用如下公式进行归一化计算：

式中，为归一化之前的特征向量，||·||₂为2范数运算。

10.如权利要求7所述的图书馆图书损坏评定系统，其特征在于：所述损坏评定模块中的图书损坏程度的评级是按照以下方式进行：

所述图书损坏程度的评级采用神经网络结构来实现损坏评级，所述神经网络结构通过神经网络全链接层和softmax层采用线下训练完成；

所述损坏评定模块中的Softmax层采用概率值进行图书损坏级别预测，所述概率值分别设置为10个级别；

所述的图书报废评定，具体步骤如下：

将图书出借前的特征向量替换为图书新书时特征向量，将图书归还时特征向量替换为当前图书特征向量，对图书进行损坏评定，当图书损坏级别大于门限值时，则报废该图书。