CN113313021A - 一种基于低质量影像识别的深度学习模型构建方法 - Google Patents
一种基于低质量影像识别的深度学习模型构建方法 Download PDFInfo
- Publication number
- CN113313021A CN113313021A CN202110586635.4A CN202110586635A CN113313021A CN 113313021 A CN113313021 A CN 113313021A CN 202110586635 A CN202110586635 A CN 202110586635A CN 113313021 A CN113313021 A CN 113313021A
- Authority
- CN
- China
- Prior art keywords
- data set
- neural network
- network model
- processing
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例提供的基于低质量影像识别的深度学习模型构建方法包括对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理,将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集,构建包括采用残差网络作为提取特征网络和采用数据不确定性学习网络模块作为特征融合及获取输出结果网络的第一卷积神经网络模型,将训练数据集输入第一卷积神经网络模型进行训练,采用验证数据集评估、调整第一卷积神经网络模型,得到第二卷积神经网络模型,采用测试数据集对第二卷积神经网络模型的准确率进行测试。
Description
技术领域
本申请涉及影像识别领域,尤其涉及一种基于低质量影像识别的深度学习模型构建方法。
背景技术
X射线数字成像检测方法是对发、输、变、配电设备的运行状态和发、输、变、配电设备的内部缺陷进行检测和诊断的重要检测手段,由于采用X射线数字成像检测方法在对发、输、变、配电设备的运行状态和发、输、变、配电设备的内部缺陷进行诊断时,需要技术人员对检测到的X射线影像进行人工诊断,因此,技术人员数量少会导致诊断不及时,技术人员诊断水平参差不齐以及技术人员诊断时状态不佳均会造成诊断的准确性较低。
为了避免由于技术人员人数少造成的诊断不及时,技术人员诊断水平参差不齐以及技术人员诊断时状态不佳造成的诊断的准确性较低的问题,相关技术中采用基于影像识别的确定性深度学习模型进行X射线检测影像的智能诊断,采用迁移学习的方法让经过模拟电力设备数据集训练的卷积神经网络对高质量小样本的真实电力设备数据集进行学习或采用对电力设备图像进行旋转、平移和缩放操作,获得的每类设备不同图像再进行特征学习。
然而,由于输入到上述基于影像识别的深度学习模型中的X射线影像的质量会受到数字成像检测设备参数的影响,X射线影像采集的效率会受到环境、工况、数字成像检测设备的种类及性能的影响,因此,采集到的X射线影像存在一定程度的低分辨率、模糊、有噪声问题,当输入上述基于影像识别的深度学习模型的X射线影像数据集为具有低分辨率、模糊、有噪声问题的低质量X射线影像数据集时,上述基于影像识别的深度学习模型的鲁棒性和泛化能力较差,上述基于影像识别的深度学习模型对发、输、变、配电设备的运行状态和内部缺陷诊断的精确度较低。
发明内容
本申请提供了一种基于低质量影像识别的深度学习模型构建方法,以解决深度学习模型对发、输、变、配电设备的运行状态和内部缺陷诊断的精确度较低的技术问题。
为了解决上述技术问题,本申请实施例公开了如下技术方案:
第一方面,本申请实施例公开了一种基于低质量影像识别的深度学习模型构建方法,包括:
对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理;
将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集;
构建包括采用残差网络作为提取特征网络和采用数据不确定性学习网络模块作为特征融合及获取输出结果网络的第一卷积神经网络模型;
将训练数据集输入第一卷积神经网络模型进行训练;
采用验证数据集评估、调整第一卷积神经网络模型,得到第二卷积神经网络模型;
采用测试数据集对第二卷积神经网络模型的准确率进行测试。
可选的,对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理,包括:
对获取到的X射线影像进行包括尺寸归一化处理和数值归一化处理的归一化处理;
对获取到的X射线影像进行包括低分辨率处理、模糊处理和随机噪声处理的数据增强处理。
可选的,对获取到的X射线影像进行包括尺寸归一化处理和数值归一化处理的归一化处理,包括:
对获取到的X射线影像进行尺寸归一化处理后,X射线影像的尺寸均为256像素*256像素。
可选的,在对获取到的X射线影像进行包括低分辨率处理、模糊处理和随机噪声处理的数据增强处理后,包括:
通过扭曲因子控制获取到的X射线影像的质量。
可选的,将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集,包括:
将影像处理后的X射线影像数据整合为数据集,将数据集中的影像数据进行随机打乱,并将数据集分为训练数据集、验证数据集和测试数据集,训练数据集、验证数据集和测试数据集中影像数据数的比例为3:1:1。
可选的,将训练数据集输入第一卷积神经网络模型进行训练,包括:
对第一卷积神经网络模型进行训练进行参数初始化和超参数设置;
将训练数据集输入第一卷积神经网络模型进行200次训练;
每次训练均采用梯度下降算法计算第一卷积神经网络模型的损失函数并更新第一卷积神经网络模型的参数。
可选的,每次训练均采用梯度下降算法计算第一卷积神经网络模型的损失函数并更新第一卷积神经网络模型的参数,包括:
采用反向传播算法计算损失函数下降的梯度,当损失函数为高度非凸函数时,通过自适应矩估计优化器更新第一卷积神经网络模型的参数。
本申请的有益效果为:
本申请实施例提供的基于低质量影像识别的深度学习模型构建方法包括对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理,将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集,构建包括采用残差网络作为提取特征网络和采用数据不确定性学习网络模块作为特征融合及获取输出结果网络的第一卷积神经网络模型,将训练数据集输入第一卷积神经网络模型进行训练,采用验证数据集评估、调整第一卷积神经网络模型的参数,得到第二卷积神经网络模型,采用测试数据集对第二卷积神经网络模型的准确率进行测试,由于在对第一卷积神经网络模型进行训练前对数据集中的影像数据进行包括归一化处理和数据增强处理的影像处理,因此,数据集中的影像数据均为低质量影像数据,第一卷积神经网络模型的鲁棒性较强,由于第二卷积神经网络模型是由第一卷积神经网络模型调整参数后得到的,且第一卷积神经网络模型采用数据不确定性学习网络模块作为特征融合及获取输出结果网络,数据不确定性学习网络模块通过把图像空间映射到一种服从高斯分布的不确定的特征空间,能够自适应的学习样本中的噪声干扰,第一卷积神经网络模型的泛化能力较强,第一卷积神经网络模型识别低质量影像数据的准确率较高,因此第二卷积神经网络模型识别低质量影像数据的准确率较高。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于低质量影像识别的深度学习模型构建方法的流程示意图;
图2为本申请实施例提供的一种基于低质量影像识别的深度学习过程的流程示意图;
图3为本申请实施例提供的第一卷积神经网络模型影像识别过程的流程示意图;
图4为本申请实施例提供的残差网络结构示意图;
图5为本申请实施例提供的数据不确定性学习网络模块结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
参见图1,本申请实施例提供了一种基于低质量影像识别的深度学习模型构建方法,包括如下步骤:
步骤S110:
对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理。
在一些实施例中,对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理,包括:如图2所示,对获取到的X射线影像进行包括尺寸归一化处理和数值归一化处理的归一化处理,对获取到的X射线影像进行尺寸归一化处理后,X射线影像的尺寸均为256像素*256像素,对获取到的X射线影像进行数值归一化处理后,输出的特征向量的通道数均为256,如图2所示,对获取到的X射线影像进行包括低分辨率处理、模糊处理和随机噪声处理的数据增强处理,通过扭曲因子控制获取到的X射线影像的质量,其中,低分辨率处理即对高质量影像降低分辨率处理,计算低分辨率影像的公式如下:
公式中:(w,h)i分别表示基于纯净样本xi的低分辨率影像的宽和高,α表示扭曲因子,扭曲因子的值域为[0,1],(δw,δh)表示xi的尺寸缩放系数,且xi的尺寸缩放系数服从均匀分布U(0,1)。
模糊处理即对高质量影像进行高斯模糊处理,计算高斯模糊影像xi(gaussionblur)的公式如下:
随机噪声处理即对高质量影像进行高斯噪声处理,计算噪声影像xi(gaussionniose)的公式如下:
公式中:α表示扭曲因子,扭曲因子的值域为[0,1],n表示服从高斯分布N(0,v2)的噪声,v值取8。
在对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理后,可将X射线影像均处理为相同尺寸的低质量X射线影像,统一了X射线影像的尺寸和质量,作为输入数据可使模型训练过程更加简便,提高模型的鲁棒性。
步骤S120:
将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集。
在一些实施例中,将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集,包括:将影像处理后的X射线影像数据整合为数据集,将数据集中的影像数据进行随机打乱,并将数据集分为训练数据集、验证数据集和测试数据集,训练数据集、验证数据集和测试数据集中影像数据数的比例为3:1:1,由于训练数据集可对模型进行训练,验证数据集可对模型进行评估及调整,测试数据集可对模型进行测试,因此,将数据集分为训练数据集、验证数据集和测试数据集可提高模型识别的准确率。
步骤S130:
构建包括采用残差网络作为提取特征网络和采用数据不确定性学习网络模块作为特征融合及获取输出结果网络的第一卷积神经网络模型。
在一些实施例中,第一卷积神经网络模型的影像识别过程如图3所示,其中,提取特征网络选用残差网络ResNet-18如图4所示,首先通过一个7×7的卷积层进行全局特征粗提取,然后下采样四次并按深度进行尺寸变换,最后利用全局平均池化操作来融合多尺度特征。ResNet-18的主要单元网络为残差模块,残差模块增加了网络质量的密度,在反向传播时对梯度变化更加敏感,使得网络权重参数的微小改变就可以可观地影响结果。如图4所示,每个块网络即图4中的B模块由两个残差模块组成,每一个块网络都是卷积-批归一化-激活函数的子模块网络,其中最大池化负责下采样,每一次下采样均将特征图通道数增加为原来的二倍,将特征图尺寸缩小为原来的四分之一。块网络内和块网络之间的快捷连接有所不同,见图4中虚线。块网络内因为前后张量维度相同,无需考虑维度变化;而块网络之间额外使用卷积-批归一化结构,改变快捷连接之前的张量维度,使之与快捷连接之后的张量维度相同,进而实现对应元素相加操作。对ResNet-18进行了微小修改,缩小了每个块网络的神经元数量,并最后增加了一个1×1的卷积层进行通道数维度的调整,可适应电力设备X射线影像中待识别类别少、原始数据量少的特点,ResNet-18网络参数如表1所示:
表1
表1中,B模块由两个残差模块组成。
特征融合及获取输出结果网络如图5所示,特征融合及获取输出结果网络的输入设置为256×1维度的特征向量,即提取特征网络的输出是二维概率向量。数据不确定性学习网络模块通过随机失活-线性-批归一化并行学习μ和σ2表征特征空间的不确定性范围,通过服从N(0,I)的因子ξ表征特征空间的随机性,用于类别结果输出,采用数据不确定性学习网络模块通过把图像空间映射到一种服从高斯分布的不确定的特征空间,能够降低X射线影像中的噪声干扰,提高模型的泛化能力和模型识别的准确率。
步骤S140:
将训练数据集输入第一卷积神经网络模型进行训练。
在一些实施例中,将训练数据集输入第一卷积神经网络模型进行训练,包括:对第一卷积神经网络模型进行训练进行参数初始化和超参数设置,将卷积层权重初始化为服从正态分布,使得每层权重的方差尽可能相等,公式如下:
公式中:表示待初始化的第i个卷积层的权重,n和l分别为卷积核的个数和尺寸,a为可调参数,设置为0,将归一化层的权重初始化为常数1,将全连接层权重初始化为服从N(0,0.01)的正态分布,将卷积层、归一化层和全连接层的偏置均初始化为常数0,使得训练前期信息更好的流动并加速收敛。
如图2所示,将训练数据集输入第一卷积神经网络模型进行M次训练,其中,M可选择为200次,每次训练均采用梯度下降算法计算第一卷积神经网络模型的损失函数并更新第一卷积神经网络模型的参数,数据不确定性学习网络模块损失函数的公式如下:
LDUL=LCrossEntropy+λLKL
公式中:LDUL由交叉熵损失函数LCrossEntropy和惩罚项LKL组成,惩罚项LKL的公式如下:
公式中,LKL衡量特征空间分布和标准正态度分布N(ξ|0,I)的偏离程度若两个分布完全匹配,那么LKL=0。λ是LKL的权重系数,默认设为0.05。LDUL损失函数在训练过程中惩罚不确定的特征,更加关注置信度高的特征,惩罚项LKL实际上是一个KL散度约束,起到收敛μi和的作用。
采用反向传播算法计算损失函数下降的梯度,每次反向传播输入的批量大小为32,初始学习率为0.001,每迭代300次下降一个数量级,例如0.001下降为0.0001,当损失函数为高度非凸函数时,通过自适应矩估计优化器更新第一卷积神经网络模型的参数,可通过不断缩小损失函数的大小,提高第一卷积神经网络模型识别的准确率。
步骤S150:
采用验证数据集评估、调整第一卷积神经网络模型,得到第二卷积神经网络模型。
在一些实施例中,采用验证数据集评估第一卷积神经网络模型并根据评估结果调整第一卷积神经网络模型的参数,将第一卷积神经网络模型调整参数后作为第二卷积神经网络模型,通过对第一卷积神经网络模型参数的调整,提高了第二卷积神经网络模型识别的准确率。
步骤S160:
采用测试数据集对第二卷积神经网络模型的准确率进行测试。
在一些实施例中,如图2所示,采用测试数据集对第二卷积神经网络模型的准确率进行测试,输入测试数据集中的X射线影像,利用第二卷积神经网络模型去判断该X射线影像中电力设备的运行状态或者内部缺陷,测试结果与第二卷积神经网络模型识别结果相比较可得出第二卷积神经网络模型识别的准确率。
本申请实施例提供的基于低质量影像识别的深度学习模型构建方法包括对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理,将影像处理后的X射线影像数据整合为数据集,并将数据集分为训练数据集、验证数据集和测试数据集,构建包括采用残差网络作为提取特征网络和采用数据不确定性学习网络模块作为特征融合及获取输出结果网络的第一卷积神经网络模型,将训练数据集输入第一卷积神经网络模型进行训练,采用验证数据集评估、调整第一卷积神经网络模型的参数,得到第二卷积神经网络模型,采用测试数据集对第二卷积神经网络模型的准确率进行测试,由于在对第一卷积神经网络模型进行训练前对数据集中的影像数据进行包括归一化处理和数据增强处理的影像处理,因此,数据集中的影像数据均为低质量影像数据,第一卷积神经网络模型的鲁棒性较强,由于第二卷积神经网络模型是由第一卷积神经网络模型调整参数后得到的,且第一卷积神经网络模型采用数据不确定性学习网络模块作为特征融合及获取输出结果网络,数据不确定性学习网络模块通过把图像空间映射到一种服从高斯分布的不确定的特征空间,能够自适应的学习样本中的噪声干扰,第一卷积神经网络模型的泛化能力较强,第一卷积神经网络模型识别低质量影像数据的准确率较高,因此第二卷积神经网络模型的鲁棒性和泛化能力较强,第二卷积神经网络模型识别低质量影像数据的准确率较高。
由于以上实施方式均是在其他方式之上引用结合进行说明,不同实施例之间均具有相同的部分,本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是,在本说明书中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下,有语句“包括一个……”限定的要素,并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由权利要求的内容指出。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (7)
1.一种基于低质量影像识别的深度学习模型构建方法,其特征在于,包括:
对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理;
将所述影像处理后的所述X射线影像数据整合为数据集,并将所述数据集分为训练数据集、验证数据集和测试数据集;
构建包括采用残差网络作为提取特征网络和采用数据不确定性学习网络模块作为特征融合及获取输出结果网络的第一卷积神经网络模型;
将所述训练数据集输入所述第一卷积神经网络模型进行训练;
采用所述验证数据集评估、调整所述第一卷积神经网络模型,得到第二卷积神经网络模型;
采用所述测试数据集对所述第二卷积神经网络模型的准确率进行测试。
2.根据权利要求1所述的基于低质量影像识别的深度学习模型构建方法,其特征在于,所述对获取到的X射线影像进行包括归一化处理和数据增强处理的影像处理,包括:
对获取到的X射线影像进行包括尺寸归一化处理和数值归一化处理的归一化处理;
对获取到的X射线影像进行包括低分辨率处理、模糊处理和随机噪声处理的数据增强处理。
3.根据权利要求2所述的基于低质量影像识别的深度学习模型构建方法,其特征在于,所述对获取到的X射线影像进行包括尺寸归一化处理和数值归一化处理的归一化处理,包括:
对获取到的X射线影像进行尺寸归一化处理后,所述X射线影像的尺寸均为256像素*256像素。
4.根据权利要求2所述的基于低质量影像识别的深度学习模型构建方法,其特征在于,在对获取到的X射线影像进行包括低分辨率处理、模糊处理和随机噪声处理的数据增强处理后,包括:
通过扭曲因子控制所述获取到的X射线影像的质量。
5.根据权利要求1所述的基于低质量影像识别的深度学习模型构建方法,其特征在于,所述将所述影像处理后的所述X射线影像数据整合为数据集,并将所述数据集分为训练数据集、验证数据集和测试数据集,包括:
将所述影像处理后的所述X射线影像数据整合为数据集,将所述数据集中的影像数据进行随机打乱,并将所述数据集分为训练数据集、验证数据集和测试数据集,所述训练数据集、所述验证数据集和所述测试数据集中影像数据数的比例为3:1:1。
6.根据权利要求1所述的基于低质量影像识别的深度学习模型构建方法,其特征在于,所述将所述训练数据集输入所述第一卷积神经网络模型进行训练,包括:
对所述第一卷积神经网络模型进行训练进行参数初始化和超参数设置;
将所述训练数据集输入所述第一卷积神经网络模型进行200次训练;
每次训练均采用梯度下降算法计算所述第一卷积神经网络模型的损失函数并更新所述第一卷积神经网络模型的参数。
7.根据权利要求6所述的基于低质量影像识别的深度学习模型构建方法,其特征在于,所述每次训练均采用梯度下降算法计算所述第一卷积神经网络模型的损失函数并更新所述第一卷积神经网络模型的参数,包括:
采用反向传播算法计算所述损失函数下降的梯度,当损失函数为高度非凸函数时,通过自适应矩估计优化器更新所述第一卷积神经网络模型的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110586635.4A CN113313021B (zh) | 2021-05-27 | 2021-05-27 | 一种基于低质量影像识别的深度学习模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110586635.4A CN113313021B (zh) | 2021-05-27 | 2021-05-27 | 一种基于低质量影像识别的深度学习模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313021A true CN113313021A (zh) | 2021-08-27 |
CN113313021B CN113313021B (zh) | 2023-05-30 |
Family
ID=77375633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110586635.4A Active CN113313021B (zh) | 2021-05-27 | 2021-05-27 | 一种基于低质量影像识别的深度学习模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313021B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114358662A (zh) * | 2022-03-17 | 2022-04-15 | 北京闪马智建科技有限公司 | 一种数据质量评估方法、装置、存储介质及电子装置 |
CN114595740A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 一种基于光电探测器的超高速射线图像识别方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109191445A (zh) * | 2018-08-29 | 2019-01-11 | 极创智能(北京)健康科技有限公司 | 基于人工智能的骨骼形变分析方法 |
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN111612066A (zh) * | 2020-05-21 | 2020-09-01 | 成都理工大学 | 基于深度融合的卷积神经网络的遥感图像分类方法 |
CN111882514A (zh) * | 2020-07-27 | 2020-11-03 | 中北大学 | 一种基于双残差超密集网络的多模态医学图像融合方法 |
CN112037913A (zh) * | 2020-09-15 | 2020-12-04 | 南昌大学 | 一种基于卷积神经网络的牙周炎智能检测方法及系统 |
CN112131969A (zh) * | 2020-09-01 | 2020-12-25 | 河海大学 | 基于全卷积神经网络的遥感图像变化检测方法 |
CN112396560A (zh) * | 2019-08-16 | 2021-02-23 | 通用电气精准医疗有限责任公司 | 用于使用深度神经网络对医疗图像进行去模糊的系统和方法 |
CN112766323A (zh) * | 2020-12-30 | 2021-05-07 | 清华大学 | 一种影像识别方法和装置 |
-
2021
- 2021-05-27 CN CN202110586635.4A patent/CN113313021B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN109191445A (zh) * | 2018-08-29 | 2019-01-11 | 极创智能(北京)健康科技有限公司 | 基于人工智能的骨骼形变分析方法 |
CN112396560A (zh) * | 2019-08-16 | 2021-02-23 | 通用电气精准医疗有限责任公司 | 用于使用深度神经网络对医疗图像进行去模糊的系统和方法 |
CN110674866A (zh) * | 2019-09-23 | 2020-01-10 | 兰州理工大学 | 迁移学习特征金字塔网络对X-ray乳腺病灶图像检测方法 |
CN111612066A (zh) * | 2020-05-21 | 2020-09-01 | 成都理工大学 | 基于深度融合的卷积神经网络的遥感图像分类方法 |
CN111882514A (zh) * | 2020-07-27 | 2020-11-03 | 中北大学 | 一种基于双残差超密集网络的多模态医学图像融合方法 |
CN112131969A (zh) * | 2020-09-01 | 2020-12-25 | 河海大学 | 基于全卷积神经网络的遥感图像变化检测方法 |
CN112037913A (zh) * | 2020-09-15 | 2020-12-04 | 南昌大学 | 一种基于卷积神经网络的牙周炎智能检测方法及系统 |
CN112766323A (zh) * | 2020-12-30 | 2021-05-07 | 清华大学 | 一种影像识别方法和装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114595740A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 一种基于光电探测器的超高速射线图像识别方法 |
CN114358662A (zh) * | 2022-03-17 | 2022-04-15 | 北京闪马智建科技有限公司 | 一种数据质量评估方法、装置、存储介质及电子装置 |
CN114358662B (zh) * | 2022-03-17 | 2022-09-13 | 北京闪马智建科技有限公司 | 一种数据质量评估方法、装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113313021B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619618B (zh) | 一种表面缺陷检测方法、装置及电子设备 | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN107636690B (zh) | 基于卷积神经网络的全参考图像质量评估 | |
CN109522857B (zh) | 一种基于生成式对抗网络模型的人数估计方法 | |
CN105657402A (zh) | 一种深度图恢复方法 | |
CN110956615B (zh) | 图像质量评估模型训练方法、装置、电子设备及存储介质 | |
CN113313021A (zh) | 一种基于低质量影像识别的深度学习模型构建方法 | |
CN111160229B (zh) | 基于ssd网络的视频目标检测方法及装置 | |
CN113129272A (zh) | 一种基于去噪卷积自编码器的缺陷检测方法及装置 | |
CN112560918A (zh) | 一种基于改进YOLO v3的菜品识别方法 | |
WO2024021461A1 (zh) | 缺陷检测方法及装置、设备、存储介质 | |
CN111626379B (zh) | 肺炎x光图像检测方法 | |
CN114266898A (zh) | 一种基于改进EfficientNet的肝癌识别方法 | |
CN111179235A (zh) | 图像检测模型的生成方法及装置、应用方法及装置 | |
CN112365551A (zh) | 一种图像质量处理系统、方法、设备和介质 | |
CN116740587A (zh) | 一种数据与模型双重不确定性感知的无人机航拍目标可信识别方法 | |
CN117370771A (zh) | 一种基于条件分数扩散的知识嵌入填补软测量方法 | |
CN116894985A (zh) | 半监督图像分类方法及半监督图像分类系统 | |
CN116994044A (zh) | 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN114511521A (zh) | 基于多重表示与多重子域自适应的轮胎瑕疵检测方法 | |
CN116152194A (zh) | 一种物体缺陷检测方法、系统、设备及介质 | |
CN117617888B (zh) | 一种近视屈光度的预测系统及方法 | |
CN114648646B (zh) | 一种图像分类方法及装置 | |
CN116563615B (zh) | 基于改进多尺度注意力机制的不良图片分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |