【CN109919243A】一种基于CNN的废钢铁种类自动识别方法及装置【专利】

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号(43)申请公布日(21)申请号201910201422.8(22)申请日2019.03.15(71)申请人天津拾起卖科技有限公司地址300000天津市滨海新区自贸试验区（空港经济区）西三道158号金融中心3-301室C区(72)发明人张菲菲　陈奕　(74)专利代理机构天津企兴智财知识产权代理有限公司12226代理人李成运(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)(54)发明名称一种基于CNN的废钢铁种类自动识别方法及装置(57)摘要本发明公开了一种基于CNN的废钢铁种类自动识别方法及装置，对废钢铁图像进行收集，建立废钢铁样本数据库，并将收集的图像分为训练图像集和测试图像集；对废钢铁图像进行预处理；输入废钢铁训练图像，通过卷积神经网络进行机器深度学习，提取废钢铁图像特征；根据训练结果，调整优化参数，建立基于卷积神经网络的废钢铁图像分类模型。本发明实现了废钢铁种类自动识别。相较于人工识别分类方法，提高了废钢铁识别的客观性和规范性，而且识别速度快，准确率高。权利要求书2页说明书5页附图3页CN109919243A2019.06.21CN109919243A1.一种基于CNN的废钢铁种类自动识别方法，其特征在于，包括：S1、对废钢铁图像进行收集，建立废钢铁样本数据库，并将收集的图像分为训练图像集和测试图像集；S2、对废钢铁图像进行预处理；S3、对预处理后的废钢铁图像进行常态数据生成、小样本定向生成以及相似样本的加强生成，将废钢铁图像映射为特征向量；S4、构建卷积神经网络模型并使用步骤S3处理后的训练图像集进行训练；S5、根据训练结果，建立真值标签与测试结果的差异回馈奖赏策略，通过迭代调整优化参数，建立基于卷积神经网络的废钢铁图像分类模型；S6、将使用步骤S3处理后的测试图像输入经过训练的卷积神经网络模型当中测试，判断是否需要返回步骤S1再训练；S7、使用训练好的卷积神经网络模型进行废钢铁图像种类的自动识别。2.根据权利要求1所述的一种基于CNN的废钢铁种类自动识别方法，其特征在于，步骤S1所述废钢铁样本数据库，存储有多个种类的废钢铁样本图像以及对应的废钢铁分类等级。3.根据权利要求1所述的一种基于CNN的废钢铁种类自动识别方法，其特征在于，步骤S2所述废钢铁图像的预处理包括：进行大小归一化处理，处理为256×256像素，以及以下至少之一：增强、复原、编码、压缩、降噪。4.根据权利要求1所述的一种基于CNN的废钢铁种类自动识别方法，其特征在于，步骤S4中，采用半监督策略建立卷积神经网络，采用层次模型分类算法进行控制，即底层的决策模型由CNN分类器构成，上层使用强化学习对于迭代力度进行控制，进行机器深度学习，提取废钢铁图像特征。5.根据权利要求1所述的一种基于CNN的废钢铁种类自动识别方法，其特征在于，步骤S5所述的基于卷积神经网络的废钢铁图像分类模型包括：A、将处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；B、将上一层的输出结果输入到卷积神经网络中的子网络；C、将子网络的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；D、将输出结果输入到卷积神经网络中的全连接层；E、将上一层的输出结果输入到卷积神经网络中的最后一层，得到图像属于各个类别的概率；F、根据图像属于各个类别的概率，得出废钢铁图像分类结果。6.一种基于CNN的废钢铁种类自动识别装置，其特征在于，包括：收集模块，用于对废钢铁图像进行收集，建立废钢铁样本数据库，并将收集的图像分为训练图像集和测试图像集；预处理模块，用于对废钢铁图像进行预处理；映射模块，用于对预处理后的废钢铁图像进行常态数据生成、小样本定向生成以及相似样本的加强生成，将废钢铁图像映射为特征向量；模型训练模块，用于构建卷积神经网络模型并使用映射模块处理后的训练图像集进行训练；权　利　要　求　书1/2页2CN109919243A2模型建立模块，用于根据训练结果，建立真值标签与测试结果的差异回馈奖赏策略，通过迭代调整优化参数，建立基于卷积神经网络的废钢铁图像分类模型；测试模块，用于将使用映射模块处理后的测试图像输入经过训练的卷积神经网络模型当中测试，判断是否需要再训练；识别模块，用于使用训练好的卷积神经网络模型进行废钢铁图像种类的自动识别。7.根据权利要求6所述的一种基于CNN的废钢铁种类自动识别装置，其特征在于，收集模块中所述废钢铁样本数据库，存储有多个种类的废钢铁样本图像以及对应的废钢铁分类等级。8.根据权利要求6所述的一种基于CNN的废钢铁种类自动识别装置，其特征在于，预处理模块中包括：归一化单元，进行大小归一化处理，处理为256×256像素；选择单元，选择以下至少之一执行：增强、复原、编码、压缩、降噪。9.根据权利要求6所述的一种基于CNN的废钢铁种类自动识别装置，其特征在于，模型训练模块中，包括：建立单元，采用半监督策略建立卷积神经网络；控制单元，采用层次模型分类算法进行控制，即底层的决策模型由CNN分类器构成，上层使用强化学习对于迭代力度进行控制，进行机器深度学习，提取废钢铁图像特征。10.根据权利要求6所述的一种基于CNN的废钢铁种类自动识别装置，其特征在于，模型建立模块中所述的基于卷积神经网络的废钢铁图像分类模型包括：A单元、将处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；B单元、将上一层的输出结果输入到卷积神经网络中的子网络；C单元、将子网络的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；D单元、将输出结果输入到卷积神经网络中的全连接层；E单元、将上一层的输出结果输入到卷积神经网络中的最后一层，得到图像属于各个类别的概率；F单元、根据图像属于各个类别的概率，得出废钢铁图像分类结果。权　利　要　求　书2/2页3CN109919243A3一种基于CNN的废钢铁种类自动识别方法及装置技术领域[0001]本发明属于再生资源回收加工技术领域，特别是废钢铁回收加工技术领域，具体涉及一种基于CNN的废钢铁种类自动识别方法及装置。背景技术[0002]对再生资源进行分门别类的回收，是后续加工利用、变废为宝的前提。然而，由于再生资源来源复杂、种类众多、材质差异大，对再生资源进行准确识别和分类并非易事。目前，在再生资源回收加工领域，主要应用人工分类方法，特别是在废钢铁的回收、验货、初加工等环节，基层工作人员往往只能凭经验识别常见的废钢铁种类，带有很大的主观性和不确定性，专业风险和道德风险都比较高，效率低下。因此，需要探索能够辅助或代替人为识别再生资源种类的方法。近十年来，图像处理与机器学习技术发展较快，采用这些技术来实现计算机自动识别分类便成为可能。使用计算机技术进行废钢铁等再生资源种类自动识别，速度快，客观性强，准确度高，可以避免人为鉴定时主观认识所带来的误判问题。[0003]机器自动识别技术是一项热门的计算机应用研究技术，它属于计算机视觉的研究热点之一，尤其是近几年随着深度学习的蓬勃发展，深度学习在目标检测和识别中取得了巨大的成功。卷积神经网络CNN是一种用可训练的滤波器组与局部邻域池化操作交替使用于原始输入图像上，并得到渐次复杂的层次化图像特征的一种深度学习模型。辅以适当的正则化手段，CNN可以在不依赖于任何手工提取特征的情况下在视觉对象识别任务中取得非常理想的性能。目前，CNN已在产品缺陷检测、材料分析、文字与数字识别、自动驾驶、家庭垃圾自动分类等中得到广泛应用。[0004]废钢铁图像具有总体类别不确定、增量类别偶有发生、小样本类别多、样本视觉界定模糊以及相似类别难以区分等特点；如何应用机器识别技术实现废钢铁图像的自动识别，成为本领域亟需解决的问题。发明内容[0005]针对上述问题，本发明提供了一种基于CNN的废钢铁种类自动识别方法及装置，将CNN这种深度学习神经网络技术应用于废钢铁的图像自动识别，用该技术设计的系统和装置可应用于废钢铁及其他再生资源的回收、分选、分拣、加工等领域，也可以作为重要组成部分用于再生资源材料研究。该项技术可被再生资源企业、研究机构、检验检疫机构等部门所采用，还可以为不具备相关专业知识的基层工作人员提供自动识别的手段。[0006]为达到上述目的，本发明的技术方案是这样实现的：[0007]一种基于CNN的废钢铁种类自动识别方法，包括：[0008]S1、对废钢铁图像进行收集，建立废钢铁样本数据库，并将收集的图像分为训练图像集和测试图像集；[0009]S2、对废钢铁图像进行预处理；[0010]S3、对预处理后的废钢铁图像进行常态数据生成、小样本定向生成以及相似样本说　明　书1/5页4CN109919243A4的加强生成，将废钢铁图像映射为特征向量；[0011]S4、构建卷积神经网络模型并使用步骤S3处理后的训练图像集进行训练；[0012]S5、根据训练结果，建立真值标签与测试结果的差异回馈奖赏策略，通过迭代调整优化参数，建立基于卷积神经网络的废钢铁图像分类模型；[0013]S6、将使用步骤S3处理后的测试图像输入经过训练的卷积神经网络模型当中测试，判断是否需要返回步骤S1再训练；[0014]S7、使用训练好的卷积神经网络模型进行废钢铁图像种类的自动识别。[0015]进一步的，步骤S1所述废钢铁样本数据库，存储有多个种类的废钢铁样本图像以及对应的废钢铁分类等级。[0016]进一步的，步骤S2所述废钢铁图像的预处理包括：进行大小归一化处理，处理为256×256像素，以及以下至少之一：增强、复原、编码、压缩、降噪。[0017]进一步的，步骤S4中，采用半监督策略建立卷积神经网络，采用层次模型分类算法进行控制，即底层的决策模型由CNN分类器构成，上层使用强化学习对于迭代力度进行控制，进行机器深度学习，提取废钢铁图像特征。[0018]进一步的，步骤S5所述的基于卷积神经网络的废钢铁图像分类模型包括：[0019]A、将处理后的图像输入卷积神经网络中的第一个卷积层，再将结果输入到池化层；[0020]B、将上一层的输出结果输入到卷积神经网络中的子网络；[0021]C、将子网络的输出结果输入到卷积神经网络中交替分布的卷积层和池化层；[0022]D、将输出结果输入到卷积神经网络中的全连接层；[0023]E、将上一层的输出结果输入到卷积神经网络中的最后一层，得到图像属于各个类别的概率；[0024]F、根据图像属于各个类别的概率，得出废钢铁图像分类结果。[0025]本发明另一方面还提供了一种基于CNN的废钢铁种类自动识别装置，包括：[0026]收集模块，用于对废钢铁图像进行收集，建立废钢铁样本数据库，并将收集的图像分为训练图像集和测试图像集；[0027]预处理模块，用于对废钢铁图像进行预处理；[0028]映射模块，用于对预处理后的废钢铁图像进行常态数据生成、小样本定向生成以及相似样本的加强生成，将废钢铁图像映射为特征向量；[0029]模型训练模块，用于构建卷积神经网络模型并使用映射模块处理后的训练图像集进行训练；[0030]模型建立模块，用于根据训练结果，建立真值标签与测试结果的差异回馈奖赏策略，通过迭代调整优化参数，建立基于卷积神经网络的废钢铁图像分类模型；[0031]测试模块，用于将使用映射模块处理后的测试图像输入经过训练的卷积神经网络模型当中测试，判断是否需要再训练；[0032]识别模块，用于使用训练好的卷积神经网络模型进行废钢铁图像种类的自动识别。[0033]进一步的，收集模块中所述废钢铁样本数据库，存储有多个种类的废钢铁样本图像以及对应的废钢铁分类等级。说　明　书2/5页5CN109919243A5[0034]进一步的，预处理模块中包括：[0035]归一化单元，进行大小归一化处理，处理为256×256像素；[0036]选择单元，选择以下至少之一执行：增强、复原、编码、压缩、降噪。[0037]进一步的，模型训练模块中，包括：[0038]建立单元，采用半监督策略建立卷积神经网络；[003