一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險(xiǎn)物品圖像分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像分類技術(shù)領(lǐng)域，特別是設(shè)及一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險(xiǎn)物 品圖像分類方法。
【背景技術(shù)】
[0002] 人工神經(jīng)網(wǎng)絡(luò)是一種用于嘗試模擬人腦的功能而產(chǎn)生的人工智能方法，在上個(gè)世 紀(jì)末期經(jīng)歷了一段時(shí)間的蓬勃發(fā)展之后再次陷入低潮。深度學(xué)習(xí)技術(shù)是受到生物學(xué)和神經(jīng) 學(xué)領(lǐng)域在動(dòng)物和人腦視覺神經(jīng)領(lǐng)域的新發(fā)現(xiàn)的啟發(fā)，模擬視覺系統(tǒng)的層次化的工作模式， 在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建具有層次化結(jié)構(gòu)的深度網(wǎng)絡(luò)模型，給人工神經(jīng)網(wǎng)絡(luò)帶來了新 的發(fā)展方向。
[0003] 卷積神經(jīng)網(wǎng)絡(luò)是將人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)技術(shù)結(jié)合而產(chǎn)生的一種新型人工神 經(jīng)網(wǎng)絡(luò)，是目前人工神經(jīng)網(wǎng)絡(luò)領(lǐng)域的研究熱點(diǎn)，其與傳統(tǒng)方法相比，在圖像分類領(lǐng)域具有很 好的應(yīng)用效果。之前卷積神經(jīng)網(wǎng)絡(luò)之所W沒有得到長遠(yuǎn)發(fā)展是因?yàn)橛布?jì)算能力有限，可 供訓(xùn)練的數(shù)據(jù)也有限，如今隨著硬件計(jì)算性能的穩(wěn)步提高，各種圖像數(shù)據(jù)急速增長，運(yùn)些都 為其發(fā)展奠定了基礎(chǔ)。
[0004] 訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)需要大的數(shù)據(jù)集，比如ImageNet。現(xiàn)在的卷積神經(jīng)網(wǎng)絡(luò)可W充 分利用海量數(shù)據(jù)自動(dòng)學(xué)習(xí)到大量圖像的特征信息。Image化t中含有很多種圖像的類別，其 中一些是民航中危險(xiǎn)物品的類別，因此，可W利用卷積神經(jīng)網(wǎng)絡(luò)來進(jìn)行民航危險(xiǎn)物品圖像 的檢測。
[0005] 此外，由于卷積方法在圖像處理領(lǐng)域本質(zhì)上是使圖像變得平滑，因此，像素的平移 對分類結(jié)果的影響較小，而圖像的旋轉(zhuǎn)對分類的結(jié)果影響較大。因此，對于卷積神經(jīng)網(wǎng)絡(luò)不 能識別的圖像，將其旋轉(zhuǎn)后再進(jìn)行分類，有可能得到正確的分類結(jié)果，從而可提高圖像分類 的準(zhǔn)確率，但目前尚未發(fā)現(xiàn)有效的方法。

【發(fā)明內(nèi)容】

[0006] 為了解決上述問題，本發(fā)明的目的在于提供一種分類準(zhǔn)確率高，分類速度快的基 于卷積神經(jīng)網(wǎng)絡(luò)模型的危險(xiǎn)物品圖像分類方法。
[0007] 為了達(dá)到上述目的，本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險(xiǎn)物品圖像分類方 法包括按順序進(jìn)行的下列步驟：
[000引1)在圖形處理器上搭建基于包含多種卷積神經(jīng)網(wǎng)絡(luò)模型的化ffe深度學(xué)習(xí)框架的 平臺；
[0009] 2)準(zhǔn)備訓(xùn)練數(shù)據(jù)集和帶有標(biāo)簽的測試數(shù)據(jù)集，并利用上述數(shù)據(jù)集在圖形處理器上 訓(xùn)練上述卷積神經(jīng)網(wǎng)絡(luò)模型；
[0010] 3)列出中國民航中危險(xiǎn)物品類別；
[0011] 4)將上述危險(xiǎn)物品類別中的原始圖像和旋轉(zhuǎn)180度后的圖像輸入上述已訓(xùn)練好的 卷積神經(jīng)網(wǎng)絡(luò)模型，得到top-5測試結(jié)果，實(shí)現(xiàn)含有危險(xiǎn)物品圖像的分類。
[0012] 在步驟2)中，所述的訓(xùn)練數(shù)據(jù)集是由從Image化t數(shù)據(jù)集中選擇的0.12億張訓(xùn)練圖 像組成；測試數(shù)據(jù)集采用帶有標(biāo)簽的確認(rèn)數(shù)據(jù)集;卷積神經(jīng)網(wǎng)絡(luò)模型采用化ffeNet、VGG和 GoogleNet。
[0013] 本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險(xiǎn)物品圖像分類方法具有的優(yōu)點(diǎn)和積 極效果是：（1)本發(fā)明采用了現(xiàn)在人工智能中圖像分類最好的深度學(xué)習(xí)方法，分類準(zhǔn)確率 高；（2)綜合考慮了原始圖像和旋轉(zhuǎn)后圖像的分類效果，進(jìn)一步提高了分類準(zhǔn)確率；（3)采用 海量的訓(xùn)練樣本來訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型，使模型具有高智能性；（4)基于圖形處理器 計(jì)算，訓(xùn)練和測試速度比基于CPU的計(jì)算有大幅度的提高。
【附圖說明】
[0014] 圖1為基于深層卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法對比（a)只考慮原始圖像；（b)考慮 旋轉(zhuǎn)180度后的圖像；
[0015] 圖2為經(jīng)過化ffe化t模型，旋轉(zhuǎn)前不能識別而旋轉(zhuǎn)后可W識別的圖像示例；
[0016] 圖3為使用四種卷積神經(jīng)網(wǎng)絡(luò)，考慮圖像旋轉(zhuǎn)的top_5準(zhǔn)確率對比曲線。（a) CaffeNet;(b)VGG16;(c)VGG19;(d)Google化t。
[0017]圖4為Top-k對于準(zhǔn)確率的影響曲線。（a)類別413; (b)類別763。
【具體實(shí)施方式】
[0018] 下面結(jié)合附圖和具體實(shí)施例對本發(fā)明提供的基于卷積神經(jīng)網(wǎng)絡(luò)模型的危險(xiǎn)物品 圖像分類方法進(jìn)行詳細(xì)說明。
[0019] 本發(fā)明提供的基于深層卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法包括按順序進(jìn)行的下列步 驟：
[0020] 1)在圖形處理器上搭建基于包含多種卷積神經(jīng)網(wǎng)絡(luò)模型的化ffe深度學(xué)習(xí)框架的 平臺；
[0021] 化ffe是目前流行的高效深度學(xué)習(xí)框架之一，具有純粹的C++/CUDA架構(gòu)，支持命令 行、Python和MATLAB接口，可W在CPU和圖形處理器上直接無縫切換。
[0022] 化ffe的優(yōu)勢是：1、上手快。其包含的模型與相應(yīng)優(yōu)化都是W文本形式而非源碼形 式給出，并且給出了模型的定義、最優(yōu)化設(shè)置W及預(yù)訓(xùn)練的權(quán)重，因此方便立即上手。2、速 度快。能夠運(yùn)行最深層的模型和海量的數(shù)據(jù)，比如：Caffe與CU面N結(jié)合使用，測試化ffeNet 時(shí)，在K40上處理每張圖像只需要1.171113。3、模塊化。方便擴(kuò)展到新的任務(wù)和設(shè)置上，可^使 用化ffe提供的各層類型來定義自己的模型。4、開放性。公開代碼和參考模型，方便用戶復(fù) 現(xiàn)和再開發(fā)。
[0023] Caffe的安裝與配置:Caffe需要預(yù)先安裝一些依賴項(xiàng)。首先是CUDA驅(qū)動(dòng)。不論是 Centos還是化un化都預(yù)裝了開源的nouveau顯卡驅(qū)動(dòng)，如果不禁用，j?CUDA驅(qū)動(dòng)不能正確安 裝。安裝了 CUDA之后，依次按照化ffe官網(wǎng)安裝指南安裝BLAS、化enCV、Boost即可(Caffe官 網(wǎng)安裝指南網(wǎng)址是http: //c曰f f e. berkeleyvision. org/inst曰 11曰tion. html)。
[0024] 2)準(zhǔn)備訓(xùn)練數(shù)據(jù)集和帶有標(biāo)簽的測試數(shù)據(jù)集，并利用上述數(shù)據(jù)集在圖形處理器上 訓(xùn)練上述卷積神經(jīng)網(wǎng)絡(luò)模型；
[0025] 本發(fā)明采用的是Image化t數(shù)據(jù)集。Image化t數(shù)據(jù)集中有超過1.5億張具有標(biāo)簽的 高分辨率圖像，運(yùn)些圖像劃分為22000類，均來自互聯(lián)網(wǎng)，由一些志愿者進(jìn)行標(biāo)注。從2010年 開始，每年都舉辦全球范圍的基于ImageNet數(shù)據(jù)集的大規(guī)模視覺識別競賽（ImageNet Large-Scale Visual Recognition Qiallenge，ILSVRC) oILSVRC采用Image化t的一個(gè)子數(shù) 據(jù)集，具有1000個(gè)類別，每個(gè)類別中大概有1000幅左右的圖像?？傮w上，有大概0.12億張訓(xùn) 練圖像，50000張確認(rèn)圖像(帶標(biāo)注，每個(gè)類別50張圖像），1