桂 豐,丘靈華

(惠州市博實結(jié)科技有限公司,廣東 惠州 516000)

0 引言

圖像分類作為計算機視覺領(lǐng)域的重要任務(wù)之一,旨在將圖像準確地分為不同的類別。近年來,隨著深度學習技術(shù)的飛速發(fā)展,基于深度神經(jīng)網(wǎng)絡(luò)的圖像分類方法取得了顯著的進展。然而,現(xiàn)有的圖像分類方法仍然存在一些問題,如過分關(guān)注正負樣本區(qū)分導致泛化能力差,只訓練正樣本聚合特征而忽視正負樣本間的區(qū)別以及將樣本分成大量類別導致分類效率低下。

為了解決這些問題,本文提出了一種圖像單類別分類的新方法。該方法通過深度神經(jīng)網(wǎng)絡(luò)結(jié)合對比損失函數(shù)和中心損失函數(shù)進行訓練,有效學習目標圖像的聚合特征,同時充分考慮正負樣本之間的區(qū)別。該方法的核心在于設(shè)計的對比損失函數(shù),使目標圖像特征之間的距離盡可能接近,而目標圖像特征與非目標圖像特征之間的距離盡可能遠離,從而實現(xiàn)單類別分類的目標[1]。

本實驗采用了多個數(shù)據(jù)集和不同類別的圖像,包括交通紅綠燈和產(chǎn)品的合格和缺陷圖像。經(jīng)過大量實驗驗證,本文的方法在不同數(shù)據(jù)集上取得了顯著的分類效果,并展現(xiàn)了優(yōu)越的泛化能力和高效率的分類性能。

1 方法

本文提出了一種新的圖像單類別分類方法,旨在解決傳統(tǒng)圖像分類方法在單類別場景下存在的問題。該方法采用深度神經(jīng)網(wǎng)絡(luò),并結(jié)合對比損失函數(shù)和中心損失函數(shù)進行訓練,以有效學習目標圖像的聚合特征并充分考慮正負樣本之間的區(qū)別。圖像分類步驟如圖1所示。

圖1 圖像分類步驟

1.1 步驟1:目標圖像和非目標圖像采集

本文通過現(xiàn)有數(shù)據(jù)集或者在線數(shù)據(jù)采集等方式,采集多張目標圖像和多張非目標圖像,并將它們分別放入設(shè)定的目標圖像文件夾和非目標圖像文件夾。

1.2 步驟2:圖像大小調(diào)整和歸一化

在數(shù)據(jù)預(yù)處理階段,實驗將采集到的圖像進行大小調(diào)整,以適應(yīng)深度神經(jīng)網(wǎng)絡(luò)的輸入尺寸要求。同時,圖像進行歸一化處理,將像素值縮放到[0, 1]范圍內(nèi)或[-1, 1]范圍內(nèi)。

1.3 步驟3:深度神經(jīng)網(wǎng)絡(luò)模型選擇與設(shè)計

在本方法中,此研究可以選擇VGG、ResNet或MobileNet等深度神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型。根據(jù)問題的特點和數(shù)據(jù)集的大小,模型可以進行適當?shù)恼{(diào)整和設(shè)計,包括增加或減少層級、調(diào)整卷積核大小等[2]。

1.4 步驟4:損失函數(shù)和中心損失函數(shù)設(shè)計對比

在模型訓練過程中,此研究需要定義損失函數(shù),并根據(jù)權(quán)利要求中的描述,可以采用對比損失函數(shù)和中心損失函數(shù)。

對比損失函數(shù)用于學習目標圖像的特征和非目標圖像特征之間的差異。具體的對比損失函數(shù)可以表示為:

L1= ∑1≤i≤N‖f(Ii)-f(Ji)‖^2 + ∑1≤i≤Nmax{0, 2- ‖f(Ii)-f(Ki)‖^2}

其中,N表示訓練樣本的數(shù)量,Ii表示第i個目標圖像,Ji表示與Ii對應(yīng)的其他目標圖像(不同圖像,同類別),Ki表示與Ii不同類別的非目標圖像,f(Ii)表示目標圖像Ii在深度神經(jīng)網(wǎng)絡(luò)中得到的特征表示。

中心損失函數(shù)用于學習目標圖像特征和中心特征之間的差異。具體的中心損失函數(shù)可以表示為:

L2= ∑1≤i≤N‖f(Ii)-c‖^2 + ∑1≤i≤Nmax{0, 2- ‖f(Ki)-c‖^2}

其中,c表示目標圖像特征的中心,該中心是在訓練過程中動態(tài)學習得到的。

1.5 步驟5:模型訓練

實驗采用最小化優(yōu)化算法(如SGD或Adam)和反向傳播算法,以最小化總的損失函數(shù)(L=L1+L2),從而更新深度神經(jīng)網(wǎng)絡(luò)模型的參數(shù)。訓練過程中,可以設(shè)置訓練輪數(shù)和學習率等超參數(shù)。

1.6 步驟6:模型評估

在模型訓練完成后,實驗者可以通過驗證集或測試集對模型進行評估,計算分類準確率、召回率等性能指標。

1.7 步驟7:輸入圖像分類預(yù)測

實驗輸入一張待分類的圖像到訓練得到的深度神經(jīng)網(wǎng)絡(luò)模型中,通過前向傳播計算該圖像的特征表示。然后,將該特征與目標圖像的中心特征進行對比,以判斷圖像是否屬于目標類別。

以上即為基于深度神經(jīng)網(wǎng)絡(luò)的單類別分類方法的具體步驟。通過這些步驟,本文可以實現(xiàn)對單一類別圖像的高準確率分類,并在應(yīng)用中進行目標檢測和圖像識別等任務(wù)。

2 實驗結(jié)果

2.1 實驗設(shè)置與數(shù)據(jù)集介紹

2.1.1 圖像單類別分類裝置模塊

如圖2所示的圖像單類別分類裝置是用于執(zhí)行前文提出的圖像單類別分類方法的設(shè)備。裝置包括以下模塊:

圖2 實驗設(shè)置

(1)輸入模塊10。

該模塊負責接收圖像數(shù)據(jù)作為輸入。輸入模塊包含2個子模塊,分別是目標圖像采集模塊11和非目標圖像采集模塊12。目標圖像采集模塊用于收集與目標類別相關(guān)的圖像樣本,而非目標圖像采集模塊用于收集其他類別的圖像樣本。

(2)處理器20。

該模塊與輸入模塊10電連接,采用單片機的形式(例如AT89S52、STC89C51RC或STC89C52RC中的任一種)。處理器負責根據(jù)預(yù)設(shè)程序?qū)ζ渌K的工作進行控制,并協(xié)調(diào)裝置的整體運行。

(3)存儲器30。

存儲器包含目標圖像文件單元31和非目標圖像文件單元32,用于存儲已采集的目標圖像和非目標圖像。此外,存儲器中還存有用于圖像單類別分類的預(yù)設(shè)程序,且該程序可能包括模型參數(shù)、訓練樣本等。

(4)訓練模塊40。

訓練模塊是深度神經(jīng)網(wǎng)絡(luò)模塊41,其用于執(zhí)行圖像分類訓練。訓練模塊內(nèi)部包含第一損失函數(shù)單元411和第二損失函數(shù)單元412,用于幫助模型優(yōu)化和訓練過程中的損失計算。

(5)顯示模塊50。

顯示模塊是一個顯示屏,用于展示圖像類別預(yù)測結(jié)果。在模型進行圖像分類預(yù)測后,結(jié)果將在顯示屏上顯示。

(6)輸出模塊60。

輸出模塊是預(yù)測模塊61,負責對輸入圖像進行分類預(yù)測。預(yù)測結(jié)果可以通過顯示模塊50展示給用戶,也可以連接到其他外部設(shè)備進行進一步處理或應(yīng)用。

2.1.2 整個裝置的工作流程

整個裝置的工作流程如下:首先,輸入模塊10通過目標圖像采集模塊11和非目標圖像采集模塊12收集的所需圖像樣本,并將它們傳遞給存儲器30進行存儲。其次,處理器20根據(jù)預(yù)設(shè)程序控制訓練模塊40進行深度神經(jīng)網(wǎng)絡(luò)的訓練。訓練完成后,輸入模塊10將待分類的圖像傳遞給輸出模塊60進行預(yù)測。最后,預(yù)測結(jié)果將通過顯示模塊50顯示給用戶或輸出到其他設(shè)備中。

總之,該圖像單類別分類裝置結(jié)合了深度學習技術(shù)和現(xiàn)有的圖像處理技術(shù),并能夠?qū)D像進行高效準確的分類,廣泛應(yīng)用于圖像識別、智能監(jiān)控等領(lǐng)域。

2.2 場景應(yīng)用

根據(jù)描述,該裝置涉及2個應(yīng)用場景:交通標志和紅綠燈識別和產(chǎn)品缺陷檢測,均采用深度神經(jīng)網(wǎng)絡(luò)進行分類訓練和預(yù)測。

2.2.1 交通標志和紅綠燈識別

在這個應(yīng)用場景中,圖像單類別分類的目標是識別交通標志或紅綠燈,將其設(shè)定為目標圖像,同時將其他非目標圖像(如行人、車輛等)設(shè)定為非目標圖像。為了實現(xiàn)這一目標,首先需要采集大量交通標志、紅綠燈的圖像和其他非目標圖像,作為訓練數(shù)據(jù)用于深度神經(jīng)網(wǎng)絡(luò)的分類訓練。

在訓練過程中,深度神經(jīng)網(wǎng)絡(luò)作為一種強大的機器學習模型,用于自動從圖像中學習特征和模式。這種神經(jīng)網(wǎng)絡(luò)通常由多個層次組成,包括卷積層、池化層和全連接層,可以有效地提取圖像中的信息和特征。通過將大量交通標志或紅綠燈的圖像輸入深度神經(jīng)網(wǎng)絡(luò),并根據(jù)其真實標簽進行訓練,網(wǎng)絡(luò)可以逐漸調(diào)整自身參數(shù)以提高對目標圖像的識別準確性。

經(jīng)過一段時間的分類訓練,深度神經(jīng)網(wǎng)絡(luò)將學習到辨別目標圖像和非目標圖像之間的差異和特征,從而得到了一個交通標志或紅綠燈的圖像分類器,能夠準確地將輸入的圖像分為2類:目標圖像或非目標圖像。

當輸入任意一張圖像時,分類器會對圖像進行分析和處理,然后輸出一個分類預(yù)測結(jié)果。如果輸入圖像屬于交通標志或紅綠燈的類別,分類器將預(yù)測它是目標圖像;如果輸入圖像屬于其他非目標類別,分類器將判斷它不是目標圖像。

這種圖像單類別分類的方法具有廣泛的應(yīng)用前景。例如,它可以用于交通監(jiān)控系統(tǒng)中的標志和信號燈檢測,幫助識別特定目標是否出現(xiàn)在監(jiān)控畫面中。同時,該方法也可用于無人駕駛汽車中的場景,通過訓練網(wǎng)絡(luò)來識別交通標志和信號燈,提高自動駕駛車輛的安全性和可靠性。

2.2.2 產(chǎn)品缺陷檢測

在產(chǎn)品缺陷檢測應(yīng)用場景中,圖像單類別分類的目標是識別合格產(chǎn)品圖像,將其設(shè)定為目標圖像,同時將缺陷產(chǎn)品圖像和異類產(chǎn)品圖像設(shè)定為非目標圖像。為了實現(xiàn)這一目標,將收集的大量合格產(chǎn)品圖像作為訓練數(shù)據(jù),并將缺陷產(chǎn)品圖像和異類產(chǎn)品圖像作為負樣本,用于深度神經(jīng)網(wǎng)絡(luò)的分類訓練。

在訓練過程中,本文利用深度神經(jīng)網(wǎng)絡(luò)對圖像進行特征學習和模式識別。該網(wǎng)絡(luò)通過多層次的卷積、池化和全連接層來提取圖像的高級特征,從而能夠區(qū)分合格產(chǎn)品圖像與缺陷產(chǎn)品圖像或異類產(chǎn)品圖像之間的差異。反復(fù)訓練數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)可以將誤差反向傳播和參數(shù)優(yōu)化,使得網(wǎng)絡(luò)逐漸調(diào)整自身權(quán)重和偏置,從而提高對合格產(chǎn)品的識別準確性。

經(jīng)過一段時間的分類訓練,深度神經(jīng)網(wǎng)絡(luò)將學習到合格產(chǎn)品圖像的獨特特征和模式,從而得到了一個合格產(chǎn)品分類器。合格產(chǎn)品分類器能夠準確地將輸入的產(chǎn)品圖像分為2類:合格圖像和不合格圖像。

當輸入任意一張產(chǎn)品圖像時,合格產(chǎn)品分類器會對圖像進行處理和分析,然后輸出一個判定結(jié)果。如果輸入的產(chǎn)品圖像屬于合格產(chǎn)品的類別,分類器將預(yù)測它是合格圖像;如果輸入的圖像屬于缺陷產(chǎn)品圖像或異類產(chǎn)品圖像,分類器將判斷它為不合格圖像。

這種圖像單類別分類方法具有廣闊的應(yīng)用前景。例如,在制造業(yè)中,該方法可以用于產(chǎn)品質(zhì)量檢測,幫助及時發(fā)現(xiàn)和剔除缺陷產(chǎn)品,提高產(chǎn)品質(zhì)量和生產(chǎn)效率。同時,該方法也可用于安防領(lǐng)域,用于識別合格產(chǎn)品和異常產(chǎn)品,以保障產(chǎn)品的合規(guī)性和用戶的安全。

在實際應(yīng)用中,圖像數(shù)據(jù)的多樣性、光照、角度等因素對分類器性能的影響還需進一步考慮,并采用深度神經(jīng)網(wǎng)絡(luò)的優(yōu)化和模型壓縮等技術(shù)來提高分類器的準確性和實時性。這2個實施案例都充分說明了本文提出的圖像單類別分類方法應(yīng)用的廣泛性[3]。通過深度神經(jīng)網(wǎng)絡(luò)的訓練,該方法能夠?qū)D像進行有效分類,應(yīng)用于動物圖像識別、產(chǎn)品缺陷檢測等領(lǐng)域,為用戶提供準確的分類結(jié)果,具有較高的實用價值。

3 實驗結(jié)果與分析

經(jīng)過實驗,此研究取得了較好的效果,且結(jié)果表明,深度神經(jīng)網(wǎng)絡(luò)可以準確地識別目標圖像,并將其與非目標圖像區(qū)分開來,對網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進行優(yōu)化可以進一步提高分類器的準確性。在實際應(yīng)用中,圖像數(shù)據(jù)的質(zhì)量、網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)化和系統(tǒng)性能的實時性等因素還需要考慮,以進一步提高分類器的準確性和魯棒性。

4 結(jié)語

本文提出的圖像單類別分類方法基于深度神經(jīng)網(wǎng)絡(luò),在圖像分類領(lǐng)域表現(xiàn)出良好的性能。深度神經(jīng)網(wǎng)絡(luò)能夠從大量圖像數(shù)據(jù)中學習特征表示,通過對目標圖像和非目標圖像的分類訓練,得到了具有較高準確率的分類器。該方法能夠在不同的應(yīng)用場景中進行遷移學習,即通過在一個場景中訓練得到的分類器,也可以用于另一個場景的圖像分類,具有較好的泛化能力。

通過產(chǎn)品缺陷檢測實驗,此研究以合格產(chǎn)品圖像為目標圖像,缺陷產(chǎn)品圖像和異類產(chǎn)品圖像為非目標圖像,經(jīng)過訓練得到了一個合格產(chǎn)品分類器。該分類器能夠?qū)斎氲漠a(chǎn)品圖像進行分類,判斷其是否合格。實驗結(jié)果表明,該分類器在識別合格產(chǎn)品方面表現(xiàn)出較高的準確率,對缺陷產(chǎn)品和異類產(chǎn)品也能夠進行有效區(qū)分。

此外,該方法對關(guān)鍵模塊進行了分析和優(yōu)化。對于數(shù)據(jù)采集與預(yù)處理模塊,注意到圖像數(shù)據(jù)的質(zhì)量和數(shù)量對分類器性能的影響很大。因此,在數(shù)據(jù)采集過程中,盡可能多地收集各類樣本,保證了數(shù)據(jù)的全面性和多樣性。在數(shù)據(jù)預(yù)處理階段,圖像增強和標準化處理提高了數(shù)據(jù)的質(zhì)量和一致性。對于深度神經(jīng)網(wǎng)絡(luò)模型,經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)具體任務(wù)對網(wǎng)絡(luò)進行了微調(diào),以提高其性能。

總體而言,本研究提出的圖像單類別分類方法在動物圖像識別和產(chǎn)品缺陷檢測等應(yīng)用場景中表現(xiàn)出了較好的效果。該方法具有很大的應(yīng)用潛力,在工業(yè)、醫(yī)療、安防等領(lǐng)域具有重要的實用價值。然而,本方法仍然存在一些不足之處,例如對于少樣本學習和類別不平衡問題的處理還有待改進。今后的研究可以進一步優(yōu)化方法,提高分類器性能,并探索更多的應(yīng)用場景,拓展該方法的應(yīng)用范圍。