[0076] 該模塊主要目的是為了進(jìn)行圖像中的特征抽取，在實(shí)際操作中，可W按照實(shí)際需 要確定特征抽取模塊的個(gè)數(shù)，W及每個(gè)特征抽取模塊中所含的層的數(shù)量和類型。一般情況 下，如圖5所示，特征抽取模塊可W依次包括；卷積層、非線性層、最大池化層。但是有時(shí)候 因?yàn)閷?shí)際需要可能在某一組特征抽取模塊中只有上述=個(gè)層中的一個(gè)或兩個(gè)層，該些都可 W按照實(shí)際需要選取。下面對(duì)該S個(gè)層進(jìn)行具體介紹：
[0077] 3-1)卷積層
[007引該層的模板一般是M*M的卷積核，一般M為奇數(shù)，例如，如圖6所示，就是5*5圖像 數(shù)據(jù)與3*3模板卷積核進(jìn)行卷積操作。其中，卷積核模板中每個(gè)元素會(huì)被初始化為值服從 N(0, 1) (0表示均值，1表示方差的高斯分布）的隨機(jī)值，每次在經(jīng)過訓(xùn)練迭代后，卷積模板 中的參數(shù)都會(huì)更新為當(dāng)前一輪訓(xùn)練的參數(shù)值。
[0079] 3-2)非線性巧ectifiedLinearUnit,ReLU)層
[0080] 該層采用非線性數(shù)學(xué)映射的方式，具體的，映射關(guān)系可W如下所示：
[0081]f(X)= max(X,0)
[0082] 其中，X表示輸入特征圖矩陣中的每一個(gè)元素，f(x)表示對(duì)應(yīng)的非線性輸出：
[0083] 3-3)最大池化（Max-Pooling)層
[0084] 該層主要是將M*M的特征圖矩陣中的N*N(N<M)鄰域內(nèi)的特征值按照一定規(guī)則進(jìn) 行組合，例如，可W將規(guī)則設(shè)置為選取鄰域內(nèi)特征值最大的鄰域。例如，如圖7所示，對(duì)4*4 特征圖中進(jìn)行2*2區(qū)域的池化操作。
[0085] 4)特征組合模塊：
[0086] 該模塊主要目的是為了對(duì)抽取出的圖像特征進(jìn)行特征組合，在實(shí)際操作中，可W 按照實(shí)際需要確定特征組合模塊的個(gè)數(shù)，W及每個(gè)特征組合模塊中所含的層的數(shù)量和類 型。一般情況下，如圖5所示，特征組合模塊可W依次包括；全相連層和非線性層。下面對(duì) 該兩個(gè)層進(jìn)行具體介紹：
[0087] 4-1)全相連層
[008引該層的作用是將每一行的元素拼接到上一行元素的尾部，例如，如果輸入節(jié)點(diǎn) 是M*M的二維特征圖矩陣，那么將每一行的元素拼接到上一行元素的尾部，就可W形成 1* (M*M)的一維特征向量。對(duì)于輸出節(jié)點(diǎn)數(shù)目則可W預(yù)先設(shè)定，且輸出的每一個(gè)節(jié)點(diǎn)都與上 述一維特征向量的各元素存在連接關(guān)系，且為連接邊賦予權(quán)重參數(shù)W，輸出的每個(gè)節(jié)點(diǎn)的計(jì) 算結(jié)果可w表示為與之連接的所述一維向量的元素的加權(quán)和。
[0089] 4-。非線性層
[0090] 在該模塊中的非線性層與特征抽取模塊中的非線性層類似，在此不再寶述。
[0091] 5)分類層：
[009引該分類層，可W選擇一個(gè)多分類器，例如可W選擇Softmax，假定節(jié)點(diǎn)數(shù)目為n，其 中，n表示待識(shí)別金屬幣的類別數(shù)目，輸入特征圖節(jié)點(diǎn)的維度為l*n，那么對(duì)每個(gè)特征維度 都可W做如下計(jì)算：
[0093]
【主權(quán)項(xiàng)】
1. 一種基于深度神經(jīng)網(wǎng)絡(luò)的金屬幣識(shí)別方法，包括： 基于金屬幣的特征設(shè)計(jì)第一深度神經(jīng)網(wǎng)絡(luò)模型，其中，所述第一深度神經(jīng)網(wǎng)絡(luò)模型包 括隨機(jī)噪聲網(wǎng)絡(luò)層和光噪聲處理層； 利用金屬幣樣本圖像，對(duì)所述第一深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 將經(jīng)訓(xùn)練的所述第一深度神經(jīng)網(wǎng)絡(luò)模型去除所述隨機(jī)噪聲網(wǎng)絡(luò)層，獲得第二深度神經(jīng) 網(wǎng)絡(luò)模型； 利用所述第二深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)待識(shí)別的金屬幣進(jìn)行識(shí)別。
2. 根據(jù)權(quán)利要求1所述的方法，其中，利用金屬幣樣本圖像，對(duì)所述第一深度神經(jīng)網(wǎng)絡(luò) 模型進(jìn)行訓(xùn)練，包括： 在所述金屬幣樣本圖像經(jīng)過所述隨機(jī)噪聲網(wǎng)絡(luò)層時(shí)，對(duì)所述圖像進(jìn)行隨機(jī)噪聲的疊加 處理； 在經(jīng)過隨機(jī)噪聲的疊加處理后的圖像經(jīng)過所述光噪聲處理層時(shí)，對(duì)所述圖像進(jìn)行降低 光噪聲影響的處理； 利用經(jīng)過降低光噪聲影響的處理后的圖像作為輸入，從所述第一深度神經(jīng)網(wǎng)絡(luò)模型除 所述隨機(jī)噪聲網(wǎng)絡(luò)層和光噪聲處理層之外的層，由首層至末層逐層進(jìn)行正向處理； 再?gòu)乃瞿又了鍪讓又饘訉?duì)誤差信息進(jìn)行反向處理，其中，在反向處理的過程中， 根據(jù)誤差信息更新模型參數(shù)。
3. 根據(jù)權(quán)利要求2所述的方法，其中，所述隨機(jī)噪聲包括以下一種或多種：旋轉(zhuǎn)噪聲、 平移噪聲、圖像RGB通道噪聲和模糊噪聲。
4. 根據(jù)權(quán)利要求3所述的方法，其中，進(jìn)行隨機(jī)噪聲的疊加處理包括： 在所述隨機(jī)噪聲包括旋轉(zhuǎn)噪聲的情況下，以第一預(yù)定概率對(duì)所述金屬幣樣本圖像旋轉(zhuǎn) 隨機(jī)角度，得到疊加了旋轉(zhuǎn)噪聲的金屬幣圖像； 在所述隨機(jī)噪聲包括平移噪聲的情況下，以第二預(yù)定概率對(duì)所述金屬幣樣本圖像按照 以下四種方向之一平移預(yù)定數(shù)目范圍內(nèi)的隨機(jī)數(shù)目的像素：向上、向下、向左、向右，得到疊 加了平移噪聲的金屬幣圖像； 在所述隨機(jī)噪聲包括圖像RGB通道噪聲的情況下，以第三預(yù)定概率對(duì)所述金屬幣樣本 圖像的R、G、B三種顏色的通道增加或減少預(yù)定通道值范圍內(nèi)的隨機(jī)通道值，得到疊加了圖 像RGB通道噪聲的金屬幣圖像； 在所述隨機(jī)噪聲包括模糊噪聲的情況下，以第四預(yù)定概率對(duì)所述金屬幣樣本圖像進(jìn)行 隨機(jī)級(jí)別的模糊處理，得到疊加了模糊噪聲的金屬幣圖像。
5. 根據(jù)權(quán)利要求2所述的方法，其中，在通過隨機(jī)噪聲的疊加處理后的圖像經(jīng)過所述 光噪聲處理層時(shí)，對(duì)所述圖像進(jìn)行降低光噪聲影響的處理包括： 將通過隨機(jī)噪聲的疊加處理后的圖像變換至頻域； 在頻域?qū)λ鰣D像進(jìn)行濾波處理； 將濾波處理得到的頻域中的結(jié)果反變換至?xí)r域，得到降低光噪聲影響的處理后的圖 像。
6. 根據(jù)權(quán)利要求5所述的方法，其中，通過以下濾波函數(shù)對(duì)所述圖像進(jìn)行濾波處理： H (u，V) =C1* (Hh-H1)*(1-exp (-C2* (D (u，V)/Dtl)2))+H1 其中，u表示濾波函數(shù)模板中當(dāng)前元素的橫坐標(biāo)，V表示濾波函數(shù)模板中當(dāng)前元素的縱 坐標(biāo)，Cp C2為常數(shù)系數(shù)，Hh為高頻增益系數(shù)，H1為低頻增益系數(shù)，D (u，v)表示濾波函數(shù)模 板中當(dāng)前元素到濾波函數(shù)模板中心的距離，Dtl為常數(shù)。
7. 根據(jù)權(quán)利要求2所述的方法，其中，所述第一深度神經(jīng)網(wǎng)絡(luò)模型依次包括：隨機(jī)噪聲 網(wǎng)絡(luò)層、光噪聲處理層、一個(gè)或一個(gè)以上特征抽取模塊、一個(gè)或一個(gè)以上特征組合模塊、和 分類層。
8. 根據(jù)權(quán)利要求7所述的方法，其中，所述特征抽取模塊依次包括：卷積層、非線性層、 和最大池化層，所述特征組合模塊依次包括：全相連層和非線性層。
9. 根據(jù)權(quán)利要求8所述的方法，其中，所述第一深度神經(jīng)網(wǎng)絡(luò)模型除所述隨機(jī)噪聲網(wǎng) 絡(luò)層和光噪聲處理層之外的層從首層到末層依次包括：卷積層、非線性層、最大池化層、卷 積層、非線性層、最大池化層、卷積層、非線性層、卷積層、非線性層、最大池化層、全相連層、 非線性層、全相連層、非線性層、和分類層。
10. -種基于深度神經(jīng)網(wǎng)絡(luò)的金屬幣識(shí)別裝置，包括： 模型設(shè)計(jì)模塊，用于基于金屬幣的特征設(shè)計(jì)第一深度神經(jīng)網(wǎng)絡(luò)模型，其中，所述第一深 度神經(jīng)網(wǎng)絡(luò)模型包括隨機(jī)噪聲網(wǎng)絡(luò)層和光噪聲處理層； 模型訓(xùn)練模塊，用于利用金屬幣樣本圖像，對(duì)所述第一深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 識(shí)別模型獲取模塊，用于將經(jīng)訓(xùn)練的所述第一深度神經(jīng)網(wǎng)絡(luò)模型去除所述隨機(jī)噪聲網(wǎng) 絡(luò)層，獲得第二深度神經(jīng)網(wǎng)絡(luò)模型； 金屬幣識(shí)別模塊，用于利用所述第二深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)待識(shí)別的金屬幣進(jìn)行識(shí)別。
【專利摘要】本發(fā)明的實(shí)施方式提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的金屬幣識(shí)別方法。該方法包括：基于金屬幣的特征設(shè)計(jì)第一深度神經(jīng)網(wǎng)絡(luò)模型，第一深度神經(jīng)網(wǎng)絡(luò)模型包括隨機(jī)噪聲網(wǎng)絡(luò)層和光噪聲處理層；將經(jīng)訓(xùn)練的第一深度神經(jīng)網(wǎng)絡(luò)模型去除隨機(jī)噪聲網(wǎng)絡(luò)層，獲得第二深度神經(jīng)網(wǎng)絡(luò)模型；利用第二深度神經(jīng)網(wǎng)絡(luò)模型，對(duì)待識(shí)別的金屬幣進(jìn)行識(shí)別。通過本發(fā)明上述實(shí)施例方式的方法，可以得到一個(gè)能夠有效去除金屬幣的隨機(jī)噪聲和光噪聲的影響的深度神經(jīng)網(wǎng)絡(luò)模型，通過該模型進(jìn)行金屬幣識(shí)別可以有效避免因金屬幣磨損或光照影響而導(dǎo)致的金屬幣識(shí)別容易出錯(cuò)的問題，有效提高了金屬幣識(shí)別的準(zhǔn)確性。此外，本發(fā)明的實(shí)施方式提供了一種基于深度神經(jīng)網(wǎng)絡(luò)的金屬幣識(shí)別裝置。
【IPC分類】G06K9-62, G06N3-08
【公開號(hào)】CN104866868
【申請(qǐng)?zhí)枴緾N201510265617
【發(fā)明人】陳海波, 吳偉, 李曉燕, 陳剛
【申請(qǐng)人】杭州朗和科技有限公司
【公開日】2015年8月26日
【申請(qǐng)日】2015年5月22日