申请/专利权人：广东电网有限责任公司

申请日：2024-02-23

公开（公告）日：2024-06-07

公开（公告）号：CN117788957B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/20;G06V10/42;G06V10/44;G06V10/72;G06V10/774;G06V10/82;G06N3/042;G06N3/045;G06N3/0464;G06N3/084;G06N3/096;G06N3/0985

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.04.16#实质审查的生效;2024.03.29#公开

摘要：本发明涉及图像分类技术领域，具体为一种基于深度学习的资质图像分类方法及系统，包括以下步骤，基于原始图像数据集，采用数据增强算法，包括随机裁剪、翻转、颜色变换以及Z‑Score标准化方法，进行数据集的扩展和标准化处理，匹配深度学习模型的输入要求，生成增强后的标准化图像数据集。本发明中，通过随机裁剪、翻转、颜色变换及Z‑Score标准化，增强了模型的泛化能力和适应性，采用迁移学习算法和预训练模型，加速了训练过程，减少数据需求和计算资源，SMOTE算法处理类别不平衡问题，确保分类的公正性，图卷积网络和频域分析技术的结合，增强了对图像结构化特征的识别，神经风格迁移技术的应用，优化图像的视觉表现，进一步提升模型的鲁棒性。

主权项：1.一种基于深度学习的资质图像分类方法，其特征在于，包括以下步骤，基于原始图像数据集，采用数据增强算法，包括随机裁剪、翻转、颜色变换以及Z-Score标准化方法，进行数据集的扩展和标准化处理，匹配深度学习模型的输入要求，生成增强后的标准化图像数据集；基于所述增强后的标准化图像数据集，选用迁移学习算法，选择预训练模型ResNet-50或VGG-16，对选定的模型进行微调，调整网络结构的后几层匹配新的图像分类任务，保持其他层不变，利用模型已有的特征提取能力，生成微调后的迁移学习模型；基于所述微调后的迁移学习模型，应用SMOTE算法处理类别不平衡问题，通过调整训练过程中各类别的样本权重或合成少数类别的样本以及平衡模型对差异类别图像的识别能力，生成类别平衡优化模型；基于所述类别平衡优化模型，结合图卷积网络和频域分析技术，将图信号处理方法整合进模型，通过分析图像数据的结构化特征和关系，提升模型对图像内在结构的识别和分类能力，生成图信号处理增强模型；基于所述图信号处理增强模型，针对特定场景的实时图像流，应用神经风格迁移技术，调整图像风格，匹配所述图信号处理增强模型的分类要求，通过神经网络进行风格迁移，优化图像的视觉表现，生成风格调整后的图像流；基于所述风格调整后的图像流，采用层次化特征学习方法和细粒度调整策略对所述图信号处理增强模型进行微调，使用深度学习中的注意力机制和局部感受野优化，调整模型对经风格迁移处理后图像的响应，优化分类精度和效率，生成优化微调模型；基于所述优化微调模型，对所述风格调整后的图像流进行图像分类，采用交叉熵损失函数，计算分类准确率、召回率、F1分数关键指标，应用混淆矩阵分析模型在差异类别上的分类效能，生成分类结果与性能评估数据；基于所述增强后的标准化图像数据集，选用迁移学习算法，选择预训练模型ResNet-50或VGG-16，对选定的模型进行微调，调整网络结构的后几层匹配新的图像分类任务，保持其他层不变，利用模型已有的特征提取能力，生成微调后的迁移学习模型的步骤为，基于所述增强后的标准化图像数据集，采用图像预处理算法，执行图像尺寸调整，通过双线性插值方法改变图像尺寸匹配模型输入要求，进行Z-Score标准化处理，计算图像像素值的均值和标准差进行标准化，优化模型泛化能力，生成预处理图像数据集；基于所述预处理图像数据集，选择ResNet-50或VGG-16预训练模型，执行模型加载，使用迁移学习方法，加载模型并冻结除最后全连接层外的所有层，利用模型在数据集上提取已有特征，仅对最后的全连接层进行替换匹配新的分类任务，生成部分冻结的预训练模型；基于所述部分冻结的预训练模型，采用网络微调技术，执行网络结构调整，通过替换原模型的全连接层，调整输出层神经元数量匹配新的分类任务的类别数，进行轻微参数调整匹配新的数据特征，生成结构调整的模型；基于所述结构调整的模型，采用反向传播算法，执行模型训练，使用梯度下降法调整模型参数，通过计算损失函数并反向传播误差优化模型权重，使用交叉熵损失和Adam优化器优化分类性能，生成微调后的迁移学习模型；基于所述微调后的迁移学习模型，应用SMOTE算法处理类别不平衡问题，通过调整训练过程中各类别的样本权重或合成少数类别的样本以及平衡模型对差异类别图像的识别能力，生成类别平衡优化模型的步骤为，基于所述微调后的迁移学习模型，采用数据分析方法，执行类别不平衡分析，通过频率统计和占比计算确定数量少的类别样本，识别需要通过合成技术平衡的类别，生成类别不平衡分析报告；基于所述类别不平衡分析报告，采用SMOTE算法，执行样本合成，通过在少数类样本间进行插值合成新的样本点，增加少数类别的样本数量，进行类别平衡，生成类别平衡的数据集；基于所述类别平衡的数据集，采用样本权重调整策略，执行权重调整，通过计算类别的逆频率为每个类别分配权重，确保训练过程中差异类别的样本获得平等的重视，生成权重调整的训练配置；基于所述类别平衡的数据集和权重调整的训练配置，采用梯度下降方法，执行优化模型训练，通过调整模型参数，优化模型在差异类别上的识别能力，生成类别平衡优化模型；基于所述类别平衡优化模型，结合图卷积网络和频域分析技术，将图信号处理方法整合进模型，通过分析图像数据的结构化特征和关系，提升模型对图像内在结构的识别和分类能力，生成图信号处理增强模型的步骤为，基于所述类别平衡优化模型，采用图卷积网络算法，将图像数据映射到图结构上，每个节点代表图像一个区域，边表示区域之间的关系，执行特征提取，捕捉图像中的局部和全局特征，生成图卷积特征提取模型；基于所述图卷积特征提取模型，使用傅里叶变换对图像数据进行频域分析，将图像从时域转换到频域，并分析其频谱特征，识别图像中的周期性和结构化模式，强化图像数据的结构化特征提取，生成频域特征分析模型；基于所述频域特征分析模型，结合图信号处理技术，对图像数据中的结构化特征和关系进行深度分析和处理，通过融合图结构信息和频域信息，提升对图像内在结构的识别和分类能力，生成图信号处理整合模型；基于所述图信号处理整合模型，进行网络参数和结构的优化，调整网络层和参数设置，匹配图像的结构化特征，优化模型在图像分类任务中的精度和效率，生成图信号处理增强模型。

全文数据：

权利要求：

百度查询： 广东电网有限责任公司 一种基于深度学习的资质图像分类方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD