买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：上海师范大学

摘要：本发明公开了一种基于多通道模型融合的深度学习物体分类方法，其步骤如下：将待分类物品放在视觉图像采集系统的转盘中心上，开启视觉图像采集系统采集待分类物品的图像；将各图像采集设备采集到的图像分别对应输入与图像采集设备对应的多个第一处理模型得到各图像采集设备对应的预测概率矩阵；对各预测概率矩阵进行融合得到融合矩阵；将融合矩阵输入第二处理模型即得到待分类物品的分类结果。本发明的基于多通道模型融合的深度学习物体分类方法，针对多个特征面建立多个网络提取特征并融合的模型，与现有技术相比，具有更强的特征提取能力；与传统方法相比有更高的精度，尤其对于相似零件分类极大地提高了分类精度，极具应用前景。

主权项：1.一种基于多通道模型融合的深度学习物体分类方法，其特征在于，其步骤如下：1将待分类物品放在视觉图像采集系统的转盘中心上，开启视觉图像采集系统采集待分类物品的图像；2将各图像采集设备采集到的图像分别对应输入与图像采集设备对应的多个第一处理模型得到各图像采集设备对应的预测概率矩阵；3对步骤2获得的各预测概率矩阵进行融合得到融合矩阵；4将步骤3获得的融合矩阵输入第二处理模型即得到待分类物品的分类结果；所述视觉图像采集系统，包括一用于放置待分类物品的转盘，所述转盘与转盘驱动装置连接，在转盘驱动装置的驱动下可水平旋转；围绕所述转盘布置有两个以上视野中心对准转盘中心的图像采集设备，所述图像采集设备位于所述转盘的上方，所述图像采集设备布置在所述转盘的不同方位上且其与转盘间的高度差不同；所述图像采集设备、转盘驱动装置分别与中央处理单元连接；每个第一处理模型均与图像采集设备一一对应，第一处理模型为Densenet模型，其训练过程即以已知类别的物品图像为输入，以物品的对应类别概率为理论输出，不断调整模型参数的过程，训练的终止条件为达到训练次数上限；所述第二处理模型为BP神经网络，其训练过程即以已知类别的物品各图像融合矩阵为输入，以物品的对应类别概率为理论输出，不断调整模型参数的过程，训练的终止条件为达到训练次数上限，所述已知类别的物品各图像融合矩阵是指将已知类别的物品的各图像输入第一处理模型后得到的各预测概率矩阵融合后得到的矩阵。

全文数据：

权利要求：

百度查询： 上海师范大学 一种基于多通道模型融合的深度学习物体分类方法