[发明专利]使用卷积神经网络的数字图像处理

摘要

根据示例，可以通过卷积神经网络(CNN)集合对数字图像进行处理，以对数字图像中的对象进行分类。对于每个CNN，可以选择候选架构和候选参数以构建多个CNN。一旦确定每个对于所选择的候选参数具有不同的值的预定数量的CNN满足验证阈值，就可以从预定数量的CNN生成CNN集合。然后，可以聚集来自CNN集合的预测以准确地对数字图像中的对象进行分类。

主权项

1.一种对受损对象进行分类的方法，所述方法包括：从受损对象的图像创建训练图像集；选择用于卷积神经网络(CNN)的候选架构和候选参数以通过迭代过程对所述训练图像集中的所述对象的损坏程度进行分类，其中所述候选架构包括卷积层、子采样层和分类器类型，并且其中，所述迭代过程包括：从多个候选架构中选择所述候选架构；选择用于所选择的候选架构的所述候选参数，其中所选择的候选参数包括学习率、批量大小、训练历元的最大数量、图像输入大小、卷积层和子采样层中的每个层的特征映射图数量、卷积滤波器大小、子采样池大小、隐含层的定义数量、每个隐含层中的单元数量、所选择的分类器算法、以及输出种类数量；针对所选择的候选架构和所选择的候选参数选择预处理协议以增强所述受损对象的所述训练图像集中的信息内容，其中所述预处理协议包括裁剪所述图像以及从所述图像提取RGB通道层的定义数量；使用所述训练图像集构建中间CNN；评价所述中间CNN在验证图像集上的性能，所述验证图像集包括未受损对象、受损对象以及总计对象的图像，其中所述验证图像集与所述训练图像集分开并且不同；确定所述中间CNN是否满足验证阈值；以及重复所述迭代过程直到预先确定数量的中间CNN满足所述验证阈值，其中，每个中间CNN对于所选择的候选参数具有不同的值；从所述预先确定数量的中间CNN创建中间CNN集合；以及对所述验证图像集中的每幅图像中的所述对象的损坏程度进行分类，其中，所述分类包括聚集来自所述中间CNN集合的预测。