一种基于残差神经网络的物品纹理特征识别方法与流程

本发明涉及物品特征识别的，尤其是涉及一种基于残差神经网络的物品纹理特征识别方法。

背景技术：

1、在当下的全球市场中，假冒伪劣产品泛滥和知识产权侵犯的问题日益严重。据2022年的数据显示，全球假冒市场的规模已达约4.2万亿美元，远超20世纪80年代300亿美元的规模，并且预计将持续增长。这不仅对企业的盈利造成威胁，还可能损害消费者的信任和安全。然而，现有的防伪技术尚未能有效地解决这一难题。尽管条形码、蚀刻、封条和特殊材料等多种方式被广泛采用来标识商品的来源，但这些标识也存在丢失、损坏、被伪造或篡改的风险。一旦商品的标识标签丢失(或根本未附有标签)，商品的性能、安全性和价值便难以证明。在全球的b2b和b2c交易中，由废弃、召回、损坏和盗窃等问题每年造成的经济损失高达数千亿美元。每次此类事件发生，消费者对品牌的信任都会受到影响。因此，对企业和消费者来说，识别假冒伪劣产品是一项紧迫且充满挑战的任务。在质量控制、商品鉴别和安全检测等多个应用场景中，准确捕捉和识别物品表面的纹理特征显得尤为关键。传统的图像处理技术往往难以精确区分细微的纹理差异，特别是当物品表面的特征肉眼不易察觉时。

技术实现思路

1、本发明的目的是提供一种基于残差神经网络的物品纹理特征识别方法，对物品表面的纹理特征进行有效捕获，从而实现对类似物品的准确区分和识别。

2、为实现上述目的，本发明提供了一种基于残差神经网络的物品纹理特征识别方法，包括以下步骤：

3、s1：准备好需要被识别的相似样品，对样品进行拍摄，得到对应的照片；

4、s2：对每张照片均进行预处理，设置hsv阈值，按照hsv阈值将像素点hsv空间上属于背景的部分剪裁掉，只保留样品本身，根据预处理后的样品，遍历出所有样品的三元组组合，三元组包括锚点图像，正例图像和负例图像，并将样品的所有三元组组合进行记录；

5、s3：选取预训练的resnet50为神经网络框架，采用三元组损失函数对残差网络进行训练，训练若干轮，得到训练好的残差网络，并保存最后一轮训练后的模型参数；

6、s4：将已经训练好的残差网络中的参数冻结，在网络末端添加三层的全连接神经网络，并对全连接神经网络进行训练，训练若干轮，保存最后一轮训练后的网络结构参数，得到识别网络；

7、s5：对于待识别的样品，采用和步骤s1相同的条件拍摄照片，并对照片采用步骤s2中的方法做预处理，再通过识别网络对预处理后的照片进行识别。

8、优选的，所述步骤s1中，拍摄过程具体如下：

9、摄像头通过支架支撑，并对准拍摄平台，拍摄平台设置为单一颜色，将样品放在拍摄平台上，使摄像头对准样品品正中心拍摄照片，拍摄照片的条件为：光线均匀、摄像头与样品之间设置为固定间距、并且在摄像头的视野中，降低背景的占比；

10、在拍摄中，要将样品反复拿起再放下拍摄4至10张照片，并给每张拍好的照片根据其类别标记好标签。

11、优选的，所述步骤s3中，使用三元组损失函数对残差网络训练的过程如下：

12、构建三元组损失函数，三元组损失函数的表达式如下：

13、loss＝max(d(a,p)-d(a,n)+margin,0)

14、上式中，p代表正例图像，n代表负例图像，a代表锚点图像，d代表两点间的欧氏距离，margin为超参数，设置为1；

15、设置模型训练超参数，batch size设置为64，优化器选用adam，学习率设置为0.001；

16、训练模型，每轮训练将预存的所有三元组组合全部取用。

17、优选的，所述步骤s4中，对全连接神经网络训练的过程如下：

18、设置全连接网络中的输出层的神经元数量使其等于样品的类别数量，每个全连接层之后均使用kaiming的均匀初始化方法，在全连接层之间使用relu激活函数，在每个全连接层之后均使用比例为0.8的随机丢弃进行正则化，使用交叉熵损失函数和adam优化器对网络参数进行优化，batch size设置为128，学习率设置为0.001，训练1000轮，保存最后一轮训练后的网络结构参数。

19、优选的，所述步骤s5中识别的具体过程如下：

20、将预处理后的照片送入步骤s3中训练好的残差网络中提取特征，将提取的特征输入到步骤s4中的全连接神经网络，得到识别网络对新拍摄照片的分类结果。

21、因此，本发明采用上述的一种基于残差神经网络的物品纹理特征识别方法，具有以下好处：

22、本发明中，利用三元组损失函数对物品表面的纹理特征进行有效捕获，并能够实现对类似物品的准确区分和识别。该方法通过优化残差神经网络模型，提高了对物品表面细微纹理特征的捕获能力，还设置有全连接神经网络按照特征进行分类，从而在各种应用中提供了更高的识别准确率。

23、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种基于残差神经网络的物品纹理特征识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于残差神经网络的物品纹理特征识别方法，其特征在于：所述步骤s1中，拍摄过程具体如下：

3.根据权利要求2所述的一种基于残差神经网络的物品纹理特征识别方法，其特征在于：所述步骤s3中，使用三元组损失函数对残差网络训练的过程如下：

4.根据权利要求3所述的一种基于残差神经网络的物品纹理特征识别方法，其特征在于：所述步骤s4中，对全连接神经网络训练的过程如下：

5.根据权利要求4所述的一种基于残差神经网络的物品纹理特征识别方法，其特征在于：所述步骤s5中识别的具体过程如下：

技术总结本发明公开了一种基于残差神经网络的物品纹理特征识别方法，属于物品特征识别的技术领域；拍摄样品照片，对照片进行预处理，将背景部分裁切；选取预训练的Resnet50为神经网络框架，采用三元组损失函数对残差网络进行训练，训练若干轮，得到训练好的残差网络，并保存最后一轮训练后的模型参数；将已经训练好的残差网络中的参数冻结，在网络末端添加三层的全连接神经网络，并对全连接神经网络进行训练，训练若干轮，保存最后一轮训练后的网络结构参数，残差网络和全连接神经网络合并得到识别网络；对于待识别的样品，通过识别网络对预处理后的照片进行识别。本发明采用上述方法，先提取样品特征再进行分类，能有效的输出分类结果。技术研发人员：张用友,吴桦,陆皓霖,刘正阳,沈闫受保护的技术使用者：欧拉深视（上海）科技有限公司技术研发日：技术公布日：2024/7/29