基于改进卷积神经网络的毛发显微图像自动分类

发布时间：2021-04-08 02:20

　　利用卷积神经网络对毛发物证显微图像进行自动分类,为进一步提高显微检验技术的自动化程度和毛发物证检验提供技术参考。采用徕卡DVM6数码显微镜在1400倍放大条件下采集6类毛发共60000张样本图像,构建毛发分类数据集。基于卷积神经网络搭建Hair-Net模型,通过该模型对毛发分类数据集进行样本训练和测试验证。实验研究表明,经过参数调试和优化手段的改进后,新的Hair-Net分类精度最高可达97.82%,成功实现了毛发物证显微图像的自动分类,增强了稳健性。 

【文章来源】：激光与光电子学进展. 2019,56(23)北大核心CSCD

【文章页数】：8 页

【部分图文】：

卷积神经网络基本结构

使用Matlab对所有样本数据图像进行定点切割，利用坐标代码确定切割起始点，以固定区域大小截取样本图像中的毛发特征区域，去除与毛发内容无关的背景部分，防止丢失部分毛发特征，排除背景干扰。切割时注意保持所有毛发图像的长宽比相同。为方便实验操作及样本训练需对实验图像进行顺序命名，并利用双线性插值法对样本数据进行几何缩放，根据不同神经网络要求对图像尺寸的大小进行处理。给每一类样本数据生成类别标签，并随机抽取每类实验图像的80%作为训练集进行网络学习，剩余的20%作为验证集来考察网络性能。样本数据集转换为具有较高读写速度的LMDB格式文件。预处理后的部分样本数据集图像示例如图2所示。3.4 实验环境配置

针对建立的毛发显微图像数据集，提出一种新的卷积神经网络结构Hair-Net，具体网络配置如图3和表2所示。第一卷积层采用9×9的卷积核，便于提取细节特征，再使用两层3×3卷积核增加网络深度，在不增添计算量的同时保证网络训练速度，模型在每层卷积后连上ReLU激活函数；由于毛发显微图像的分类需要依靠毛发细节纹理形状，因此池化层全部采用最大池化，利于训练过程中对毛发特征的提取，将第二个全连接层（FC）的节点数设置为1024，能控制网络宽度，可一定程度地提升性能；最后运用解决多分类问题的Softmax回归函数，结合Center-loss中心损失度量学习[26]作为辅助损失函数[27]得到分类值结果，将Center-loss的权重系数λ设为0.001。3.6 实验算法流程设计

【参考文献】：
期刊论文
[1]基于改进视觉背景提取算法的运动目标检测方法[J]. 王旭,刘毅,李国燕.  激光与光电子学进展. 2019(01)
[2]中心损失与Softmax损失联合监督下的人脸识别[J]. 余成波,田桐,熊递恩,许琳英.  重庆大学学报. 2018(05)
[3]基于融合卷积神经网络模型的手写数字识别[J]. 陈玄,朱荣,王中元.  计算机工程. 2017(11)
[4]基于卷积神经网络的车牌字符识别[J]. 董峻妃,郑伯川,杨泽静.  计算机应用. 2017(07)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[6]改进的基于卷积神经网络的图像超分辨率算法[J]. 肖进胜,刘恩雨,朱力,雷俊锋.  光学学报. 2017(03)
[7]基于卷积神经网络的军事图像分类[J]. 高惠琳.  计算机应用研究. 2017(11)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[9]毛发枪弹损伤的环境扫描电镜研究[J]. 邹友,权养科,朱永春,郑明,刘贵明,甘斌,王攀,唐敏,陶克明.  中国法医学杂志. 2006(06)
[10]毛发常见机械性损伤形态的环境扫描电镜研究[J]. 邹友,陶克明,李立新,朱永春,刘贵明,甘斌,郭洪玲,王攀,孙广胜,唐敏.  刑事技术. 2006(01)

硕士论文
[1]基于三维卷积神经网络步态识别方法的研究[D]. 李影.北京交通大学 2018
[2]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[3]基于改进神经网络的离线签名笔迹识别[D]. 梁曦璐.中国政法大学 2017



本文编号：3124656