基于直觉模糊小生境技术鲸鱼优化的兵马俑碎片分类方法

本发明属于图像处理，尤其涉及一种基于直觉模糊小生境技术鲸鱼优化的兵马俑碎片分类方法。

背景技术：

1、随着时间的变迁，很多出土的兵马俑都不可避免地在一定程度上受到损坏，利用计算机辅助技术开展文物的修复工作迫在眉睫。兵马俑碎片的修复工作主要有：碎片分类、碎片匹配以及碎片拼接。其中，碎片分类是兵马俑修复工作中非常重要的一步，在进行碎片分类之前，首先要对碎片的特征进行提取，比如碎片的颜色、纹理、轮廓线和断裂面等，结合所提取出的碎片特征信息进行分类可以提高碎片分类的准确率，碎片分类的结果越准确，越可以提高匹配和拼接的效率，有效降低后续兵马俑修复工作的难度。

2、现有的图像分类技术主要是利用卷积神经网络，以原始图像作为输入，然后从大量的样本中学习图像的特征，提取出精细化的图像特征，进而进行分类。现有的网络模型从最初的lenet到alexnet、zfnet、vggnet、googlenet、resnet、senet以及densenet等经典的网络模型在图像分类方面的应用已经取得了革命性的成果。加深网络的层数可以提高网络性能，提取更高层次的特征，但是随着网络层数的增加，会出现网络性能退化、梯度消失以及过拟合的问题。resnet最先提出残差学习的思想，在卷积层之间加入跳跃连接，信息可以跨越多个隐含层进行传播，可以用来解决网络性能随着深度加深而出现退化，并暴露出梯度消失、过拟合的问题，使得网络的深度可以达到几十层甚至上百层。在resnet50网络模型中，加入了残差块的结构，该结构可以将数据x和经过卷积操作后的f(x)加在一起，从而形成快捷连接使网络的映射关系变为h(x)＝f(x)+x，这种越层的连接使得不同层之间的信息可以相互传递，提取图像特征时相当于在每个block中加入了上一层图像的信息，普通的神经网络随着网络层数的加深出现效果下降的现象，resnet50的网络结构在一定程度上保留了更多原始图像的信息，残差结构的加入减小了梯度消失的可能性，避免了随着网络模型层数的加深出现学习退化现象，有利于学习更深层的图像特征，从而进行特征提取和分类。

3、然而，在兵马俑图像分类方面现有技术还存在以下问题和缺陷：

4、1.深度卷积神经网络训练时需要大量的带有标签的数据集，而本发明中由于然因素和现实条件的制约，以及采集文物数据的特殊性，目前所拥有的数据量远远小于深度卷积神经网络模型所需要的数据量。

5、2.resnet50网络易陷入局部最优，并且网络最终分类的准确率与迭代次数、批处理数、学习率等参数有关。群体智能优化算法在解决优化问题上有着极大的优势。利用寻优能力较强的鲸鱼优化算法改进resnet50网络模型的超参数，可以进一步提升网络分类的准确性，降低分类误差。但是鲸鱼优化算法与其他群体智能优化算法一样，容易陷入局部最优解，导致后期收敛速度慢、收敛精度低，特别是对于大规模多峰函数优化。因此需要对其进行改进。

6、针对以上问题，本发明采用条件生成式对抗网络(conditional generativeadversarial network，cgan)模型对兵马俑数据集进行数据增强，扩充兵马俑数据集，该模型不仅可以生成类似的新图像，在提升生成样本的多样性方面相比传统方法有较大优势。原始的gan包括一个生成器g和一个判别器d，其核心思想是生成器和判别器在训练过程中相互博弈，一方所得即是另一方所失。生成器g先得到真实数据的样本分布，然后利用该分布模型生成新的数据样本，判别器d负责判别数据是来自训练样本也就是真实数据，还是来自生成器g模拟训练后生成的数据。g和d通过互相竞争与制约不断迭代优化各自的参数，以提高生成能力和判别能力，最后由噪声数据通过生成器g可以生成类似的真实图，以达到数据增强的目的。cgan是对gan的改进，在生成器和判别器中加入条件信息y，实现条件生成模型，提高了模型生成图像的效率。对传统的鲸鱼优化算法进行改进，并利用改进后的算法对resnet50模型中的超参数寻优，实现resnet50网络中学习率、迭代轮次、批处理数和迭代次数四个超参数的自适应调整与协同计算，最后将其应用于兵马俑碎片分类问题中，提升分类的准确性。

7、本发明的技术开展为文物修复工作具有指导作用，同时也为其他图像分类任务提供借鉴，理论意义显著，应用价值突出。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种基于直觉模糊小生境技术的混沌重心反向学习鲸鱼算法优化resnet50网络进行兵马俑碎片分类的方法，不仅提升了分类的准确率，还提高了后续兵马俑修复工作的效率。

2、本发明具体实现方法如下：

3、步骤一，将所采集的兵马俑数据集进行预处理，用cgan方法对兵马俑图像数据进行数据增强，扩充数据集，提取兵马俑碎片的数据特征，将数据集划分为训练集和测试集；

4、步骤二，建立resnet50模型，设计基于直觉模糊小生境的混沌反向学习鲸鱼优化算法(ifn-sil-woa)模型，利用ifn-sil-woa模型优化resnet50模型中的超参数，实现resnet50网络中学习率、迭代轮次、批处理数和迭代次数四个超参数的协同计算与自适应调整；

5、步骤三，将ifn-sil-woa模型中的鲸鱼个体按照混沌序列和重心反向学习策略相结合产生初始种群，计算种群中鲸鱼个体的适应度值；

6、步骤四，利用鲸鱼个体在寻优过程中的适应度值，通过直觉模糊距离衡量个体之间的相似度，使用共享函数更新个体的适应度值，增强种群的多样性和算法的全局寻优能力；

7、步骤五，设计权重因子和收敛因子平衡算法的全局搜索能力和局部开发能力，帮助算法跳出局部最优解；

8、步骤六，利用精英保留机制，将精英数据库中的个体替换种群中最差的k概率的鲸鱼个体，保证算法的全局收敛性和多样性；

9、步骤七，判断ifn-sil-woa模型是否达到最大迭代次数，若不满足则返回步骤三，若满足则进入下一步；

10、步骤八，使用改进的鲸鱼优化算法所搜索的最佳超参数值优化resnet50模型，进行兵马俑碎片分类。

11、进一步，所述步骤一中采用cgan方法对兵马俑图像数据进行数据增强，扩充数据集。原始的gan包括一个生成器g和一个判别器d，其核心思想是生成器和判别器在训练过程中相互博弈，一方所得是另一方所失。生成器g先得到真实数据的样本分布，然后利用该分布模型生成新的数据样本，判别器d负责判别数据是来自训练样本也就是真实数据，还是来自生成器g模拟训练后生成的数据。g和d通过互相竞争与制约不断迭代优化各自的参数，以提高生成能力和判别能力，最后由噪声数据通过生成器g可以生成类似的真实图，以达到数据增强的目的。cgan是在生成器g的输入中加入条件变量y对生成结果进行约束，提高了模型生成图像的效率。本发明指定生成兵马俑数据头部、胸部、腹部、手臂、裙摆、腿六大类，通过在原始gan模型的生成器g和判别器d中添加条件信息y，形成条件生成模型cgan，通过cgan对兵马俑数据集进行增强。

12、将增强后的兵马俑数据集按8:2比例划分为训练集和测试集，最终以形状特征将数据集分为头部、胸部、腹部、手臂、裙摆、腿六大类，将此数据集作为resnet50网络的输入变量，通过resnet50网络结构中的卷积层、池化层和全连接层的作用产生一个输出变量，从而使输入变量与输出变量之间构成映射关系。

13、进一步，所述步骤二中建立resnet50网络模型，该网络包含49个卷积层和1个全连接层。设计ifn-sil-woa模型对resnet50中的超参数进行寻优。对resnet50网络中学习率、迭代轮次、批处理数和迭代次数四个超参数寻优是通过ifn-sil-woa算法，将ifn-sil-woa算法中种群数量设置为120、最大迭代次数设置为500，在算法中对resnet50网络中学习率、迭代轮次、批处理数和迭代次数四个超参数设置解空间，ub＝{0.01,150,40,1000}表示解空间的上限，lb＝{0.001,80,10,300}表示解空间的下限，ub和lb的每一维分别对应的是resnet50模型学习率、迭代轮次、批处理数和迭代次数的上界和下界。

14、进一步，所述步骤三中ifn-sil-woa模型按照混沌序列和重心反向学习策略相结合产生初始鲸鱼种群，利用混沌序列的遍历性、随机性、非周期性及对系统参数与初值的敏感依赖性特征产生具有多样性特征的混沌序列，并映射到解空间，产生混沌初始种群；进而对混沌初始种群进行重心反向学习，得到重心反向解即初始种群。其方法如下：

15、假设种群规模为n，采用具有较好的遍历性和初值敏感性的logistic混沌映射在d维空间中生成混沌序列y＝yd,d＝1,2,…,d,μ∈0,4,y∈0,1,yd＝yid,i＝1,2,…,n，logistic混沌映射函数表达式为：

16、yi+1,d＝yi,d×μ×1-yi,d(1)

17、将混沌序列映射到解空间，得到种群个体xid为：

18、xid＝xmin+yid×xmax-xmin(2)

19、定义重心，设x1，…，xn是d维搜索空间中的有单位质量的n个点，则此n个点的重心定义为:

20、

21、记xi＝xi1,…,xid,i＝1,…,n,则m＝m1,…,md,则:

22、

23、重心反向点：

24、

25、反向点具有一个动态边界，记xi,j∈aj,bj动态边界是为了保存搜索经验，可以让搜索解空间不缩小，计算公式为：

26、

27、如果反向点超出搜索边界，可按下式重新计算反向点:

28、

29、然后计算每个鲸鱼个体的适应度值，将鲸鱼个体位置解释为resnet50模型的超参数，优化resnet50网络模型，用训练数据集训练该网络模型，通过测试数据集预测分类的损失率loss，将loss的值做为鲸鱼的适应度值。

30、进一步，所述步骤四中将基于共享函数的小生境思想和直觉模糊距离测度引入到woa算法中，通过共享函数调整种群的适应度值，增强算法的全局寻优能力。该算法首先是通过种群中个体间的直觉模糊距离，确定个体间的相似程度，从而确定每个鲸鱼存在的小生境群体，并利用共享机制改变每个个体的适应度值。

31、直觉模糊小生境群体划分的方法是：

32、对于初始化产生的鲸鱼个体xi＝xi1,xi2,…,xid,它的小生境是通过个体与其他鲸鱼之间的直觉模糊距离，用来衡量两个个体之间的相似程度，本发明中用式(8)表示鲸鱼个体之间的距离测度公式：

33、

34、其中，i＝1,2,…,m-1；j＝i+1,i+2,…,m,xi和xj分别为第i个和第j个体；m为种群规模；μxixik、γxixik、πxixik分别为个体xik的适应度在隶属度、非隶属度和犹豫度。个体xik与最差个体之间的距离越近，隶属度越小，非隶属度越大，隶属度、非隶属度与犹豫度的表达式为：

35、

36、

37、πxi(xik)＝1-μxi(xik)-γxi(xik)  (11)

38、其中，f(xik)为个体xik的适应度，fmax(xi)为本代个体中最大适应度。

39、适应度共享机制的方法是：

40、利用个体间相似度的共享度来不断改变个体适应度的大小。个体间的共享函数值由下式(12)确定，σshare为峰半径，取σshare＝20。

41、

42、共享度是个体与小生境内其他各个个体之间共享函数的总和，它是个体在种群中相似程度的一种度量。

43、si＝∑k≠ish(dik)  (13)

44、通过每个个体的共享度与共享机制函数更新每个个体的适应度值：

45、

46、式中：为共享之后的适应度值，f(xi)为共享前的适应度值。

47、进一步，所述步骤五中，鲸鱼算法在寻优过程中，包围阶段和攻击阶段都是采用局部寻优操作，而且攻击阶段采用螺旋式位置更新，这只能使个体慢慢靠近局部最优解，而不能快速找到最优解，这导致算法收敛速度慢、寻优能力低。本发明中引入一个权重因子调节算法全局搜索和局部开发的能力，权重因子更新策略选择余弦函数变化策略。权重因子更新公式为：

48、

49、其中，t为当前迭代次数，maxgen为最大迭代次数。通过权重因子更新当前个体位置和螺旋位置公式分别为：

50、

51、

52、在猎物搜索阶段可知，位置的更新主要由随机选取的鲸鱼位置及a和d的值决定。参数a是在[-2,2]之间，a是在迭代过程中从2递减到0，当a≥1时，算法执行全局搜索，a<1时，算法执行局部搜索，缩小搜索范围。算法在迭代前期，执行全局搜索，但是a≥1的时候很少，这样很容易削弱全局搜索的能力并陷入局部最优。因此，本发明中引入一个自适应改变步长的参数p，p在迭代过程中，随着迭代次数的增加，整体呈减小趋势。这使得算法在运算早期能够有较大的权重值，种群具有较强的全局搜索能力，进行全局最优解的搜索。而在运算后期，惯性权重慢慢变小，个体进行细致的局部搜索，寻找该区域的最优解，以及全局最优解。自适应变化是指在每一次迭代过程中，根据算法的迭代情况做出判断，决定该个体的权重变化的方式。引入收敛因子p，有利于平衡鲸鱼个体全局和局部空间的动态搜索。

53、p＝e-4log(k)  (18)

54、

55、rand为[0,1]之间的随机数，t为当前迭代次数，maxgen是最大迭代次数。因此猎物搜索阶段的更新个体鲸鱼位置的公式如下：

56、

57、进一步，所述步骤六中，在鲸鱼优化算法中，针对算法容易陷入局部最优及种群多样性的问题，本发明引入一种精英保留机制。精英保留策略的具体实现方法是，在迭代之初，对所有的个体的适应度进行升序排列，设置一个精英保留概率参数k,以k概率在所有个体中选择最优个体作为精英保存在精英数据库中，当鲸鱼个体经过一系列位置更新后，用精英数据库中的个体替换种群中最差的k概率的鲸鱼个体。精英保留机制不仅保证了最优个体不被破坏，而且还保证了算法的全局收敛性和多样性。

58、进一步，所述步骤七中，根据ifn-sil-woa模型所设置的最大迭代次数，判断当前个体是否满足终止条件，若满足终止条件，则输出算法结果，若不满足最终的迭代条件则返回步骤三中继续循环进入下一代，直到满足条件为止。

59、进一步，所述步骤八中，将鲸鱼最终寻优的最优位置解释为resnet50模型的超参数，将超参数输入到resnet50模型中，构建完整的resnet50网络模型，利用兵马俑数据集中的训练集和测试集对该网络模型进行训练，并对训练好的模型进行预测，提升兵马俑碎片分类的准确率。

60、本发明的目的在于提出一种基于直觉模糊小生境技术的混沌重心反向学习鲸鱼优化算法的模型结构，结合深度学习对resnet50网络中的超参数进行寻优，并成功应用于兵马俑碎片分类中，提高了兵马俑碎片分类的准确率，使得后续兵马俑拼接和复原的工作效率有效提升。

61、结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：

62、第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：

63、针对破损俑体存在轮廓线缺失，特征模糊不易提取所造成的分类困难问题，引入resnet50网络，建立基于深度卷积神经网络兵马俑碎片分类模型，使用cgan模型进行数据增强，扩充数据集。针对网络模型由于超参数造成的分类准确率不高的问题，引入鲸鱼优化算法优化网络模型的超参数。针对传统鲸鱼优化算法容易陷入局部最优解，导致后期收敛速度慢、收敛精度低的问题，采用混沌重心反向学习策略对鲸鱼种群进行初始化，提升种群分布的均匀性，利用直觉模糊集根据隶属度、非隶属度和犹豫度的信息可以有效解决碎片分类中误分和错分的问题，利用小生境技术可以在多碎片寻优问题中有效增强全局寻优能力，设计权重因子和收敛因子平衡模型的全局搜索能力和局部开发能力，避免模型陷入局部最优解。通过改进后的鲸鱼优化算法对resnet50网络模型中学习率、迭代轮次、批处理数和迭代次数四个超参数进行自适应调整与协同计算，有效提升兵马俑碎片分类的准确度，在文物修复工作中具有指导作用，同时也为其他图像分类任务提供借鉴，理论意义显著，应用价值突出。

64、第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：

65、本发明的有益效果是提出一种基于直觉模糊小生境技术的混沌重心反向学习鲸鱼优化算法的模型结构，结合深度学习对resnet50网络中的超参数进行寻优，并成功应用于兵马俑碎片分类中，提高了兵马俑碎片分类的准确率，使得后续兵马俑拼接和复原的工作效率有效提升。

66、第三，作为本发明的权利要求的创造性辅助证据，还体现在以下几个重要方面：

67、本发明的技术方案填补了国内外业内技术空白：将鲸鱼优化算法与resnet50网络模型结合，用于解决兵马俑碎片分类问题。