基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法
【專利摘要】本發(fā)明基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，通過容器作為媒介進(jìn)行菜品識(shí)別。本發(fā)明提供的方法是通過篩選拍攝的餐盤圖像中菜品區(qū)域的形狀和面積特征，分割餐盤中各個(gè)菜品；然后通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)得到分類器，直接識(shí)別菜品圖像來實(shí)現(xiàn)菜品識(shí)別。相比于現(xiàn)有的通過芯片或顏色之類的方式只識(shí)別容器，受到容器的局限性，本發(fā)明不需要使用特殊餐具作為容器，成本較低，亦無需將菜品與容器必須對(duì)應(yīng)盛裝，排除了必須將菜品盛裝在對(duì)應(yīng)容器中帶來的錯(cuò)誤引入因素。
【專利說明】
基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及機(jī)器視覺與機(jī)器學(xué)習(xí)領(lǐng)域，更具體地說是涉及一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，本發(fā)明可以廣泛應(yīng)用于食堂、快餐店等提供自助選餐、結(jié)算服務(wù)的場(chǎng)所?！颈尘凹夹g(shù)】
[0002]隨著城市生活節(jié)奏的不斷加快，人們?cè)絹碓蕉嗟赝ㄟ^各類快餐來解決“食”這個(gè)問題，例如在高校、機(jī)關(guān)單位、園區(qū)食堂或者快餐連鎖店，越來越多采用自主挑選菜式，再通過排隊(duì)刷卡或現(xiàn)金結(jié)算的方式進(jìn)行選擇和結(jié)算。而如何對(duì)挑選的菜式進(jìn)行計(jì)價(jià)，現(xiàn)有的技術(shù)中通常采用的方式有人工計(jì)價(jià)和自動(dòng)計(jì)價(jià)兩種。由于就餐人員的增多，人工給餐、計(jì)價(jià)效率低，在消費(fèi)高峰期經(jīng)常因?yàn)榻Y(jié)算速度慢而導(dǎo)致排隊(duì)現(xiàn)象，價(jià)格計(jì)算的準(zhǔn)確性也難以得到保證。隨著現(xiàn)代人們對(duì)就餐效率的要求越來越高，自助選餐、結(jié)算的需求越來越大。傳統(tǒng)的餐盤計(jì)價(jià)方式已不能滿足人們的需求。
[0003]近年出現(xiàn)的一些餐盤自動(dòng)計(jì)價(jià)方式，規(guī)避了人工給參計(jì)價(jià)效率低、準(zhǔn)確性難以保證等一系列問題?，F(xiàn)有菜品自動(dòng)識(shí)別計(jì)價(jià)系統(tǒng)多為基于餐具中內(nèi)置芯片的方法，其實(shí)現(xiàn)步驟為:A’.不同餐具中內(nèi)置存儲(chǔ)不同菜品信息的芯片；B’.人工將菜品盛裝到對(duì)應(yīng)的餐具中；C’.芯片掃描裝置掃描餐具，讀取芯片中的菜品信息；D’.輸出菜品信息，如名稱、價(jià)格等。
[0004]這種方案技術(shù)較成熟，但由于采用了步驟A’，需要內(nèi)置芯片的特殊餐具，成本較高；需要特殊餐具，無法應(yīng)用于外帶服務(wù);對(duì)人工盛裝的準(zhǔn)確度要求高，有菜品盛放錯(cuò)餐具的風(fēng)險(xiǎn)。
[0005]其中，根據(jù)餐盤顏色，或形狀計(jì)價(jià)的方案，因其無需使用安裝芯片的特殊餐盤，成本較為低廉，成為了一種新的研究趨勢(shì)。然而，在根據(jù)餐盤顏色、形狀計(jì)價(jià)的不同方法中，仍存在著差異和缺陷。
[0006]申請(qǐng)日為2014月11月20日，公告號(hào)為CN104463167A的中國(guó)發(fā)明專利申請(qǐng)公開了一種《一種餐廳自動(dòng)結(jié)算方法及系統(tǒng)》，“方法包括:拍攝檢測(cè)區(qū)域中整體圖像，并通過圖像處理方法提取整體圖像輪廓;利用輪廓信息，通過圖像識(shí)別技術(shù)判斷檢測(cè)區(qū)域中是否有托盤及餐盤圖像，將其整體圖像及輪廓信息進(jìn)行存儲(chǔ);然后利用圖形學(xué)和圖像處理方法提取餐盤的輪廓及色調(diào)信息；將餐盤輪廓和色調(diào)信息與數(shù)據(jù)庫(kù)中的模板信息進(jìn)行匹配，得到餐盤輪廓的形狀及顏色;通過餐盤的形狀、顏色和菜肴價(jià)格的關(guān)聯(lián)，得出菜肴總金額;系統(tǒng)包括: 攝像頭、計(jì)算機(jī)、刷卡機(jī)和顯示器，無需對(duì)餐盤進(jìn)行定制或改造，適用于任意形狀和材料的餐盤，成本較低，高效快速，對(duì)餐盤之間的重疊、遮擋有一定的魯棒性，無需對(duì)就餐人員擺放餐盤的方式有特別要求?！痹摲桨竿ㄟ^提取顏色特征、餐具形狀來識(shí)別餐具，現(xiàn)有方案多為將同價(jià)的菜品盛裝于一種餐具中，實(shí)現(xiàn)識(shí)別餐具計(jì)價(jià)。然而由于餐具顏色、形狀的組合有限，菜品樣式往往多于餐具樣式，無法單獨(dú)針對(duì)菜品進(jìn)行識(shí)別，提取菜品信息，如打印營(yíng)養(yǎng)信息、菜品配方信息等，在應(yīng)用中也受到局限。
[0007]上述現(xiàn)有的基于圖像識(shí)別的結(jié)算方法，仍然沒有一種能夠解決上述問題的方案。
【發(fā)明內(nèi)容】

[0008]本發(fā)明所要解決的技術(shù)問題是針對(duì)現(xiàn)有技術(shù)中存在的上述問題，提供一種直接識(shí)別菜品，準(zhǔn)確率高，且不受容器約束，可同時(shí)現(xiàn)多個(gè)菜品統(tǒng)一計(jì)價(jià)的基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法。
[0009]本發(fā)明一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，包括如下步驟:A、將不同價(jià)格的菜品分裝在不同形狀的餐具中，使餐具的形狀與菜品價(jià)格進(jìn)行關(guān)聯(lián)；B、將盛裝菜品的餐盤置于檢測(cè)區(qū)，觸發(fā)信號(hào)觸發(fā)相機(jī)拍攝餐盤圖像；C、系統(tǒng)讀取餐盤圖像，檢測(cè)餐盤圖像中各個(gè)菜品所在的容器區(qū)域，分割各容器區(qū)域得到單菜品圖片，并將所述的單菜品圖片組成單菜品圖像組；D、通過訓(xùn)練得到分類器，將所述的單菜品圖像組通過預(yù)先訓(xùn)練好的分類器進(jìn)行識(shí)別；E、輸出檢測(cè)到的各餐具區(qū)域?qū)?yīng)的菜品信息，并合并價(jià)格計(jì)算得到總價(jià)。
[0010]更進(jìn)一步地，所述的步驟C中，檢測(cè)餐盤圖像中各個(gè)菜品所在的容器區(qū)域包括如下步驟:C01、采用canny算子提取邊緣線，通過所述的邊緣線斷點(diǎn)連接、邊緣線長(zhǎng)度篩選，調(diào)整篩選目標(biāo)邊緣；C02、獲取邊緣線最小外接圓區(qū)域作為興趣區(qū)域；C03、遍歷所述的興趣區(qū)域，篩選特定面積范圍的興趣區(qū)域作為目標(biāo)區(qū)域，得到容器區(qū)域。
[0011]更進(jìn)一步地，所述的分類器，是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型。
[0012]更進(jìn)一步地，所述的步驟D中，先讀取單菜品圖像組中的單菜品圖片，將所述的單菜品圖片歸一化為統(tǒng)一尺寸，再通過所述的卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層、全連接層提取特征。
[0013]更進(jìn)一步地，所述卷積層的卷積核初始值采用PCA主成分分析法得到。
[0014]作為優(yōu)選，所述的PCA主成分分析法包括如下步驟:從每張訓(xùn)練圖片中隨機(jī)切割 10-50個(gè)12X12像素大小的patches，再?gòu)乃星械胮atches中隨機(jī)選取10000-20000個(gè)， PCA得到若干個(gè)主成分，將均值化、白化后的若干個(gè)主成分patches保存作為卷積層1卷積核的初始值。[〇〇15]更進(jìn)一步地，所述的分類器采用softmax回歸分類模型對(duì)提取的特征進(jìn)行分類。此方法可以解決多個(gè)類別互斥的多分類問題。
[0016]更進(jìn)一步地，所述的步驟B中，所述的觸發(fā)信號(hào)為壓力感應(yīng)信號(hào)。
[0017]更進(jìn)一步地，一種分類器的訓(xùn)練涉及隨機(jī)梯度下降的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，包括如下步驟，先載入包括單菜品圖片的訓(xùn)練組單菜品圖集，將所述的單菜品圖片歸一化為統(tǒng)一尺寸，步驟還包括:51、前向傳播；52、計(jì)算代價(jià)函數(shù)；53、反向傳播:計(jì)算所述的分類器模型的各層殘差；54、計(jì)算所述的分類器模型的各層系數(shù)的梯度；55、根據(jù)梯度修正分類器模型系數(shù)；56、重復(fù)步驟S1，直到達(dá)到預(yù)設(shè)迭代次數(shù)或代價(jià)低于預(yù)設(shè)閾值。
[0018]為解決上述問題，本發(fā)明的一種技術(shù)方案是:本發(fā)明基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，通過容器作為媒介進(jìn)行菜品識(shí)另IJ。本發(fā)明提供的方法是通過篩選拍攝的餐盤圖像中菜品區(qū)域的形狀和面積特征，分割餐盤中各個(gè)菜品；然后通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)得到分類器，直接識(shí)別菜品圖像來實(shí)現(xiàn)菜品識(shí)另IJ。相比于現(xiàn)有的通過芯片或顏色之類的方式只識(shí)別容器，受到容器的局限性，本發(fā)明不需要使用特殊餐具作為容器，成本較低，亦無需將菜品與容器必須對(duì)應(yīng)盛裝，排除了必須將菜品盛裝在對(duì)應(yīng)容器中帶來的錯(cuò)誤引入因素。
[0019]本發(fā)明通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)得到圖像分類器，直接識(shí)別菜品圖像。一般的深度學(xué)習(xí)算法，在進(jìn)行圖像識(shí)別時(shí)，會(huì)丟失原始圖像的結(jié)構(gòu)信息，因而影響識(shí)別效果。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的方法之一，在繼承深度學(xué)習(xí)自動(dòng)學(xué)習(xí)提取特征的前提下，借助局部感受野的概念進(jìn)行卷積運(yùn)算，保證了原始信號(hào)的空間結(jié)構(gòu)關(guān)系，同時(shí)通過共享權(quán)值減少了需要訓(xùn)練的參數(shù)，因而在模式識(shí)別等許多領(lǐng)域達(dá)到了更好的效果?！靖綀D說明】
[0020]圖1是本發(fā)明基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法的流程框圖。[0021 ]圖2是本發(fā)明所述的分類器訓(xùn)練的流程框圖。【具體實(shí)施方式】[〇〇22]下面結(jié)合附圖和實(shí)施例進(jìn)一步詳細(xì)說明本發(fā)明，但本發(fā)明的保護(hù)范圍并不限于此。
[0023]參照?qǐng)D1-2,本發(fā)明一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，包括如下步驟:A、將不同價(jià)格的菜品分裝在不同形狀的餐具中，使餐具的形狀與菜品價(jià)格進(jìn)行關(guān)聯(lián)；B、將盛裝菜品的餐盤置于檢測(cè)區(qū)，觸發(fā)信號(hào)觸發(fā)相機(jī)拍攝餐盤圖像；C、系統(tǒng)讀取餐盤圖像，檢測(cè)餐盤圖像中各個(gè)菜品所在的容器區(qū)域，分割各容器區(qū)域得到單菜品圖片，并將所述的單菜品圖片組成單菜品圖像組；D、通過訓(xùn)練得到分類器，將所述的單菜品圖像組通過預(yù)先訓(xùn)練好的分類器進(jìn)行識(shí)別；E、輸出檢測(cè)到的各餐具區(qū)域?qū)?yīng)的菜品信息，并合并價(jià)格計(jì)算得到總價(jià)。
[0024]所述的步驟C中，檢測(cè)餐盤圖像中各個(gè)菜品所在的容器區(qū)域包括如下步驟:C01、采用canny算子提取邊緣線，通過所述的邊緣線斷點(diǎn)連接、邊緣線長(zhǎng)度篩選，調(diào)整篩選目標(biāo)邊緣；C02、獲取邊緣線最小外接圓區(qū)域作為興趣區(qū)域；C03、遍歷所述的興趣區(qū)域，篩選特定面積范圍的興趣區(qū)域作為目標(biāo)區(qū)域，得到容器區(qū)域。
[0025]所述的分類器，是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型。所述的步驟D中，先讀取單菜品圖像組中的單菜品圖片，將所述的單菜品圖片歸一化為統(tǒng)一尺寸，再通過所述的卷積神經(jīng)網(wǎng)絡(luò)的卷積層、池化層、全連接層提取特征。
[0026]所述卷積層的卷積核初始值采用PCA主成分分析法得到。主成分分析 (PrincipalComponentAnalysis，PCA)，是一種統(tǒng)計(jì)方法。通過正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。作為優(yōu)選，所述的 PCA主成分分析法包括如下步驟:從每張訓(xùn)練圖片中隨機(jī)切割10-50個(gè)12X12像素大小的 patches，再?gòu)乃星械胮atches中隨機(jī)選取10000-20000個(gè)，PCA得到若干個(gè)主成分，將均值化、白化后的若干個(gè)主成分patches保存作為卷積層1卷積核的初始值。[〇〇27]所述的分類器采用softmax回歸分類模型對(duì)提取的特征進(jìn)行分類。此方法可以解決多個(gè)類別互斥的多分類問題。[〇〇28]所述的步驟B中，所述的觸發(fā)信號(hào)為壓力感應(yīng)信號(hào)。
[0029] —種分類器的訓(xùn)練涉及隨機(jī)梯度下降的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，步驟包括:先載入包括單菜品圖片的訓(xùn)練組單菜品圖集，將所述的單菜品圖片歸一化為統(tǒng)一尺寸，步驟還包括:51、前向傳播:卷積、池化、sof tmax;52、計(jì)算代價(jià)函數(shù)；53、反向傳播:計(jì)算所述的分類器模型的各層殘差；54、計(jì)算所述的分類器模型的各層系數(shù)的梯度；55、根據(jù)梯度修正分類器模型系數(shù)；56、重復(fù)步驟S1，直到達(dá)到預(yù)設(shè)迭代次數(shù)或代價(jià)低于預(yù)設(shè)閾值。
[0030]作為本發(fā)明的一種實(shí)施方式，根據(jù)圖1所示流程圖，本發(fā)明的一個(gè)具體實(shí)施案例如下:1)將盛裝菜品的餐盤置于檢測(cè)區(qū)，得到餐盤圖像。
[0031] 2)選取菜品容器邊緣線明顯的顏色通道；用canny算子基于像素提取圖像中的邊緣線;將邊緣線在同一圓周上(此處容器為圓形)的斷點(diǎn)連接起來;篩去細(xì)小的邊緣線;再連接一次同一圓周上的斷點(diǎn)。
[0032] 3)獲取圓周邊緣線的最小外接圓區(qū)域作為興趣區(qū)域。
[0033] 4)遍歷興趣區(qū)域，將特定面積范圍(菜品區(qū)域的面積有一定的范圍)的興趣區(qū)域作為目標(biāo)區(qū)域。
[0034] 5)將目標(biāo)區(qū)域，即容器區(qū)域，從原圖中切割下來得到單菜品圖片，并將所述的單菜品圖片組成單菜品圖像組并保存。[〇〇35] 6)將所述的單菜品圖片歸一化尺寸為96X96像素，通過預(yù)先訓(xùn)練的分類器模型， 完成一次前向傳播，獲得分類器預(yù)測(cè)的菜品類別。[〇〇36]7)輸出識(shí)別結(jié)果。[〇〇37]需要說明的是，所述步驟7)所述的識(shí)別結(jié)果，還可以在顯示屏上輸出餐盤上各菜品的名稱、價(jià)格等信息，以及計(jì)算得到的總價(jià)。
[0038]根據(jù)圖2所示的流程圖，本發(fā)明的一個(gè)訓(xùn)練分類器的具體實(shí)施案例如下:1)載入包含單菜品的訓(xùn)練組單菜品圖集。[〇〇39] 2)將單菜品訓(xùn)練組單菜品圖集的原始圖片歸一化為統(tǒng)一尺寸:96X96像素。
[0040]3)從每張訓(xùn)練圖片中隨機(jī)切割30個(gè)12X12像素大小的patches，再?gòu)乃星械胮atches中隨機(jī)選取10000個(gè)。[〇〇41 ] 4)PCA得到48個(gè)主成分patches，均值化、白化處理。[〇〇42]5)將4)中48個(gè)主成分patches作為分類器模型卷積層1的初始值，分類器模型的其余系數(shù)隨機(jī)初始化。
[0043]5)將訓(xùn)練組單菜品圖集、標(biāo)簽集通過分類器模型前向傳播。
[0044]6)計(jì)算代價(jià)函數(shù)(cost)。
[0045]7)反向傳播，計(jì)算分類器模型各層的殘差(error)。
[0046]8)計(jì)算分類器模型各層系數(shù)的梯度。[〇〇47]9)根據(jù)梯度修正分類器模型系數(shù)。[〇〇48]10 )判斷迭代次數(shù)達(dá)到1000次，否則重復(fù)步驟5 )。
[0049]11)將訓(xùn)練得到的分類器模型用單菜品測(cè)試圖集和標(biāo)簽集進(jìn)行準(zhǔn)確度測(cè)試。
[0050]本設(shè)計(jì)方法中采用的一個(gè)卷積神經(jīng)網(wǎng)絡(luò)分類器模型實(shí)例為3層卷積-池化層， batch size=81，具體為:Convl(12X12X48)— Pooll(Max, 5X5，stride=2)— Conv2(5 X5X48)^ Pool2(Ave , 3 X 3 , stride=2) ^ Conv3(9 X 9 X 96)^ Pool3(Ave , 5 X 5 , stride=2)^ Softmax〇
[0051]上述說明中，凡未加特別說明的，均采用現(xiàn)有技術(shù)中的技術(shù)手段。
【主權(quán)項(xiàng)】
1.一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特征在于，包括如下步驟，A.將不同價(jià)格的菜品分裝在不同形狀的餐具中，使餐具的形狀與菜品價(jià)格進(jìn)行關(guān)聯(lián)；B.將盛裝菜品的餐盤置于檢測(cè)區(qū)，觸發(fā)信號(hào)觸發(fā)相機(jī)拍攝餐盤圖像；C.系統(tǒng)讀取餐盤圖像，檢測(cè)餐盤圖像中各個(gè)菜品所在的容器區(qū)域，分割各容器區(qū)域得 到單菜品圖片，并將所述的單菜品圖片組成單菜品圖像組；D.通過訓(xùn)練得到分類器，將所述的單菜品圖像組通過預(yù)先訓(xùn)練好的分類器進(jìn)行識(shí)別；E.輸出檢測(cè)到的各餐具區(qū)域?qū)?yīng)的菜品信息，并合并價(jià)格計(jì)算得到總價(jià)。2.根據(jù)權(quán)利要求1所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特征 在于，所述的步驟C中，檢測(cè)餐盤圖像中各個(gè)菜品所在的容器區(qū)域包括如下步驟:C01、采用canny算子提取邊緣線，通過所述的邊緣線斷點(diǎn)連接、邊緣線長(zhǎng)度篩選，調(diào)整 篩選目標(biāo)邊緣；C02、獲取邊緣線最小外接圓區(qū)域作為興趣區(qū)域；C03、遍歷所述的興趣區(qū)域，篩選特定面積范圍的興趣區(qū)域作為目標(biāo)區(qū)域，得到容器區(qū)域。3.根據(jù)權(quán)利要求1中所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特 征在于，所述的分類器，是一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型。4.根據(jù)權(quán)利要求3中所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特 征在于，所述的步驟D中，先讀取單菜品圖像組中的單菜品圖片，將所述的單菜品圖片歸一 化為統(tǒng)一尺寸，再通過卷積層、池化層、全連接層來提取特征。5.根據(jù)權(quán)利要求4所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特征 在于，所述卷積層的卷積核初始值采用PCA主成分分析法得到。6.根據(jù)權(quán)利要求5所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特征 在于，所述的PCA主成分分析法包括如下步驟:從每張訓(xùn)練圖片中隨機(jī)切割10-50個(gè)12X12 像素大小的patches，再?gòu)乃星械胮atches中隨機(jī)選取10000-20000個(gè)，PCA得到若干個(gè)主 成分，將均值化、白化后的若干個(gè)主成分patches保存作為卷積層1卷積核的初始值。7.根據(jù)權(quán)利要求3或4所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特 征在于，所述的分類器采用softmax回歸分類模型對(duì)提取的特征進(jìn)行分類。8.根據(jù)權(quán)利要求1所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特征 在于:所述的步驟B中，所述的觸發(fā)信號(hào)為壓力感應(yīng)信號(hào)。9.根據(jù)權(quán)利要求1所述的一種基于餐具形狀的菜品自動(dòng)識(shí)別系統(tǒng)的計(jì)價(jià)方法，其特征 在于:所述的分類器的訓(xùn)練涉及隨機(jī)梯度下降的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，步驟包括:先載入包括 單菜品圖片的訓(xùn)練組單菜品圖集，將所述的單菜品圖片歸一化為統(tǒng)一尺寸，S1、前向傳播；S2、計(jì)算代價(jià)函數(shù)；S3、反向傳播:計(jì)算所述的分類器模型的各層殘差；S4、計(jì)算所述的分類器模型的各層系數(shù)的梯度；S5、根據(jù)梯度修正分類器模型系數(shù)；S6、重復(fù)步驟S1，直到達(dá)到預(yù)設(shè)迭代次數(shù)或代價(jià)低于預(yù)設(shè)閾值。
【文檔編號(hào)】G06Q50/12GK106096932SQ201610391888
【公開日】2016年11月9日
【申請(qǐng)日】2016年6月6日 公開號(hào)201610391888.5, CN 106096932 A, CN 106096932A, CN 201610391888, CN-A-106096932, CN106096932 A, CN106096932A, CN201610391888, CN201610391888.5
【發(fā)明人】周柔剛, 周才健, 許允迪
【申請(qǐng)人】杭州匯萃智能科技有限公司