技術(shù)特征：

1.一種基于深度學(xué)習(xí)的雞蛋胚胎分類方法，其特征在于，該方法包括：

(1)采集5日胚胎圖像并按照正常胚、中止胚、無精胚分為三類樣本；

(2)對胚胎圖像預(yù)處理，提取圖像的ROI區(qū)域并將圖像大小歸一化；

(3)結(jié)合遷移學(xué)習(xí)的方法進(jìn)行訓(xùn)練，使用AlexNet經(jīng)典網(wǎng)絡(luò)針對ImageNet預(yù)訓(xùn)練的模型，對目標(biāo)集進(jìn)行微調(diào)；

(4)利用訓(xùn)練好的模型對待測圖像進(jìn)行判別，并通過特征可視化觀察每一層特征學(xué)習(xí)的變化。

2.如權(quán)利要求1所述的方法，其特征在于，所述步驟(2)進(jìn)一步包括：二值化處理，選取閾值20對圖像進(jìn)行二值化處理；然后從二值圖像中檢索輪廓，遍歷輪廓中的每個點，提取圖像的ROI區(qū)域；對提取的ROI區(qū)域歸一化處理，將圖像歸一化到227*227大小，以便于作為后續(xù)CNN網(wǎng)絡(luò)的輸入。

3.如權(quán)利要求1所述的方法，其特征在于，所述步驟(3)中遷移學(xué)習(xí)的方法，使用該方法訓(xùn)練的步驟進(jìn)一步包括：利用Alexnet經(jīng)典網(wǎng)絡(luò)，將在Image數(shù)據(jù)集上預(yù)訓(xùn)練得到的模型bvlc_reference_caffenet應(yīng)用在雞蛋胚胎分類任務(wù)中，該模型由5個卷積層、3個最大池化層和3個全連接層組成；激活函數(shù)采用relu函數(shù)，還用到了局部響應(yīng)歸一化層LRN以及防止過擬合的dropout層。

4.如權(quán)利要求3所述的方法，其特征在于，所述步驟(3)中，卷積層與全連接層參數(shù)設(shè)計中，卷積層采用Alexnet網(wǎng)絡(luò)結(jié)構(gòu)中的卷積參數(shù)設(shè)計，卷積核的大小分別為11*11、5*5、3*3、3*3、3*3，輸出特征圖的個數(shù)分別為96、256、384、384、256，每一卷積層步長分別為4、1、1、1、1，卷積層分別采用″gaussian″和″constant″初始化權(quán)重和偏置；卷積層的計算公式如下所示：

$x_j^l=f(\underset{i\∈M_j}{\mathrm{\Σ}}{x}_i^{l-1}*k_{ij}^l+b_j^l)$

其中，表示第1卷積層的第j個feature map，f(·)表示激活函數(shù)，M_j表示輸入feature map的集合，k表示卷積核，b表示偏置項；Alexnet網(wǎng)絡(luò)三個全連接層輸出神經(jīng)元數(shù)分別為4096、4096、1000，其中Alexnet中最后一個全連接層神經(jīng)元數(shù)為1000的是輸出softmax的類別數(shù)，利用預(yù)訓(xùn)練模型進(jìn)行微調(diào)時，需將該全連接層的名稱改為fc8_flickr，輸出個數(shù)改為目標(biāo)集的類別數(shù)3。

5.如權(quán)利要求3所述的方法，其特征在于，所述步驟(3)中，激活函數(shù)與dropout層設(shè)計步驟進(jìn)一步包括：激活函數(shù)選用PRelu函數(shù)，PRelu函數(shù)相比較于Relu函數(shù)，修正了數(shù)據(jù)分布，保留了負(fù)值，使負(fù)值不會完全丟失；PRelu像更新權(quán)重weights一樣使用反向傳播算法更新一個額外的參數(shù)a，但是相較于權(quán)重的數(shù)量來說，PRelu需要更新的參數(shù)總數(shù)可以忽略不計，所以不會加重overfitting的影響；PRelu的表達(dá)形式如下所示：

$P\mathrm{Re}LU\left(x_i\right)=\left\{\begin{array}{cc}{x}_i& \begin{array}{cc}if& x_i\>0\end{array}\\ a_i{x}_i& \begin{array}{cc}if& x_i\≤0\end{array}\end{array}\right.$

Dropout層按一定的概率隨機(jī)的屏蔽掉網(wǎng)絡(luò)的部分神經(jīng)元，阻止網(wǎng)絡(luò)過擬合；訓(xùn)練時，需設(shè)定一個dropout ratio＝p，即每一個輸出節(jié)點以概率p置0，本文設(shè)置為0.25；計算dropout層輸出節(jié)點置零參數(shù)p表達(dá)式為：

$y_{train}=\left\{\begin{array}{cc}\begin{array}{cc}\frac{x}{1-p}& \begin{array}{cc}if& u\>p\end{array}\\ 0& otherwise\end{array}& Where,u~U(0,1)\end{array}\right.$

其中U為Bernoulli隨機(jī)數(shù)，p代表dropout ratio。

6.如權(quán)利要求3所述的方法，其特征在于，所述步驟(3)中，訓(xùn)練模型學(xué)習(xí)參數(shù)的設(shè)計步驟如下：CNN的訓(xùn)練過程包括前向傳播與反向傳播兩個過程，利用梯度下降法對權(quán)重和偏置進(jìn)行更新，公式如下：

${W_{ij}}^{\left(l\right)}=W_{ij}^{\left(l\right)}-\mathrm{\α}\frac{\∂}{\∂W_{ij}^{\left(l\right)}}J(W,b)$

$b_i^{\left(l\right)}=b_i^{\left(l\right)}-\mathrm{\α}\frac{\∂}{\∂b_i^{\left(l\right)}}J(W,b)$

其中，J(w，b)為單個樣本的代價函數(shù)，α為學(xué)習(xí)速率；

采用caffe，框架提供的inv方式調(diào)整學(xué)習(xí)率，表達(dá)式如下：

lr＝base_lr*(1+gamma*iter)^∧(power)

其中，base_lr為基礎(chǔ)學(xué)習(xí)率，gamma為學(xué)習(xí)速率變化因子，iter為迭代次數(shù)；

對于卷積層的局部學(xué)習(xí)率調(diào)整，所有卷積層的卷積核的局部學(xué)習(xí)率和權(quán)重衰減因子設(shè)置為1，即與全局學(xué)習(xí)率保持一致；偏置項的局部學(xué)習(xí)率為全局偏置學(xué)習(xí)率的2倍，權(quán)重衰減因子為0；而對于最后一層全連接層fc8_flickr，由于修改為自己對應(yīng)的數(shù)據(jù)類別，將優(yōu)先學(xué)習(xí)權(quán)給予fc8_flickr層，這里權(quán)重局部學(xué)習(xí)率設(shè)為全局的10倍，偏置局部學(xué)習(xí)率設(shè)置為全局的20倍，是為了在非微調(diào)層學(xué)習(xí)的更快；這種學(xué)習(xí)率倍數(shù)的設(shè)置方式既可以很好的對目標(biāo)集進(jìn)行微調(diào)，又可以保留原模型的特性。

7.如權(quán)利要求1所述的方法，其特征在于，所述步驟(4)中，利用訓(xùn)練好的模型對待測圖像進(jìn)行判別以及特征可視化進(jìn)一步包括：直接使用ImageNet數(shù)據(jù)集已經(jīng)訓(xùn)練好的模型bvlc_reference_caffenet.caffemodel進(jìn)行微調(diào)，然后對訓(xùn)練集繼續(xù)訓(xùn)練；最后得到針對于自己數(shù)據(jù)的模型，該模型對采集到的特征作可視化處理，最終正確率達(dá)到99％；對各中間輸出層進(jìn)行特征可視化，通過卷積層特征圖的輸出、全連接層輸出值與直方圖分布以及最后一層′prob′輸出更直觀的觀察卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練目標(biāo)集各層的特征學(xué)習(xí)的變化。