[發明專利]基于改進的深度神經網絡的花卉圖像分類方法

有效

• 申請號: 201810854879.4
• 申請日: 2018-07-30
• 公開（公告）號: CN109190666B
• 公開（公告）日: 2022-04-29
• 發明（設計）人: 劉秀磊;吳迪;劉旭紅;李紅臣;劉婷
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京青松知識產權代理事務所(特殊普通合伙) 11384
• 代理人: 鄭青松

1.一種基于改進的深度神經網絡的花卉圖像分類方法，其特征在于，包括：

將基礎InceptionV3網絡在大規模數據集上進行訓練，得到預訓練網絡；其中，在InceptionV3中，使用RMSProp作為優化器，在類別全連接層后加入LSR層，采用三個3×3卷積核；

對所述預訓練網絡進行改進，得到適用于花卉識別的數據集的改進的網絡，所述數據集包括訓練數據集和測試數據集；

將改進的網絡遷移到所述訓練數據集上進行遷移訓練，得到遷移訓練后的網絡；其中，保持原始InceptionV3部分的網絡權重不變，利用所述訓練數據集訓練最后4層的網絡的參數，從而得到遷移訓練后的網絡；使用優化器RMSprop訓練參數，在訓練過程中，梯度下降時，每個批次包含32個樣本，迭代輪數設為30輪；

將遷移訓練后的網絡的激活函數修改為基于Tanh與ReLU函數校正之后的Tanh-ReLU函數，得到改進激活函數后的網絡；

將改進激活函數后的網絡微調到所述訓練數據集，進行微調訓練，得到微調訓練后的網絡；以及

將所述測試數據集輸入所述微調訓練后的網絡，以對花卉圖像進行分類；

其中，所述對所述預訓練網絡進行改進，得到適用于花卉識別的數據集的改進的網絡包括：刪除所述預訓練網絡的最后一層全連接層，加入一層全局平均池化層，并在全局平均池化層后加入第一全連接層，以及在所述第一全連接層后加入第二全連接層，從而得到所述改進網絡；其中，所述第一全連接層含有1024個節點，激活函數采用Relu，并采用Dropout處理，概率設置為0.5；所述第二全連接層的激活函數采用Softmax，輸出節點為102類。

2.根據權利要求1所述的方法，其特征在于，所述Tanh-ReLU函數的表達式為：

3.根據權利要求1或2所述的方法，其特征在于，所述將改進激活函數后的網絡微調到所述訓練數據集，進行微調訓練，得到微調訓練后的網絡包括：凍結改進激活函數后的網絡中前兩個初始塊的參數，使該兩個初始塊的參數的值在訓練中保持不變，利用所述訓練數據集重新訓練其余層的參數，從而得到微調訓練后的網絡；

其中，使用優化器SGD訓練參數，學習率設為0.001，動量參數設為0.9，損失函數使用交叉熵損失函數，在訓練過程中，梯度下降時，每個批次包含32個樣本，迭代輪數設為30輪。

4.根據權利要求1所述的方法，其特征在于，所述數據集通過數據增強進行處理。

5.根據權利要求4 所述的方法，其特征在于，所述數據集通過數據增強進行處理包括：

對圖片進行不同角度的傾斜，并且進行水平和垂直圖像旋轉，以增加樣本數量；

對圖片進行80％大小的隨機裁剪和80％到120％的隨機縮放，以增加樣本數量；以及

適當增加圖片的高斯噪聲。