[發明專利]一種基于深度遷移學習模型的蘑菇識別方法

有效

• 申請號: 202010437569.X
• 申請日: 2020-05-21
• 公開（公告）號: CN111611924B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 黃英來;沈若蘭;孫曉芳;孫海龍;于慧伶;孟詩語
• 申請（專利權）人: 東北林業大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/771;G06V20/10;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 哈爾濱龍科專利代理有限公司 23206
• 代理人: 高媛

本發明公開了一種基于深度遷移學習模型的蘑菇識別方法，將基于深度學習的遷移學習與蘑菇識別相融合，通過遷移學習經典模型后，挑選精確率最高模型并對其進行模型調整，提取圖像數據中的向量特征得到識別結果。本發明保留圖像背景等環境因素實驗得到95.1％的精確率，同時通過混合矩陣圖像說明了對于每類蘑菇識別率均達到了較高的水平，可以說明遷移學習對不同復雜環境處理，模型魯棒性強的優勢。本發明對提取特征進行不同維度的數據降維處理，同時引入多種機器學習方法進行分類。從訓練模型時間參數與驗證集精確率參數對結果進行對比分析，保證了實驗對比的多樣性與圖像識別的可靠性。

技術領域

本發明涉及一種蘑菇的種類識別方法，涉及一種基于深度遷移學習模型的蘑菇識別方法。

背景技術

蘑菇在很多省份都占據著農業的一定比例，像蘑菇大省山東省、黑龍江省等。因此蘑菇識別有其必要性，該研究的完成有利于蘑菇產業的發展，惠及大量的菇農、菌類研究者以及相關專業學生。從另外一種角度來說，每年因為誤食毒蘑菇的人數逐步增加。

對于識別蘑菇種類現一般采用傳統經驗法，通常依賴于菌類研究者通過觀察蘑菇的菌絲、形態等多方面特征進行鑒別。此識別方法對識別者要求高，需要有相應的經驗作為知識支撐，并且不同蘑菇的特征各有差異，判斷準確率受識別者主觀影響，且誤判率高。對于過往的傳統機器學習，特征提取過程中由于需要人工不斷的進行實驗與調整模型微參數，實驗趨勢往往具有很大不確定性，需要花耗較大的時間計算成本。同時，目前許多現有的智能識別方法僅停留在實驗階段，缺乏與用戶進行交互的應用設計。

近年來，深度學習在圖像識別、語音處理等多個研究方向上有許多新的突破。從近年研究上可以看出，深度卷積神經網絡可以從圖像中學習出具有判別力的紋理特征，相較于傳統機器學習，深度學習模型的高效性與泛化性使其成為圖像識別的一種有效方法。

發明內容

為了使判斷者更加快速、簡單、客觀的得知結果，本發明提供了一種基于深度遷移學習模型的蘑菇識別方法。該方法可以實現通過識別不同蘑菇的圖片，達到蘑菇種類識別的作用。

本發明的目的是通過以下技術方案實現的：

一種基于深度遷移學習模型的蘑菇識別方法，包括如下步驟：

步驟一、蘑菇數據集獲取及其預處理：

(1)根據數據集大小選擇圖像數據集中訓練集與驗證集的比例劃分；

(2)采用圖像數據增強的方法對蘑菇圖像數據進行處理，增加原始圖像數據的樣本量；

步驟二、遷移學習：

(1)選擇在ImageNet大規模數據上預訓練的Xception、 InceptionResNetV2、Efficientnet-B3、Dense-201和ResNet50五種經典模型，將原始圖像數據依次傳入五個預訓練的網絡中，尋找到最后驗證集精度最高的一個網絡作為實驗基準模型；

(2)網絡遷移過程中，保持原模型及其權重參數不變，建立 BatchNormalization，對模型輸出進行歸一化處理，之后建立不同大小全連接層，激活函數設為Relu函數；

(3)搭建分類層，激活函數為Softmax函數，設置輸出神經元個數；

步驟三、模型調整：

(1)添加全連接層：對步驟二中通過初步實驗得到的驗證集精度最高的模型進行微參數與結構調整處理，將其原最后一層對1000 種類進行分類替換為全連接層，并設置輸入與輸出節點參數；

(2)在全連接層中建立Dropout層，對數據進行過擬合處理，增加模型的泛化性；

(3)模型編譯時，采用余弦退火函數CosineAnnealingLR調整學習率；