[發明專利]一種基于深度卷積神經網絡的雙翅目昆蟲識別方法

在審

• 申請號: 202010471036.3
• 申請日: 2020-05-28
• 公開（公告）號: CN111652247A
• 公開（公告）日: 2020-09-11
• 發明（設計）人: 陳彥彤;王俊生;張獻中
• 申請（專利權）人: 大連海事大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06N3/04;G06K9/62;G06T7/70
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

1.一種基于深度卷積神經網絡的雙翅目昆蟲識別方法，其特征在于，包括以下步驟：

S1：采集雙翅目昆蟲圖像，制作雙翅目昆蟲圖像的數據集；

S2：對所述數據集進行數據增強，將增強后的所述數據集按照比例為8:1:1，且每種雙翅目昆蟲圖像數量均等的方式進行分類，分為訓練集、驗證集和測試集，通過labelImg圖像標注工具對所述數據集中的雙翅目昆蟲進行標注生成XML格式的標注圖像；

所述數據集進行數據增強包括：對所述數據集圖像進行90°旋轉，所述數據集圖像縮放20％并進行局部模糊處理；

S3：構建改進的RetinaNet目標檢測模型；

S4：設置訓練參數，通過所述數據集訓練所述RetinaNet目標檢測模型；

S5：基于訓練完成的目標檢測模型，對所述雙翅目昆蟲的測試集圖像進行分類和定位。

2.根據權利要求1所述的一種基于深度卷積神經網絡的雙翅目昆蟲識別方法，其特征在于，

所述步驟S1中，采集的雙翅目昆蟲圖像為實驗室標本圖像，通過相機將每種雙翅目昆蟲標本在垂直和水平方向上，每間隔45°拍攝一幅，每種雙翅目昆蟲圖像數量均等。

3.根據權利要求1所述的一種基于深度卷積神經網絡的雙翅目昆蟲識別方法，其特征在于，

所述步驟S3包括以下步驟：

S31：ResNeXt網絡作為特征提取網絡；

S32：在所述特征提取網絡中加入改進的卷積塊注意力模塊；

S33：改進特征金字塔網絡FPN，小型全卷積網絡FCN作為分類子網和回歸子網；

S34：采用Focal Loss函數作為分類損失函數，KL損失函數作為邊框回歸損失函數。

4.根據權利要求3所述的一種基于深度卷積神經網絡的雙翅目昆蟲識別方法，其特征在于，

所述改進的通道注意力模塊具體首先輸入特征圖F∈R^C×H×W，分別通過average-pooling，max-pooling和mixed-pooling聚合特征圖的空間信息，得到三個通道注意力向量，進入由一個隱藏層和多層感知機MLP構成的共享網絡，生成三個維數為C×1×1的注意力向量，即得到的三個通道注意力向量，同時為了減少參數量，將隱藏層激活大小設置為R^C/r×1×1，激活函數為ReLU，其中r表示縮小率；到輸出層增加到C以獲得和特征圖通道數目相同的特征向量，將三種特征向量對應位置求和，最后通過sigmoid函數生成一個維數為C×1×1的通道注意力圖M_C(F)，M_C(F)表達式如下：

其中，W₀和W₁為MLP的權重，Δ為sigmoid函數，為對特征圖F平均池化，為對特征圖F最大池化，為對特征圖F混合池化。

5.根據權利要求4所述的一種基于深度卷積神經網絡的雙翅目昆蟲識別方法，其特征在于，

將所述的通道注意力圖M_C(F)與所述特征圖F逐元素相乘，得到帶有通道注意力圖的優化特征圖F'，然后進行average-pooling，max-pooling和mixed-pooling，產生三個維數相同的特征圖，連接一起后通過7×7的卷積核進行卷積操作，最后通過sigmoid函數產生二維的空間注意力圖M_S(F')，M_S(F')表達式如下：

其中，f^7×7為卷積核為7×7的卷積操作，為對特征圖F'平均池化，為對特征圖F'最大池化，為對特征圖F'混合池化。