[發(fā)明專利]基于MobileNet v2網(wǎng)絡改進的果實成熟度識別方法和識別系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202010622915.1
• 申請日: 2020-06-30
• 公開（公告）號: CN111652326B
• 公開（公告）日: 2023-04-28
• 發(fā)明（設計）人: 王衛(wèi)星;黃波;楊偉志;楊明欣;占旭銳;林佳翰
• 申請（專利權）人: 華南農(nóng)業(yè)大學
• 主分類號: G06V20/68
• 分類號: G06V20/68;G06V10/82;G01N21/84;G06N3/0464;G06N3/08
• 代理公司: 北京慕達星云知識產(chǎn)權代理事務所(特殊普通合伙) 11465
• 代理人: 曹鵬飛

1.一種基于MobileNet?v2網(wǎng)絡改進的果實成熟度識別方法，其特征在于，包括以下步驟：

S1、采集果實在自然場景下的不同生長期的圖像，作為原始數(shù)據(jù)集；

S2、構建MobileNet?v2網(wǎng)絡，設定超參數(shù)α和ρ，分別控制MobileNet?v2網(wǎng)絡的寬度和分辨率，并根據(jù)訓練需求對MobileNet?v2網(wǎng)絡進行精簡；S2包括：

S21、構建基于MobileNet?v2網(wǎng)絡的基礎網(wǎng)絡，通過深度可分離卷積將普通卷積分解為一個深度卷積和一個點卷積；

S22、將MobileNet?v2網(wǎng)絡精簡為12層卷積層和1層pooling層；

S23、更改MobileNet?v2網(wǎng)絡中的全連接層名稱，將類別數(shù)更改為4；

S24、將MobileNet?v2網(wǎng)絡的寬度超參數(shù)α設定為0.75，將分辨率超參數(shù)ρ設定為0.714；

S3、將MobileNet?v2網(wǎng)絡的損失函數(shù)softmax更改為A-softmax?loss函數(shù)；S3包括：

S31、在caffe框架中定義A-softmax?loss函數(shù)；MobileNet?v2網(wǎng)絡的損失函數(shù)softmax的公式如下：

其中，N為樣本總數(shù)，i為節(jié)點號，x_i為第i個節(jié)點的輸入，y_i為第i個節(jié)點的輸出類別，j表示所有類別，θ_j和θ_yi表示角度參數(shù)；

k∈[0,m-1]；m為整數(shù)，用于控制角邊界大小，且m≥1；當m＝1時，即為A-softmax?loss函數(shù)；

S32、將MobileNet?v2網(wǎng)絡的損失函數(shù)softmax更改為A-softmax?loss；

S4、將精簡和更改后的MobileNet?v2網(wǎng)絡作為果實識別網(wǎng)絡，并構建基于精簡和更改后的MobileNet?v2網(wǎng)絡的初始識別模型；

S5、利用所述原始數(shù)據(jù)集在caffe框架下對所述初始識別模型進行訓練和測試，獲取最優(yōu)識別模型。

2.根據(jù)權利要求1所述的一種基于MobileNetv2網(wǎng)絡改進的果實成熟度識別方法，其特征在于，所述步驟S1包括：

S11、利用高清數(shù)碼相機設備采集不同生長期、不同光照和不同角度下的果實彩色圖片；

S12、根據(jù)成熟度分類指標將步驟S11中的所述圖片分為未成熟、中等成熟和成熟三類，并剔除拍攝不全或干擾嚴重的圖片，構建所述原始數(shù)據(jù)集；

S13、將所述原始數(shù)據(jù)集中的圖片進行圖像翻轉(zhuǎn)、對比度增強和銳度增強處理，擴充所述原始數(shù)據(jù)集；

S14、將擴充后的所述原始數(shù)據(jù)集分為訓練集、驗證集和測試集。

3.根據(jù)權利要求1所述的一種基于MobileNetv2網(wǎng)絡改進的果實成熟度識別方法，其特征在于，所述步驟S22中精簡的卷積層為用于提取特征的卷積網(wǎng)絡。

4.根據(jù)權利要求1所述的一種基于MobileNetv2網(wǎng)絡改進的果實成熟度識別方法，其特征在于，所述步驟S24中的寬度超參數(shù)α通過改變輸出通道數(shù)和減少特征圖數(shù)量讓網(wǎng)絡變瘦；所述分辨率超參數(shù)ρ通過改變輸入數(shù)據(jù)層的分辨率減少參數(shù)。

5.根據(jù)權利要求2所述的一種基于MobileNetv2網(wǎng)絡改進的果實成熟度識別方法，其特征在于，所述步驟S5包括：

S51、在所述訓練集上訓練所述初始識別模型，利用在ImageNet網(wǎng)絡上訓練好的MobileNetv2網(wǎng)絡模型作為預訓練模型；通過遷移學習加快所述果實識別網(wǎng)絡的收斂速度，并防止過擬合；

S52、首次前向傳播時，如果所述預訓練模型和所述果實識別網(wǎng)絡結構中某層的名稱相同，則直接調(diào)用所述預訓練模型的參數(shù)，反之采用隨機高斯分布初始化該層參數(shù)；

S53、數(shù)據(jù)傳播到最后一層時，根據(jù)A-softmax?loss計算損失，并采用隨機梯度下降法，利用所述驗證集不斷優(yōu)化所述果實識別網(wǎng)絡參數(shù)，對果實圖片進行監(jiān)督學習；

S54、在訓練過程中，最大迭代次數(shù)設置為20000次，迭代10000次后每隔1000次保留一個識別模型；

S55、利用所述測試集對每個識別模型進行測試，并統(tǒng)計各個識別模型的準確率和召回率，最終選取指標最高的識別模型作為最優(yōu)識別模型。