[發明專利]一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法

在審

• 申請號: 202110274911.3
• 申請日: 2021-03-15
• 公開（公告）號: CN112966621A
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 郭紅波;王科;周冬梅;朱文杰;猶明波
• 申請（專利權）人: 四川天責信科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述柑橘蟲害識別方法包括以下幾個步驟：

步驟一：采集柑橘蟲害圖像數據信息，制作相應的訓練數據集；

步驟二：對所采集的圖像數據集進行數據增強和擴張；

步驟三：基于深度卷積網絡與遷移學習的改進InceptionV3模型搭建；

步驟四：模型權重參數加載初始化，利用自建小數據集訓練模型；

步驟五：模型訓練完成，對模型分類性能進行測試。

2.根據權利要求1所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟一中，所采用的數據集圖像為網絡下載和實地捕蟲燈誘殺拍攝，并使用圖像采集裝置進行采集，通過攝像頭拍攝獲取，再進行相關預處理。

3.根據權利要求1所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟二中，對所采集的圖像數據集進行數據增強后，增強后數據集按照7:2：1的比例，分為訓練集、測試集和驗證集，所有的訓練數據集采用one-hot編碼方式，制作圖像label。

4.根據權利要求1所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟二中數據增強的方法包括對比度增強、圖像旋轉、圖像翻轉和圖像加噪(添加椒鹽噪聲，高斯噪聲)。

5.根據權利要求1所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟三模型搭建包括：

步驟1：將InceptionV3作為特征提取網絡；

步驟2：加入多尺度融合機制，將底層特征與高層特征融合，增加特征語義信息；

步驟3：采用categorical crossentropy作為分類損失函數。

6.根據權利要求5所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟1中，特征提取模塊加入采用了3種不同的Inception模塊組合，利用多尺度模型特征融合的方法，強化特征語義信息；InceptionV3引入了1x1的卷積核，達到降維的效果；以此來將大的輸入層通過1x1卷積壓縮成較小的中間層，構建合理的瓶頸層；既可以顯著縮小表示層規模，又不會降低網絡性能，從而大大減少計算成本。

7.根據權利要求5所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟1中InceptionV3模塊還采用了分解大filter size的卷積的方式，降低計算量；通過卷積的非對稱分解可以將nxn卷積分解為1xn和nx1卷積，計算量可以降低為1/n。

8.根據權利要求5所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟3中categorical crossentropy函數作為柑橘蟲害分類識別的分類損失函數，其計算公式為：

其中，i是第i個樣本，j是第j個類，t是真實標簽，p是神經網絡給出的第j個類的預測值。

9.根據權利要求1所述的一種基于深度卷積網絡與遷移學習的柑橘蟲害識別方法，其特征在于：所述步驟四包括：

步驟(1)：使用pre-training在Image Net數據集上預訓練權重模型作為InceptionV3初始化權重模型；

步驟(2)：訓練過程中，采用隨機梯度下降算法優化訓練模型，初始學習率為0.001，權重衰減為0.0001，epoch初始化為50，迭代到第30個epoch，學習率降為上階段的10％，迭代到第45個epoch，學習率再降為上階段10％，batch_size設為32。