[发明专利]一种加入Dropout的卷积神经网络的果蔬图像识别方法

说明书

技术领域

本发明涉及深度神经网络技术领域，特别是一种加入Dropout的卷积神经网络的果蔬图像识别方法。

背景技术

智能冰箱的果蔬识别可帮助商家收集用户果蔬产品的消耗情况，利用该数据分析出用户喜好，商家可通过终端APP适时向用户做出果蔬产品以及个性化食谱推荐，或提醒用户尽快食用冰箱中即将过期的食品。目前大多数对果蔬图像的识别分类都是基于机器视觉的研究，采用人工提取果蔬颜色，纹理，形状等特征，然后用分类器识别。人工提取特征繁琐，提取到的特征片面，且容易受外界如光照等因素的变化，鲁棒性不强。

鉴于上述原因，本发明提出一种加入Dropout的卷积神经网络的果蔬图像识别方法，卷积神经网络是一类可以直接以2D图像作为输入的深度神经网络，这种自主从隐含层中逐层选取图像物体由边、颜色等低层到角点、形状等高层特征的方式，避免了人工提取特征的繁琐与片面，使网络具有自主选取特征并进行学习与识别的能力。卷积神经网络还具有良好的容错能力，自适应能力强，对特定的遮挡、光照、平移、旋转、缩放及其他形式的扭曲都具有良好的鲁棒性，非常适合用于处理该类果蔬识别问题。

对于传统的卷积神经网络，当需要训练的样本集不大时，容易引起“过拟合”，从而导致识别率降低。

发明内容

有鉴于此，本发明的目的是提出一种加入Dropout的卷积神经网络的果蔬图像识别方法，在隐含层中引入Dropout技术，减少传统卷积神经网络中“过拟合”现象的发生。

本发明采用以下方案实现：一种加入Dropout的卷积神经网络的果蔬图像识别方法，具体包括两层卷积滤波层、两层降采样层、一层全连接层、一层输出层；通过在所述卷积滤波层中加入一定比例的随机隐退Dropout，令某些神经元冻结，使其输出为0，进而减少过拟合现象；包括以下步骤：

步骤S01：将输入图像归一化至网络所需尺寸大小；

步骤S2：进行卷积：用一个可训练的滤波器卷积输入图像，得到卷积层的特征图，其中卷积层中引入Dropout的神经元的比例为30％；

步骤S3：进行降采样：对卷积层的特征图中每个n×n的邻域求平均得到降采样层的一个值，进而使得降采样层的特征图在各个维度都比卷积层的特征图缩小了n倍；

步骤S4：进行全连接：将第二层降采样层的特征图展开成一个向量，乘上加权值并通过激活函数得到输出层神经元的输出值；

步骤S5：求出输出值与标签值的的均方误差，网络采用基于带动量项的梯度下降反向传播算法，当迭代次数满足要求时终止卷积神经网络的训练。

具体可包括以下步骤：

S01：将输入图像归一化至网络所需的尺寸大小；

S02：将所述S01中归一化后的图像通过第一层卷积滤波层得到该层的特征图；

S03：将所述S02中的特征图通过第一层降采样层得到该层的特征图；

S04：将所述S03中的特征图通过第二层卷积滤波层得到该层的特征图；

S05：将所述S04中的特征图通过第二层降采样层得到该层的特征图；

S06：将所述S05中的特征图展开成一个列向量；

S07：将所述S06中向量乘上加权通过一个非线性激活函数进行映射得到输出值；

进一步的，所述网络所需尺寸为1:1的等宽高图像。

进一步的，所述两层卷积滤波层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值，加速网络收敛。

进一步的，所述两层降采样层均采用均值采样，即对输入的上一层卷积滤波层的特征图的n×n区域求平均后作为该层的一个点。

进一步的，步骤S5中所述基于带动量项的梯度下降反向传播算法中，采用的权重更新规则为：

ω_i+1＝ω_i+ν_i+1；

其中，i为迭代次数，η为学习率，λ为权重衰减因子，ω为权重向量，v_i表示动量，α为动量项系数；为第i批训练样本D_i的损失函数在权值为ω_i时关于ω的导数的平均值。

与现有技术相比，本发明有以下有益效果：本发明提出在卷积神经网络中加入Dropout技术，即在隐含层中“冻结”一定比例的神经元，在网络训练过程中保留其当前的权值，同时将输出设定为0，而这些被选择的神经元在下次训练过程中又会恢复之前保留的取值，并再次随机选择部分神经元重复此过程。该方法可减少“过拟合”的发生，提高网络的泛化能力。

附图说明