[发明专利]一种基于深度学习的山核桃常见害虫识别方法

权利要求书

1.一种基于深度学习的山核桃害虫识别分类方法，其特征在于：该方法包括以下步骤：

S1，采集山核桃害虫样本图像数据；

S2，对山核桃害虫样本图像数据进行处理，得到处理后的山核桃害虫样本图像数据集；

S3，采用VGG卷积神经网络模型，并对VGG卷积神经网络模型进行优化；

S4，利用优化后的VGG卷积神经网络模型进行目标害虫识别分类。

2.根据权利要求1所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：所述步骤S1中，采集山核桃害虫不同成长阶段的图像数据。

3.根据权利要求1所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：所述步骤S2中，包括以下步骤：

S21处理山核桃害虫样本图像数据中错误和重复的数据；

S22采用数据增强的方式扩充山核桃害虫样本图像数据。

4.根据权利要求1所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：所述步骤S3包括以下步骤：

S300，选择VGG卷积神经网络模型的结构A作为基础VGG卷积神经网络模型；

S301，从处理后的山核桃害虫样本图像数据集中选取训练集和验证集，利用训练集训练VGG卷积神经网络模型；

S302，通过调整所述基础VGG卷积神经网络模型中每个层组中每个卷积层的卷积核数目，对所述基础VGG卷积神经网络模型进行训练优化；

S303，选择全卷积层代替基础VGG卷积神经网络模型中的全连接层，在卷积层和池化层所提取的特征数据基础上完成最后的分类工作；

S304，通过调整所述全卷积层的宽度对所述基础VGG卷积神经网络模型进行再次训练优化；

S305，选择多类别分类的softmax交叉熵代价函数构建分类器。

5.根据权利要求4所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：所述步骤S302中，调整所述基础VGG卷积神经网络模型中每个层组中每个卷积层的卷积核数目，得到四种基础VGG卷积神经网络模型，分别为：Conv1,2,3,4,5:64-128-256-256-256模型结构、Conv1,2,3,4,5:64-128-128-128-128模型结构、Conv1,2,3,4,5:64-128-64-64-128模型结构和Conv1,2,3,4,5:64-64-64-64-64模型结构；将该四种基础VGG卷积神经网络模型和原VGG卷积神经网络模型的结构A分别进行运行，从而对基础VGG卷积神经网络模型进行训练优化。

6.根据权利要求4所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：调整所述基础VGG卷积神经网络模型中每个层组中每个卷积层的卷积核数目，得到基础VGG卷积神经网络模型：Conv1,2,3,4,5:64-128-64-64-128模型结构，作为基础VGG卷积神经网络模型。

7.根据权利要求4所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：包括以下步骤：

采用dropout抑制过拟合问题对优化后的VGG卷积神经网络模型进行训练优化，选择不同的优化算法和不同的dropout概率来进行训练实验，分析优化算法和dropout概率与识别模型准确率之间的关系，选择合适的优化算法和dropout概率对VGG卷积神经网络模型进行再次优化。

8.根据权利要求7所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：所述优化算法包括RMSPro和Adam两种优化算法。

9.根据权利要求7所述的基于深度学习的山核桃害虫识别分类方法，其特征在于：选择不同的优化算法和以下三种dropout概率来进行训练实验，所述dropout概率取0.5、0.7和0.9。