[发明专利]基于卷积神经网络的蚊虫识别方法

权利要求书

1.一种基于卷积神经网络的蚊虫识别方法，其特征在于，构建蚊虫数据集，构建并训练卷积神经网络，将卷积神经网络输出的向量与类别和位置相对应，对蚊虫数据集中的蚊虫进行识别，该方法的步骤如下：

(1)构建特征提取模块：

(1a)搭建一个14层的特征提取模块，其结构依次为：第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第七卷积层→第三池化层→第八卷积层→第九卷积层→第十卷积层→第四池化层；

(1b)将第一至第十卷积层中卷积核的个数分别设置为32，32，64，64，128，128，128，128，128，128，卷积核的大小均设置为3×3，步长均设置为1，第一至第四池化层均采用最大池化的方式，池化区域核的大小均设置为2×2，步长均设置为2；

(2)构建前景预测模块：

(2a)搭建由三个卷积层组成的前景预测模块，其结构依次为：第十一卷积层→第十二卷积层→第十三卷积层；所述第十一卷积层与第十二卷积层和第十三卷积层并联；

(2b)将第十一、第十二、第十三卷积层的卷积核的大小分别设置为3×3，1×1，1×1，卷积核的个数分别设置为128，2，8，步长均设置为1；

(3)构建识别和定位模块：

(3a)搭建一个识别和定位模块，其结构依次为：第五池化层→第一全连接层→第二全连接层→第三全连接层→第四全连接层；所述第二全连接层与第三全连接层和第四全连接层并联；

(3b)将第五池化层设置为最大池化方式，池化区域核的大小设置为2×2，步长设置为2，第一、第二、第三、第四全连接层的神经元个数分别设置为1024，1024，4，16，所述第一、第二全连接层的每个神经元的值表示蚊虫在不同类别上的响应，第三全连接层中每个神经元中值经过归一化后分别表示蚊虫对于每个类别的概率分数，第四全连接层中每个神经元的值分别表示蚊虫对于每个类别的左上角和右下角的坐标位置；

(4)将特征提取模块、位置预测模块、识别和定位模块依次连接组成卷积神经网络；

(5)构建蚊虫数据集：

(5a)使用蚊虫捕捉装置在户外每隔30s拍摄一张蚊虫图片，图片大小均为3280×2464，从拍摄的图片中挑选出至少450张含有蚊虫目标的图片；

(5b)对每张蚊虫图片中的蚊虫进行标注，记录标注蚊虫所用的每个外接矩形框的各顶点坐标和其代表的类别，每张图片对应生成一个xml格式的标注文件；将所有的图片放到名为JPEGImages的文件夹中，将所有的xml格式的标注文件放到Annotations文件夹中，得到蚊虫数据集；

(6)训练卷积神经网络：

(6a)将蚊虫数据集按9：2的比例随机分为训练集和测试集；

(6b)将训练集输入到卷积神经网络中，用梯度下降法更新卷积神经网络的权值20000次，得到训练好的卷积神经网络；

(7)对蚊虫图片进行识别：

(7a)将蚊虫数据集的测试集中的图片依次输入到训练好的卷积神经网络中，输出两个分别包含类别和位置信息的特征向量；

(7b)从类别特征向量所包含的蚊虫属于每类的概率分数中选择最高概率对应的类别作为测试样本的类别标签，从位置特征向量中选择与类别标签对应的坐标位置作为测试样本的位置标签，获得蚊虫的类别和位置。

2.根据权利要求1所述的基于卷积神经网络的蚊虫识别方法，其特征在于，步骤(3b)中所述的第三全连接层和第四全连接层的神经元的总数是按照下式设置的：

N₃＝C+1

N₄＝(C+1)×4

其中，N₃表示第三全连接层神经元的总数，C表示蚊虫类别的总数，N₄表示第四全连接层神经元的总数。

3.根据权利要求1所述的基于卷积神经网络的蚊虫识别方法，其特征在于，步骤(6b)中所述的梯度下降法的步骤如下：

第一步，将卷积网络的学习率设置为0.001；

第二步，将卷积网络的输出值与类别标签值的差值作为梯度值；

第三步，利用下式，更新卷积神经网络的权值：

其中，表示更新后的卷积神经网络的权值，←表示赋值操作，θ表示卷积神经网络自身随机生成服从高斯分布的权值，表示卷积神经网络的梯度值。