[发明专利]基于双路卷积神经网络的玉米制种果穗筛分方法及装置

权利要求书

1.一种基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，包括：

采集玉米制种果穗图像；

将所述玉米制种果穗图像输入至双路卷积神经网络，输出所述玉米制种果穗图像对应的玉米制种果穗种类；其中，所述双路卷积神经网络是根据带有玉米制种果穗种类标签的玉米制种果穗图像进行训练后获得的；

相应地，所述双路卷积神经网络包括并行的第一支路模型和第二支路模型，所述第一支路模型和所述第二支路模型用于同步对所述玉米制种果穗图像进行特征提取；所述第一支路模型和所述第二支路模型均为深度卷积神经网络。

2.根据权利要求1所述的基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，所述双路卷积神经网络还包括融合分类模型，所述第一支路模型的输出端和所述第二支路模型的输出端分别与所述融合分类模型的输入端相连，所述融合分类模型对经过所述第一支路模型和所述第二支路模型处理后的玉米制种果穗图像进行融合和分类。

3.根据权利要求2所述的基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，所述将所述玉米制种果穗图像输入至双路卷积神经网络，输出所述玉米制种果穗图像对应的玉米制种果穗种类，具体包括：

分别基于所述第一支路模型和所述第二支路模型对所述玉米制种果穗图像进行特征提取，并获取相应的特征向量；

基于融合分类模型对所述第一支路模型和所述第二支路模型分别提取的所述相应的特征向量进行融合，并根据融合后的特征向量分类后获取所述玉米制种果穗图像对应的玉米制种果穗种类。

4.根据权利要求3所述的基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，所述第一支路模型为VGG-16模型，所述第二支路模型为ResNet-50模型，所述融合分类模型包括SoftMax分类层，所述SoftMax分类层的分类数为玉米制种果穗种类的类别数。

5.根据权利要求3所述的基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，所述基于第一支路模型对所述玉米制种果穗图像进行特征提取之前，还包括：

利用ImageNet图像分类数据库分别对所述第一支路模型和所述第二支路模型的网络参数进行初始化。

6.根据权利要求4所述的基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，所述基于第一支路模型对所述玉米制种果穗图像进行特征提取之前，还包括：

将所述VGG-16模型的卷积层和全连接层的ReLU函数修正为PReLU函数。

7.根据权利要求3所述的基于双路卷积神经网络的玉米制种果穗筛分方法，其特征在于，所述玉米制种果穗种类根据所述玉米制种果穗图像划分获得，所述玉米制种果穗种类包括正常玉米制种果穗、带苞叶玉米制种果穗和异常玉米制种果穗。

8.一种基于双路卷积神经网络的玉米制种果穗筛分装置，其特征在于，包括：

采集模块，用于采集玉米制种果穗图像；

分类模块，用于将所述玉米制种果穗图像输入至双路卷积神经网络，输出所述玉米制种果穗图像对应的玉米制种果穗种类；其中，所述双路卷积神经网络是根据带有玉米制种果穗种类标签的玉米制种果穗图像进行训练后获得的；

相应地，所述双路卷积神经网络包括并行的第一支路模型和第二支路模型，所述第一支路模型和第二支路模型用于同步对所述玉米制种果穗图像进行特征提取；所述第一支路模型和所述第二支路模型均为深度卷积神经网络。

9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于双路卷积神经网络的玉米制种果穗筛分方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于双路卷积神经网络的玉米制种果穗筛分方法。