[发明专利]一种基于双分支卷积神经网络的向日葵种子分选方法

权利要求书

1.一种基于双分支卷积神经网络的向日葵种子分选方法，其特征在于，其步骤如下：

S1、利用图像采集设备获取向日葵种子的原始图像，并对向日葵种子的原始图像进行标注类标签，将标注后的向日葵种子的原始图像分成训练集和测试集；

S2、通过的图像旋转方式分别对训练集和测试集进行数据扩增，形成扩增训练集和扩增测试集；

S3、构建网络结构为输入层-特征提取层-输出层的双分支卷积神经网络；所述特征提取层的结构为茎模块-双分支密集连接模块I-双分支密集连接模块II-降采样模块I-双分支密集连接模块III-双分支密集连接模块IV-降采样模块II-双分支密集连接模块V-双分支密集连接模块VI-降采样模块III；所述茎模块包括卷积层I、卷积层II、卷积层III、卷积层IV、最大池化层I和特征拼接层I，卷积层I分别与输入层、最大池化层I和卷积层II相连接，卷积层II与卷积层III相连接，最大池化层I和卷积层III均与特征拼接层I相连接，特征拼接层I与卷积层IV相连接，卷积层IV与双分支密集连接模块I相连接；所述双分支密集连接模块I、双分支密集连接模块II、双分支密集连接模块III、双分支密集连接模块IV、双分支密集连接模块V和双分支密集连接模块VI均包括卷积层V、卷积层VI、卷积层VII、卷积层VIII、卷积层IX和特征拼接层II，卷积层V与卷积层VI相连接，卷积层VII与卷积层VIII相连接，卷积层VIII与卷积层IX相连接，卷积层VI和卷积层IX均与特征拼接层II相连接；所述输出层的结构为全局平均池化层-全连接层-Softmax分类器；

S4、将扩增训练集输入步骤S3中的双分支卷积神经网络进行训练，得到基于双分支卷积神经网络的向日葵种子分选模型；

S5、利用扩增测试集对步骤S4得到的向日葵种子分选模型进行验证，测试向日葵种子分选模型的识别能力。

2.根据权利要求1所述的基于双分支卷积神经网络的向日葵种子分选方法，其特征在于，所述步骤S1中的图像采集设备为线阵数字相机组，向日葵种子的原始图像的类标签为正常和异常。

3.根据权利要求1所述的基于双分支卷积神经网络的向日葵种子分选方法，其特征在于，所述卷积层I、卷积层II、卷积层III、卷积层IV、卷积层V、卷积层VI、卷积层VII、卷积层VIII和卷积层IX均采用了卷积层-批标准化-ReLU激活函数的顺序复合结构；所述卷积层I、卷积层III、卷积层VI、卷积层VIII和卷积层IX的卷积核大小均为3×3，所述卷积层II、卷积层IV、卷积层V和卷积层VII的卷积核大小均为1×1。

4.根据权利要求1所述的基于双分支卷积神经网络的向日葵种子分选方法，其特征在于，所述将扩增训练集输入步骤S3中的双分支卷积神经网络进行训练，得到基于双分支卷积神经网络的向日葵种子分选模型的方法为：

S41、设置双分支卷积神经网络的学习率ε，初始化网络参数θ₀，设置输入图像的分辨率为M×M×3像素，类别数量为2，初始迭代次数k＝0，最大迭代次数为T；

S42、从扩增训练集中随机选取bs张样本图像；

S43、将bs张样本图像及其对应的类标签输入双分支卷积神经网络中进行训练，利用交叉熵损失函数衡量预测值与真实值的误差；

S44、根据预测值与真实值的误差利用随机梯度下降算法更新双分支卷积神经网络的网络参数θ_k，返回步骤S43；

S45、循环步骤S42至步骤S44，直至遍历扩增训练集中所有样本；

S46、迭代次数k+1，返回步骤S42，直至达到最大迭代次数T时完成训练。

5.根据权利要求4所述的基于双分支卷积神经网络的向日葵种子分选方法，其特征在于，所述交叉熵损失函数为：

其中，x为神经网络中神经元的输出，x_j为第j个样本对应的神经元的输入，N为扩增训练集的数量。

6.根据权利要求4所述的基于双分支卷积神经网络的向日葵种子分选方法，其特征在于，所述步骤S44中利用随机梯度下降算法更新双分支卷积神经网络的网络参数θ_k的方法为：其中，为k次迭代时损失函数关于参数θ_k的偏导数，x⁽ⁱ⁾为第i个样本图像，i＝1,2,...,bs，y⁽ⁱ⁾为双分支卷积神经网络输出的预测值。