[发明专利]一种基于深度迁移学习模型的蘑菇识别方法

权利要求书

1.一种基于深度迁移学习模型的蘑菇识别方法，其特征在于所述方法包括如下步骤：

步骤一、蘑菇数据集获取及其预处理：

(1)根据数据集大小选择图像数据集中训练集与验证集的比例划分；

(2)采用图像数据增强的方法对蘑菇图像数据进行处理，增加原始图像数据的样本量；

步骤二、迁移学习：

(1)选择在ImageNet大规模数据上预训练的Xception、InceptionResNetV2、Efficientnet-B3、Dense-201和ResNet50五种经典模型，将原始图像数据依次传入五个预训练的网络中，寻找到最后验证集精度最高的一个网络作为实验基准模型；

(2)网络迁移过程中，保持原模型及其权重参数不变，建立BatchNormalization，对模型输出进行归一化处理，之后建立不同大小全连接层，激活函数设为Relu函数；

(3)搭建分类层，激活函数为Softmax函数，设置输出神经元个数；

步骤三、模型调整：

(1)添加全连接层：对步骤二中通过初步实验得到的验证集精度最高的模型进行微参数与结构调整处理，将其原最后一层对1000种类进行分类替换为全连接层，并设置输入与输出节点参数；

(2)在全连接层中建立Dropout层，对数据进行过拟合处理，增加模型的泛化性；

(3)模型编译时，采用余弦退火函数CosineAnnealingLR调整学习率；

步骤四、模型调整实验步骤：

(1)调整模型微参数，以优化器种类、初始学习率为自变量分别进行实验；

(2)对最优模型与搭建的全连接层设置不同初始学习率进行实验；

(3)全新训练选中模型检测全新学习下实验的准确率，比较采用迁移学习模型参数的优劣性；

(4)特征降维、调整分类器：采用PCA/KPCA方式对最优模型的某层输出特征进行数据降维处理，同时引入多种机器学习方法作为分类器对经过降维处理的特征进行训练，最后采用K折交叉验证方法对机器学习分类模型的性能进行模型评价；

(5)将蘑菇图像数据进行数据增强处理，并按照上述步骤三和步骤四依次进行实验，寻找使得模型验证集精度最高的实验方案，同时对不同方案结果进行基于训练模型时间参数和图像验证集精度参数的对比分析；

步骤五、模型结果预测与分析

(1)绘制混淆矩阵：利用混淆矩阵对验证集数据结果进行分析，并以此为条件进行数据集的筛查与清理，同时观察不同种类数据之间的数据相关性情况；

(2)计算每种蘑菇验证集图片平均识别速度，查看最优调整后的模型对数据集中每一张图片的识别速度，并进行分类统计。

2.根据权利要求1所述的基于深度迁移学习模型的蘑菇识别方法，其特征在于所述余弦退火函数的公式如公式(1)所示：

其中，η_t为当前学习率，η_max为初始学习率，T_cur为当前实验epoch轮次，η_min表示学习率衰减时的最小值，T_max为一个学习率周期的epoch迭代次数。