[发明专利]一种基于深度迁移学习模型的蘑菇识别方法

说明书

本发明公开了一种基于深度迁移学习模型的蘑菇识别方法，将基于深度学习的迁移学习与蘑菇识别相融合，通过迁移学习经典模型后，挑选精确率最高模型并对其进行模型调整，提取图像数据中的向量特征得到识别结果。本发明保留图像背景等环境因素实验得到95.1％的精确率，同时通过混合矩阵图像说明了对于每类蘑菇识别率均达到了较高的水平，可以说明迁移学习对不同复杂环境处理，模型鲁棒性强的优势。本发明对提取特征进行不同维度的数据降维处理，同时引入多种机器学习方法进行分类。从训练模型时间参数与验证集精确率参数对结果进行对比分析，保证了实验对比的多样性与图像识别的可靠性。

技术领域

本发明涉及一种蘑菇的种类识别方法，涉及一种基于深度迁移学习模型的蘑菇识别方法。

背景技术

蘑菇在很多省份都占据着农业的一定比例，像蘑菇大省山东省、黑龙江省等。因此蘑菇识别有其必要性，该研究的完成有利于蘑菇产业的发展，惠及大量的菇农、菌类研究者以及相关专业学生。从另外一种角度来说，每年因为误食毒蘑菇的人数逐步增加。

对于识别蘑菇种类现一般采用传统经验法，通常依赖于菌类研究者通过观察蘑菇的菌丝、形态等多方面特征进行鉴别。此识别方法对识别者要求高，需要有相应的经验作为知识支撑，并且不同蘑菇的特征各有差异，判断准确率受识别者主观影响，且误判率高。对于过往的传统机器学习，特征提取过程中由于需要人工不断的进行实验与调整模型微参数，实验趋势往往具有很大不确定性，需要花耗较大的时间计算成本。同时，目前许多现有的智能识别方法仅停留在实验阶段，缺乏与用户进行交互的应用设计。

近年来，深度学习在图像识别、语音处理等多个研究方向上有许多新的突破。从近年研究上可以看出，深度卷积神经网络可以从图像中学习出具有判别力的纹理特征，相较于传统机器学习，深度学习模型的高效性与泛化性使其成为图像识别的一种有效方法。

发明内容

为了使判断者更加快速、简单、客观的得知结果，本发明提供了一种基于深度迁移学习模型的蘑菇识别方法。该方法可以实现通过识别不同蘑菇的图片，达到蘑菇种类识别的作用。

本发明的目的是通过以下技术方案实现的：

一种基于深度迁移学习模型的蘑菇识别方法，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；