[发明专利]一种基于深度卷积神经网络的双翅目昆虫识别方法

权利要求书

1.一种基于深度卷积神经网络的双翅目昆虫识别方法，其特征在于，包括以下步骤：

S1：采集双翅目昆虫图像，制作双翅目昆虫图像的数据集；

S2：对所述数据集进行数据增强，将增强后的所述数据集按照比例为8:1:1，且每种双翅目昆虫图像数量均等的方式进行分类，分为训练集、验证集和测试集，通过labelImg图像标注工具对所述数据集中的双翅目昆虫进行标注生成XML格式的标注图像；

所述数据集进行数据增强包括：对所述数据集图像进行90°旋转，所述数据集图像缩放20％并进行局部模糊处理；

S3：构建改进的RetinaNet目标检测模型；

S4：设置训练参数，通过所述数据集训练所述RetinaNet目标检测模型；

S5：基于训练完成的目标检测模型，对所述双翅目昆虫的测试集图像进行分类和定位。

2.根据权利要求1所述的一种基于深度卷积神经网络的双翅目昆虫识别方法，其特征在于，

所述步骤S1中，采集的双翅目昆虫图像为实验室标本图像，通过相机将每种双翅目昆虫标本在垂直和水平方向上，每间隔45°拍摄一幅，每种双翅目昆虫图像数量均等。

3.根据权利要求1所述的一种基于深度卷积神经网络的双翅目昆虫识别方法，其特征在于，

所述步骤S3包括以下步骤：

S31：ResNeXt网络作为特征提取网络；

S32：在所述特征提取网络中加入改进的卷积块注意力模块；

S33：改进特征金字塔网络FPN，小型全卷积网络FCN作为分类子网和回归子网；

S34：采用Focal Loss函数作为分类损失函数，KL损失函数作为边框回归损失函数。

4.根据权利要求3所述的一种基于深度卷积神经网络的双翅目昆虫识别方法，其特征在于，

所述改进的通道注意力模块具体首先输入特征图F∈R^C×H×W，分别通过average-pooling，max-pooling和mixed-pooling聚合特征图的空间信息，得到三个通道注意力向量，进入由一个隐藏层和多层感知机MLP构成的共享网络，生成三个维数为C×1×1的注意力向量，即得到的三个通道注意力向量，同时为了减少参数量，将隐藏层激活大小设置为R^C/r×1×1，激活函数为ReLU，其中r表示缩小率；到输出层增加到C以获得和特征图通道数目相同的特征向量，将三种特征向量对应位置求和，最后通过sigmoid函数生成一个维数为C×1×1的通道注意力图M_C(F)，M_C(F)表达式如下：

其中，W₀和W₁为MLP的权重，Δ为sigmoid函数，为对特征图F平均池化，为对特征图F最大池化，为对特征图F混合池化。

5.根据权利要求4所述的一种基于深度卷积神经网络的双翅目昆虫识别方法，其特征在于，

将所述的通道注意力图M_C(F)与所述特征图F逐元素相乘，得到带有通道注意力图的优化特征图F'，然后进行average-pooling，max-pooling和mixed-pooling，产生三个维数相同的特征图，连接一起后通过7×7的卷积核进行卷积操作，最后通过sigmoid函数产生二维的空间注意力图M_S(F')，M_S(F')表达式如下：

其中，f^7×7为卷积核为7×7的卷积操作，为对特征图F'平均池化，为对特征图F'最大池化，为对特征图F'混合池化。