[发明专利]基于MobileNet v2网络改进的果实成熟度识别方法和识别系统

权利要求书

1.一种基于MobileNet v2网络改进的果实成熟度识别方法，其特征在于，包括以下步骤：

S1、采集果实在自然场景下的不同生长期的图像，作为原始数据集；

S2、构建MobileNet v2网络，设定超参数α和ρ，分别控制MobileNet v2网络的宽度和分辨率，并根据训练需求对MobileNet v2网络进行精简；S2包括：

S21、构建基于MobileNet v2网络的基础网络，通过深度可分离卷积将普通卷积分解为一个深度卷积和一个点卷积；

S22、将MobileNet v2网络精简为12层卷积层和1层pooling层；

S23、更改MobileNet v2网络中的全连接层名称，将类别数更改为4；

S24、将MobileNet v2网络的宽度超参数α设定为0.75，将分辨率超参数ρ设定为0.714；

S3、将MobileNet v2网络的损失函数softmax更改为A-softmax loss函数；S3包括：

S31、在caffe框架中定义A-softmax loss函数；MobileNet v2网络的损失函数softmax的公式如下：

其中，N为样本总数，i为节点号，x_i为第i个节点的输入，y_i为第i个节点的输出类别，j表示所有类别，θ_j和θ_yi表示角度参数；

k∈[0,m-1]；m为整数，用于控制角边界大小，且m≥1；当m＝1时，即为A-softmax loss函数；

S32、将MobileNet v2网络的损失函数softmax更改为A-softmax loss；

S4、将精简和更改后的MobileNet v2网络作为果实识别网络，并构建基于精简和更改后的MobileNet v2网络的初始识别模型；

S5、利用所述原始数据集在caffe框架下对所述初始识别模型进行训练和测试，获取最优识别模型。

2.根据权利要求1所述的一种基于MobileNetv2网络改进的果实成熟度识别方法，其特征在于，所述步骤S1包括：

S11、利用高清数码相机设备采集不同生长期、不同光照和不同角度下的果实彩色图片；

S12、根据成熟度分类指标将步骤S11中的所述图片分为未成熟、中等成熟和成熟三类，并剔除拍摄不全或干扰严重的图片，构建所述原始数据集；

S13、将所述原始数据集中的图片进行图像翻转、对比度增强和锐度增强处理，扩充所述原始数据集；

S14、将扩充后的所述原始数据集分为训练集、验证集和测试集。

3.根据权利要求1所述的一种基于MobileNetv2网络改进的果实成熟度识别方法，其特征在于，所述步骤S22中精简的卷积层为用于提取特征的卷积网络。

4.根据权利要求1所述的一种基于MobileNetv2网络改进的果实成熟度识别方法，其特征在于，所述步骤S24中的宽度超参数α通过改变输出通道数和减少特征图数量让网络变瘦；所述分辨率超参数ρ通过改变输入数据层的分辨率减少参数。

5.根据权利要求2所述的一种基于MobileNetv2网络改进的果实成熟度识别方法，其特征在于，所述步骤S5包括：

S51、在所述训练集上训练所述初始识别模型，利用在ImageNet网络上训练好的MobileNetv2网络模型作为预训练模型；通过迁移学习加快所述果实识别网络的收敛速度，并防止过拟合；

S52、首次前向传播时，如果所述预训练模型和所述果实识别网络结构中某层的名称相同，则直接调用所述预训练模型的参数，反之采用随机高斯分布初始化该层参数；

S53、数据传播到最后一层时，根据A-softmax loss计算损失，并采用随机梯度下降法，利用所述验证集不断优化所述果实识别网络参数，对果实图片进行监督学习；

S54、在训练过程中，最大迭代次数设置为20000次，迭代10000次后每隔1000次保留一个识别模型；

S55、利用所述测试集对每个识别模型进行测试，并统计各个识别模型的准确率和召回率，最终选取指标最高的识别模型作为最优识别模型。