[发明专利]一种改进ResNet网络结构的鱼类图像识别方法

权利要求书

1.一种改进ResNet网络结构的鱼类图像识别方法，其特征在于，包括如下步骤：

S1、构建鱼类识别数据集，并对数据集进行预处理；

S2、对输入图片进行卷积处理，使得卷积计算后的图片大小为：

其中，n为图片输入大小，f为卷积核大小，h为卷积深度，s为卷积步长；

S3、通过多个DenseBlock、多个TransitionLayer构建成改进的ResNet网络，其中DenseBlock为稠密连接模块，Transition Layer为过渡层；

S4、将原三维的数据降维，并与全连接层实现关联，准备SoftMax分类；

S5、输出识别结果，获得分类概率。

2.根据权利要求1所述的一种改进ResNet网络结构的鱼类图像识别方法，其特征在于，所述S1步骤中图片的种类与大小如下：

输入图片种类为生态鳙鱼以及池塘鳙鱼，图片大小为224×224×3。

3.根据权利要求2所述的一种改进ResNet网络结构的鱼类图像识别方法，其特征在于，所述S3中Dense Block模块构建如下:

Dense Block是由L层Dense Layer组成，layer之间是Dense Connectivity，第L层的输出是：

其中H_l为该层的计算函数，输入是x₀,x₁,.....，x_l-1的拼接即模型的原始输出x₀与之前的每层输出拼接；

对H_l函数采取三个连续操作：BN-ReLU-Conv(1×1)-BN-ReLU-Conv(3×3)-Dropout；

BN为批量标准化计算：

其中，γ，β为学习重构参数，BN计算之后特征图维度不发生变化；

ReLU为非线性激活函数计算：

f(x)＝max(0,x)

其中ReLU计算之后特征图维度不发生变化。

4.根据权利要求3所述的一种改进ResNet网络结构的鱼类图像识别方法，其特征在于，所述其特征在于，所述S3中Transition Layer为过渡层构建如下:

过渡层是由1×1的卷积层conv，2×2池化层pooling组成；

在卷积网络CNN中下采样进行降维，引出过渡层级联多个Dense Block模块，并对DenseBlock模块中卷积层输出大小进行统一。