[发明专利]一种基于深度卷积网络与迁移学习的柑橘虫害识别方法

权利要求书

1.一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述柑橘虫害识别方法包括以下几个步骤：

步骤一：采集柑橘虫害图像数据信息，制作相应的训练数据集；

步骤二：对所采集的图像数据集进行数据增强和扩张；

步骤三：基于深度卷积网络与迁移学习的改进InceptionV3模型搭建；

步骤四：模型权重参数加载初始化，利用自建小数据集训练模型；

步骤五：模型训练完成，对模型分类性能进行测试。

2.根据权利要求1所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤一中，所采用的数据集图像为网络下载和实地捕虫灯诱杀拍摄，并使用图像采集装置进行采集，通过摄像头拍摄获取，再进行相关预处理。

3.根据权利要求1所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤二中，对所采集的图像数据集进行数据增强后，增强后数据集按照7:2：1的比例，分为训练集、测试集和验证集，所有的训练数据集采用one-hot编码方式，制作图像label。

4.根据权利要求1所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤二中数据增强的方法包括对比度增强、图像旋转、图像翻转和图像加噪(添加椒盐噪声，高斯噪声)。

5.根据权利要求1所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤三模型搭建包括：

步骤1：将InceptionV3作为特征提取网络；

步骤2：加入多尺度融合机制，将底层特征与高层特征融合，增加特征语义信息；

步骤3：采用categorical crossentropy作为分类损失函数。

6.根据权利要求5所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤1中，特征提取模块加入采用了3种不同的Inception模块组合，利用多尺度模型特征融合的方法，强化特征语义信息；InceptionV3引入了1x1的卷积核，达到降维的效果；以此来将大的输入层通过1x1卷积压缩成较小的中间层，构建合理的瓶颈层；既可以显著缩小表示层规模，又不会降低网络性能，从而大大减少计算成本。

7.根据权利要求5所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤1中InceptionV3模块还采用了分解大filter size的卷积的方式，降低计算量；通过卷积的非对称分解可以将nxn卷积分解为1xn和nx1卷积，计算量可以降低为1/n。

8.根据权利要求5所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤3中categorical crossentropy函数作为柑橘虫害分类识别的分类损失函数，其计算公式为：

其中，i是第i个样本，j是第j个类，t是真实标签，p是神经网络给出的第j个类的预测值。

9.根据权利要求1所述的一种基于深度卷积网络与迁移学习的柑橘虫害识别方法，其特征在于：所述步骤四包括：

步骤(1)：使用pre-training在Image Net数据集上预训练权重模型作为InceptionV3初始化权重模型；

步骤(2)：训练过程中，采用随机梯度下降算法优化训练模型，初始学习率为0.001，权重衰减为0.0001，epoch初始化为50，迭代到第30个epoch，学习率降为上阶段的10％，迭代到第45个epoch，学习率再降为上阶段10％，batch_size设为32。