[发明专利]一种基于全卷积神经网络的真菌显微图像识别方法

权利要求书

1.一种基于全卷积神经网络的真菌显微图像识别方法，其特征在于，包括如下步骤：

步骤1，真菌图像采集与标类：采集真菌图像，同时对每张图像进行标类，得到标注好类的原始图像数据集合；

步骤2，数据预处理：对标注好类的原始图像进行缩放和裁剪处理，并对每张图像以50％概率翻转，同时进行归一化处理，得到预处理后的图像集合；

步骤3，构建神经网络：卷积神经网络总深度为11层，卷积核大小为3x3，第2、4、7层步长为2，其余层步长为1；

步骤4，训练神经网络：对所构建神经网络进行训练，以标好的对应类标作为网络监督信息，使用优化算法调整参数使网络输出和真实类标差距尽可能小，得到训练后的神经网络；

步骤5，将训练后的神经网络作为模型，测试真菌图像识别效果，并调整步骤4优化算法参数继续训练，直到验证识别准确率稳定；

步骤1包括：

步骤1-1，使用显微镜对不同类型的真菌进行拍摄，显微镜倍数为20至40倍，图像分辨率统一为640*512，图像背景色统一设置为淡蓝色，RGB值标准为rgb(153,204,255)，对所有拍摄图像施加统一亮度光照，亮度值为500sb，最终得到原始图像数据集合；

步骤1-2，对图像进行标注，取标注最多类别作为标注结果，若标注结果均不同，则图像弃用；最终取得的数据集表示为(X,Y)，其中X为原始图像数据集合，Y为类标向量，Y＝{y₁,y₂,…y_n}，其中y_i为第i张图片类标；

步骤2包括如下步骤：

步骤2-1，计算原始图像数据集合X上每个像素的均值和标准差，使用其值对每张图像进行归一化，设原始图像数据集合X上的所有图像均值图像为标准差为std，对于一张特定图像x，对其进行归一化如下：

x′为图像x归一化后的图像；

步骤2-2，对归一化后的图像进行缩放，对于分辨率不为640*512的图像，若长宽比例为640:512，直接缩放为640*512大小；若长宽比例不为640:512，先根据短边裁剪为640:512比例，再缩放为640*512大小，对缩放后的图像周围8像素进行扩张，像素值置为0，在扩张后的648*520图像上裁剪640*512的图像块，对于每个生成的图像块，以50％概率进行水平翻转；

步骤2-3，原始图像数据集合X经过步骤2-1和步骤2-2的处理后得到图像数据集X’，随机将其中90％的数据与对应的类标向量组成用于训练神经网络的图像数据集A，剩余10％的数据与对应的类标向量组成验证集B；

步骤3包括如下步骤：

步骤3-1，神经网络总深度为11层，其中前10层为卷积层，卷积核大小为3*3，第2、4、7层步长为2，其余层步长为1，对于第i层卷积层，其可训练参数包含权重W_i和偏置b_i；

步骤3-2，在每层卷积层之后添加BatchNormalization层，对于第k层的特征x^(k)，通过BatchNormalization层后得到归一化后的特征其具体计算如下：

其中E(x^(k))和Var(x^(k))分别为当前处理数据束batch的均值和方差:

x_i^(k)为数据束中第i张图片对应第k层特征向量，第i层Batch Normalization层可训练参数包括γ_i和β_i；

步骤3-3，之后添加ReLU非线性层，对于第k层特征x^(k)，其ReLU层函数ReLU(x^(k))计算过程如下：

ReLU(x^(k))＝max(0，x^(k))，

步骤3-4，第10层卷积层后为全局均值池化层，其后为Softmax层，设Softmax 层的输出向量S＝Softmax(z)，则S为K维向量，其第i维S_j计算公式如下：

其中j＝1,2…,K，K为类标总数，即Softmax层输出向量宽度取决于输入数据的类标总数，z表示Softmax层前池化层的K维输出向量，_i表示该向量第i维，神经网络输入为图像数据集A中图片，输出为值在0～1之间向量，设为P＝{p₁,p₂,…p_k}，p_i值对应于某张图片属于第i类真菌的概率；

步骤4包括如下步骤：

利用反向传播算法训练步骤3中所构建网络的参数，其中优化算法采用ADAM算法，优化最终层的Softmax函数，获得各层梯度后，更新每一层参数，参数包括卷积层权重W和偏置b，Batch Normalization参数γ_i和β_i，初始学习率λ设置为1e-4，训练持续N轮，在第n₁、n₂和n₃轮结束后，将当前学习率乘以g得到新学习率，N轮后直到网络收敛，初始N＝200，初始n₁＝80、n₂＝120，n₃＝160，初始g＝0.2；

步骤5包括：使用验证集B对步骤4中训练的神经网络进行验证，根据验证集B中的图像识别结果决定是否需要调整步骤4中所涉及的优化参数λ，n₁，n₂，n₃，g继续训练，调整方式如下：

对于λ，设调整之前值为λ₀，尝试λ₀+1e-5和λ₀-1e-5两值，若未有改进则保持原值，否则取准确率最高值，并继续调整，直到准确率不能改进为止；

对于n₁，n₂，n₃，将他们的值加10重新训练，若最终准确率较之前一次不变时停止；

对于g，设调整之前值为g₀，尝试g₀*0.9和g₀*1.1，若准确率未有改进则保持原值，否则取准确率最高值，并继续调整，直到准确率不能改进为止；

当三次验证集B准确率值不变时，判定神经网络收敛，停止训练过程，使用训练好的神经网络作为测试模型。