[发明专利]一种果蔬图像分类系统及方法

权利要求书

1.一种果蔬图像分类系统，包括卷积神经网络，所述卷积神经网络包括：前层，用于提取输入果蔬图像的低维特征图；中层，用于提取果蔬图像的中维特征图；后层，用于提取果蔬图像的高维特征图；其特征在于，所述果蔬图像分类系统还包括：

低维SCA注意力模块，用于识别所述前层提取的果蔬图像的低维特征图中的低维关键特征图；

低维池化层，用于对所述低维关键特征图进行池化处理；

中维SCA注意力模块，用于识别所述中层提取的果蔬图像的中维特征图中的中维关键特征图；

中维池化层，用于对所述中维关键图特征进行池化处理；

高维SCA注意力模块，用于识别所述高层提取的果蔬图像的高维特征图中的高维关键特征图；

高维池化层，用于对所述高维关键特征图进行池化处理；

多尺度特征融合模块，用于对经池化处理后的低维关键特征图、中维关键特征图、高维关键特征图进行融合处理，生成统一的特征表示；

全连接层，用于根据统一的特征表示对果蔬图像进行分类。

2.根据权利要求1所述的果蔬图像分类系统，其特征在于，所述神经网络的前层包含3个卷积层，分别为第1层、第2层、第3层；所述神经网络的中层包括1个卷积层，为第4层；所述神经网络的后层包括1个卷积层，为第5层。

3.根据权利要求1所述的果蔬图像分类系统，其特征在于，所述低维池化层、中维池化层、高维池化层均为全局平均池化层。

4.根据权利要求3所述的一种果蔬图像分类系统，其特征在于，所述低维SCA注意力模块、中维SCA注意力模块、高维SCA注意力模块均分别包括：

空间注意力模块，用于从空间维度识别对应输入特征图的空间注意力特征图；

通道注意力模块，用于从通道维度识别对应输入特征图的通道注意力特征图；

融合注意力模块，用于将从空间维度识别到的空间注意力特征图和从通道维度识别到的通道注意力特征图进行融合以得到输入特征对应的显著性权重特征图并与原始输入特征图进行乘积操作得到新的特征图。

5.根据权利要求4所述的一种果蔬图像分类系统，其特征在于，

所述空间注意力模块包括依次连接的全局平均池化层、卷积核为3x3的卷积层、双线性层、卷积核为1x1的卷积层；其中，全局平均池化层将输入的特征图转化为通道数为1的新的特征图，卷积核为3×3的卷积层对新的特征图进行卷积求出空间上关键信息，双线性层和卷积核为1×1的卷积层一起将前层输出的特征图缩放生成至和原先输入特征图尺寸相同的空间注意力特征图；

所述通道注意力模块包括：包括依次链接的全局平均池化层、卷积核为1x1的卷积层、卷积核为1x1的卷积层；其中，全局平均池化层发对输入的特征图的每个通道进行滤波以将分布在空间上的特征信息融合到一个通度信号上，两个卷积核为1X1的卷积层对滤波后的特征图进行激活操作得到和原先输入特征图尺寸相同的通道注意力特征图；

所述融合模块包括卷积核为1x1的卷积层。

6.根据权利要求5所述的一种果蔬图像分类系统，其特征在于，所述多尺度特征融合模块被配置为按照如下方式对经池化处理后的低维关键特征图、中维关键特征图、高维关键特征图进行融合处理：

其中，F表示多尺度特征融合模块的输出，Agg()表示特征融合手段对应的特征融合函数，k表示网络层尺度，N表示最底层的尺度，表示经全局平均池化层处理后的第k层特征图的平均值。

7.一种训练果蔬图像分类系统的方法，用于训练如权利要求1-6任一所述的果蔬图像分类系统，其特征在于，包括：

T1、获取果蔬图像数据集，将其划分为训练集和测试集

T2、用训练集对果蔬图像分类系统按照预设的方式进行多次训练至收敛，其中，每次训练时用验证集验证系统的分类准确率并将其与上一次训练后的系统的分类准确率进行对比，保留分类准确率高的系统进入下一次训练。