[发明专利]基于深度迁移学习的水果图像分类方法

权利要求书

1.基于深度迁移学习的水果图像分类方法，其特征在于：该方法具体包括以下步骤：

S1：下载VGG16、InceptionV3和ResNet50模型在ImageNet数据集上预训练好的的初始权重；

S2：按原模型搭建VGG16网络的前13层卷积层，引用初始权重并冻结卷积层的所有参数，使卷积层参数不参与训练，然后对顶端的三层全连接层进行修改，即将第一层全连接层参数量减半，并去除第二层全连接层，将第三层全连接层的输出维度由1000改为目标分类数目，提出新的迁移模型TL-VGG16网络；

S3：按原模型搭建InceptionV3模型的卷积层，引用初始权重并冻结卷积层的所有参数，使卷积层不参与训练，并剔除Inception_4a后接的辅助分类器1，即aux_1和Inception_4d后接的辅助分类器2，即aux_2，然后将最后的输出层即主分类器的维度缩减到实际分类个数，提出新的迁移模型TL-InceptionV3；

S4：按原模型搭建ResNet50模型的卷积层，引用初始权重并冻结卷积层的所有参数，使卷积层不参与训练，然后对平均池化下采样层和全连接层进行修改，即将卷积层后接的7×7全局平均池化层用两个stride为2的3×3卷积结构替代，添加一层全连接层，将输出层维数缩减到数据集分类个数，提出新的迁移模型TL-ResNet50；

S5：将自然条件下采集的图像按照ImageNet公开数据集的图像处理方式进行图像处理，然后将处理后的图像分别输入步骤S2、S3和S4中的改进后的迁移模型进行训练；

S6：将步骤S5中训练好的模型通过加权平均法进行模型融合，将各个模型输出的类别概率进行相加求平均；

S7：基于步骤S6中的加权平均法模型融合框架，输入预测图片进行三个迁移模型的预测，输出预测概率，并将三个预测概率进行加权平均，输出融合后预测概率；

S8：将步骤S5中训练好的模型通过相对多数投票法进行模型融合，遵循少数服从多数原则，取票数最多的预测类别为输出类别；

S9：基于步骤S8中的相对多数投票法模型融合框架，输入预测图片进行三个迁移模型的预测，输出预测概率，并对三个预测概率选择票数最多的作为预测结果，输出融合后的预测概率。

2.根据权利要求1所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S1中，利用经典网络作为跳板，将若干在ImageNet上训练好的权重迁移到针对不同水果的分类任务中，针对不同环境下的不同种类的水果的图像进行统一训练，识别水果的种类、色泽、形状和新鲜度。

3.根据权利要求2所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S5中，需对输入图像进行批归一化处理BN，加速网络的收敛，使feature map的数据满足均值为0，方差为1的分布规律，其计算公式如下：

其中，E[x^(k)]指的是训练一批数据时，各神经元输入值的平均值；指的是训练一批数据时各神经元输入值的标准差；输入x为RGB三通道的彩色图像，channels为3，x＝(x⁽¹⁾,x⁽²⁾,x⁽³⁾)，x⁽¹⁾、x⁽²⁾、x⁽³⁾分别代表R、G、B通道所对应的特征矩阵。

4.根据权利要求3所述的基于深度迁移学习的水果图像分类方法，其特征在于：所述S5中，对输入图像进行预处理，在迁移学习时使用已有的预训练模型参数，和原来的模型使用相同的图像预处理方式，原模型在ImageNet上进行训练，在训练时分别减去R、G、B三个通道的均值，其计算公式为：

mean＝(0.485,0.456,0.406)×255

R_mean＝123.68

G_mean＝116.78

B_mean＝103.94

img＝img-[R_mean,G_mean,B_mean]

其中，(0.485,0.456,0.406)为ImageNet数据集的均值。