[发明专利]基于深度迁移学习的水果图像分类方法

说明书

本发明涉及一种基于深度迁移学习的水果图像分类方法，属于农业信息化领域。该算法通过冻结低层网络参数，使低层网络结构作为特征提取器，并修改高层网络参数和结构，提出新的迁移模型TL‑VGG16、TL‑InceptionV3和TL‑ResNet50。通过对三种迁移模型分别输入图像进行小样本训练，实现对不同水果图像的准确分类。最后对三种迁移模型分别使用加权平均法和相对多数投票法进行融合，输出新的预测概率。本发明解决了传统深度网络在识别图像时层数较深、训练耗时较长、模型收敛较慢和小数据集情况下过拟合情况较严重等问题，实现了深度网络的参数轻量级，降低了训练难度，并增加了深度网络在智能农业应用中的普遍性。

技术领域

本发明属于农业信息化领域，涉及基于深度迁移学习的水果图像分类方法。

背景技术

在针对水果分类、成熟度判断以及品质选择等分拣系统中所需的图像分类技术上，目前最具代表性的是直接从海量数据中学习复杂特征表达的深度学习方法，其分类过程一般是通过收集大量的原始数据，并对原始数据进行标注，然后针对不同类别的图像建立一个特定的深度卷积神经网络模型进行训练。

然而，运用深度学习从特定领域收集图像并从头开始训练分类器是非常困难的。针对特定的类别，需要特定的模型，适配性不高，并且前期采集数据集耗时耗力，深度网络还存在训练时间长、计算量大、对设备要求高等问题，普通研究设备无法达到其计算能力，在一定程度上限制了深度图像识别运用到各个领域上的泛化性。

因此，目前需要把关注点集中在使用已经训练好的普适化模型来满足具体模型的个性化需求上，而深度迁移学习恰好能够完成这个过程。迁移学习简单来说可以描述为把在大型数据集上学到的图像分类知识成功运用到待解决的新的目标分类任务中。一方面，以现有的最佳网络为基础，通过微调网络层结构来构建具体的模型，比构建和训练随机初始化的新网络模型更快且更容易；另一方面，预训练模型由于已经学习了丰富的特征，无需庞大的数据量再训练，可以有效缩短训练时间。

发明内容

有鉴于此，本发明的目的在于提供一种基于深度迁移学习的水果图像分类方法，解决传统目标分类模型冗杂、参数庞大、训练过程收敛速度缓慢、图像受环境影响导致训练误差较大、鲁棒性不高、泛化性不强等问题，还克服了一般基于深度神经网络训练的网络模型需采集大量数据集、计算时间较长、对计算机性能要求较高等缺点。

为达到上述目的，本发明提供如下技术方案：

基于深度迁移学习的水果图像分类方法，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，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，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(aux_1)和Inception_4d后接的辅助分类器2(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，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，它们具有相同的感受野，运用卷积层较强的细节提取能力进行细节特征的加深，然后添加一层全连接层，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；