一种基于改进残差网络的水稻害虫识别方法与流程

技术特征：
1.一种基于改进残差网络的水稻害虫识别方法，其特征在于，该方法包括以下步骤：训练阶段：步骤1：获取大规模的害虫识别数据集；步骤2：对害虫识别数据集进行预处理，包括：旋转、翻转、光照度处理、对比度处理、色彩平衡处理以及锐度处理；步骤3：构建图片分类网络模型，即改进的残差网络模型：对输入的图像进行卷积和下采样，以提取图像的特征，通过四个basicblock，降低特征图的尺寸并提升特征图的通道；将特征图进行胶囊化编码，转为多个胶囊，随后进行层间路由，采用dynamic routing算法这种近似全连接的方式映射到一定的空间；在多个害虫分类识别的问题中，dynamic routing算法将胶囊特征映射到m
×
n的空间，即每个类对应1个n维的特征，然后使用非线性映射将其压缩成1个m维的向量，取l2范式的最大值作为最终的预测值标签，最终胶囊的向量输出；步骤4：将害虫识别数据集按照一定比例分为训练集和测试集，通过训练集对构建的图片分类网络模型进行训练，保存训练好的图片分类网络模型；测试阶段：步骤5：将测试集图像输入训练好的改进的残差网络模型中进行水稻害虫识别，输出识别结果准确率。2.根据权利要求1所述的基于改进残差网络的水稻害虫识别方法，其特征在于，所述步骤1中：害虫识别数据集是层级结构，分为8种农作物大类和102种害虫小类，包含超过75000张害虫样本；其类别包括：稻卷叶虫、稻螟蛉、稻潜叶蝇、二化螟、三化螟、稻瘿蚊、稻秆蝇、稻褐飞虱、白背飞虱、灰稻虱、稻水象虫、稻叶蝉、禾蓟马、水稻壳害虫。3.根据权利要求1所述的基于改进残差网络的水稻害虫识别方法，其特征在于，所述步骤2中对害虫识别数据集进行预处理的方法具体为：旋转，旋转角度分别为90
°
、180
°
、270
°
；翻转，翻转方式为上下翻转、水平翻转；采用包括光照度处理、对比度处理、色彩平衡处理以及锐度处理在内的数据增强技术，达到数据均匀，总的图片数量达到20670张，提升了模型的泛化能力和模型的鲁棒性。4.根据权利要求1所述的基于改进残差网络的水稻害虫识别方法，其特征在于，所述步骤3中构建的改进的残差网络模型具体为：先对输入的图像进行卷积和下采样，以提取图像的特征；提取特征的方法为：输出图像大小＝(输入图像
‑
1)*stride outputpadding
‑
2*padding kernel_size其中，stride表示步长，outputpadding表示输出边补充0的层数，padding表示填充量，kernel_size表示卷积核大小；通过四个basicblock，将特征图的尺寸降到7
×
7、特征图的通道提升到512，通过这种方式可以捕获到更多的样本特征；接着，将512
×7×
7的特征图进行胶囊化编码，转为32个8
×
8的胶囊，再经过2次卷积，最终得到32个8
×2×
2的胶囊，随后进行层间路由，采用dynamic routing算法这种近似全连接的方式映射到14
×
16的空间；
在14个害虫分类识别的问题中，dynamic routing算法将胶囊特征映射到14
×
16的空间，即每个类对应1个16维的特征，然后使用非线性映射，即squash，将其压缩成1个14维的向量，取l2范式的最大值作为最终的预测值标签，最终胶囊的向量输出如下：其推导过程为：每个上层胶囊i连接到下层j的概率为：式中c
ij
为权重系数，b
ij
是胶囊i连接到胶囊j的先验概率，初始为0；然后应用一个转换矩阵w
ij
，将u
i
转换为预测向量转换为预测向量接着对所有得到的预测向量进行加权求和：其中s
j
被称为高层胶囊j总的输入向量。用非线性压扁函数squashing来代替传统的神经网络的激活函数relu，确保了向量的方向保持不变，但它的长度被强要求不超过1，最终胶囊的向量输出如下：取向量输出的l2范式的最大值作为最终的预测值标签，每一个向量对应着一个分类类别的可能性。5.根据权利要求4所述的基于改进残差网络的水稻害虫识别方法，其特征在于，所述dynamic routing算法的具体方法为：1)首先得到所有的预测向量定义迭代次数r，以及当前输入胶囊属于网络的第l层；2)对于所有的输入胶囊i和输出胶囊j，定义一个参数b
ij
，被初始化为0，对于该参数的作用，在下一步进行描述；3)开始迭代步骤4)～步骤7)，迭代次数为r；4)计算向量c
j
的值，即胶囊i的所有路由权值，要保证∑
j
c
ij
＝1，因此使用softmax函数来保证每个c
ij
非负且和为1；由于第一次迭代b
ij
初始化为0，因此c
ij
在第一轮迭代中都相等，即1/p，p是指较高层胶囊的数量；5)预测向量进行加权求和；
6)最后一步的向量通过非线性函数squash，这确保了向量的方向保持不变，但它的长度被强制不超过1；这一步输出最终的向量v
j
；7)这一步是权重发生更新的地方，通过胶囊j的输出v
j
与预测向量的点积 原有的权重b
ij
，为新的权重值；进行点积处理，是为了检测胶囊输入与输出的相似性；更新权重后，进行下一轮迭代；8)经过r次迭代后，返回最终的输出向量v
j
。6.根据权利要求1所述的基于改进残差网络的水稻害虫识别方法，其特征在于，所述步骤4中进行训练的方法具体为：随机将水稻害虫数据集按8：2划分成训练集和测试集，在训练过程中，采用小批量梯度下降作为网络训练优化器，并设动量参数为0.8。初始学习率设置为0.005，批量大小为32，迭代次数100轮；小批量梯度下降法是批量梯度下降法和随机梯度下降法的折衷，也就是对于m个样本，采用x个样本来迭代，1＜x＜m，取x＝10，根据样本的数据，可调整这个x的值；对应的更新公式是：其中，线性回归的假设函数为：h
θ
(x
(i)
)＝θ1x
(j)
θ0其中，θ0和θ1是参数；i＝1，2，...，m表示样本数，j＝0，1表示特征数，α是学习率，θ
i
是参数，y
j
是对应的回归值。

技术总结
本发明公开了一种基于改进残差网络的水稻害虫识别方法，该方法包括以下步骤：训练阶段：步骤1：获取大规模的害虫识别数据集；步骤2：对害虫识别数据集进行预处理，包括：旋转、翻转、光照度处理、对比度处理、色彩平衡处理以及锐度处理；步骤3：构建图片分类网络模型，即改进的残差网络模型；步骤4：将害虫识别数据集按照一定比例分为训练集和测试集，通过训练集对构建的图片分类网络模型进行训练，保存训练好的图片分类网络模型；测试阶段：步骤5：将测试集图像输入训练好的改进的残差网络模型中进行水稻害虫识别，输出识别结果准确率。本发明可以弥补残差网络在输出时丢失大量信息的缺陷，提高模型的识别准确率。提高模型的识别准确率。提高模型的识别准确率。


技术研发人员：郑禄 陈楚 雷建云 帖军 田莎莎 张慧丽 单一鸣 牛悦
受保护的技术使用者：中南民族大学
技术研发日：2021.07.06
技术公布日：2021/11/4