【技术实现步骤摘要】
本专利技术涉及图像分类，尤其涉及一种基于轻量化网络的蘑菇图像分类方法及系统。
技术介绍
1、图像分类这一任务在日常生活中经常出现，其是根据图像的语义信息将不同类别的图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割等其他高层视觉任务的基础；深度学习模型中的卷积神经网络通过将图像像素信息直接作为网络的输入，极大程度上保留了输入图像的所有信息，通过卷积操作来提取特征并进行高层的抽象，最后输出分类结果。
2、公开号为cn116403047a的一种图像分类方法及图像分类系统，涉及图像处理
，包括以下步骤：采集若干张样本图像，对样本图像进行预处理，得到预处理图像；对预处理图像进行类别标注，得到图像标注结果；基于预处理图像和对应的图像标注结果，构建训练数据集；构建初始图像分类模型，将训练数据集输入初始图像分类模型中进行模型训练，直至模型收敛，得到训练完成的图像分类优化模型；基于训练完成的图像分类优化模型对待分类图像进行类别判断，确定待分类图像所属的类别。
3、目前的卷积神经网络在图像分类任务中参数众多、计算复杂度高，难以在资源受限的硬件上实现快速且准确的图像分类，进而降低了网络模型的高效性和鲁棒性。
技术实现思路
1、有鉴于此，本专利技术提出了一种基于轻量化网络的蘑菇图像分类方法及系统，通过轻量化的网络结构，显著降低模型参数量和计算量，同时保持较高的分类准确率，从而确保模型的高效性和鲁棒性。
2、本专利技术的技术方案是这样实现的：第一方
3、s1，获取蘑菇图像的训练集，对训练集中的蘑菇图像进行标定及预处理，得到标准图像；
4、s2，构建蘑菇识别模型，所述蘑菇识别模型包括标准卷积层、多个深度特征提取模块、全局平均池化层和全连接层，将标准图像输入至标准卷积层中，标准卷积层对输入的标准图像的通道进行扩充，得到原始特征图；多个深度特征提取模块依次首尾连接，对原始特征图进行深度特征提取，得到目标特征图；全局平均池化层对目标特征图进行降维并输入到全连接层，全连接层输出蘑菇图像的分类结果；
5、s3，初始化蘑菇识别模型参数，将标准图像输入至蘑菇识别模型中进行训练，并对模型参数进行迭代优化，得到最终的蘑菇识别模型；
6、s4，将待分类的蘑菇图像输入至最终的蘑菇识别模型，获得分类结果。
7、在以上技术方案的基础上，优选的，步骤s1中所述获取蘑菇图像的训练集，对训练集中的蘑菇图像进行标定及预处理，得到标准图像，其中，包括以下子步骤：
8、s11，获取蘑菇图像的训练集，对训练集中的蘑菇图像进行图像筛选，剔除具有缺陷和重复的图像；
9、s12，对筛选后的蘑菇图像进行格式转换和尺寸调整缩放到一致，得到统一蘑菇图像；
10、s13，根据蘑菇的分类特征信息，分别对训练集中的各统一蘑菇图像进行标定和分类，得到不同种类的蘑菇图像特征集；
11、s14，对各种类对应的蘑菇图像特征集中的蘑菇图像进行数据增强，得到标准图像。
12、在以上技术方案的基础上，优选的，步骤s2中所述蘑菇识别模型包括标准卷积层、多个深度特征提取模块、全局平均池化层和全连接层，其中，多个深度特征提取模块依次顺次首尾连接，标准卷积层的输出端与位于首端的深度特征提取模块的输入端连接，全局平均池化层的输入端与位于末端的深度特征提取模块的输出端连接，全局平均池化层的输出端与全连接层的输入端连接，输出蘑菇图像对应的分类结果。
13、在以上技术方案的基础上，优选的，所述标准卷积层对输入的标准图像的通道进行扩充，得到原始特征图，其中，标准卷积层包括32个3x3的卷积核，标准卷积层将标准图像的通道数扩充至32，并提取标准图像的边缘、纹理和形状，各卷积核在输入的标准图像上滑动，并在每个位置上进行权重乘加和偏置加和操作，生成对应的原始特征图，表达式为：
14、
15、式中，ii为第i个输出原始特征图，i∈[1，cout]，cout为输出通道数，f()为relu激活函数，mj为输入的标准图像的第j个通道，i∈[1，cin]，cin为原始通道数，ki,j为第i个输出原始特征图对应的第j个输入通道上的卷积核，bi为第i个输出原始特征图的偏置项，为卷积操作。
16、在以上技术方案的基础上，优选的，所述各深度特征提取模块均包括依次顺次连接的深度卷积单元、注意力单元、分组卷积单元、通道重排单元、拼接单元和池化单元，其中，所述深度卷积单元对输入的原始特征图进行深度特征提取，生成对应的卷积特征图；注意力单元对输入的卷积特征图进行特征重标定，生成相应的重标定特征图；分组卷积单元将特征通道进行分组，按组对重标定特征图进行卷积提取特征，得到分组特征图，通道重排单元将各分组特征图在通道维度上进行重新排列，得到重组特征图，拼接单元将各重组特征图进行拼接融合，并将拼接融合后的特征图输入到池化层中，得到目标特征图。
17、在以上技术方案的基础上，优选的，所述深度卷积单元对输入的原始特征图进行深度特征提取，生成对应的卷积特征图，其中，各卷积核在输入的标准图像上滑动，并在每个位置上进行权重乘加和偏置加和操作，生成对应的卷积特征图，表达式为：
18、convi(ii,di)＝depthwiseconv2d(ii,di)；
19、式中，convi(ii,di)表示第i个通道经过深度卷积后的结果，ii为第i个输入的原始特征图，输入的原始特征图的大小为h×w×ci，h为高度，w为宽度，ci为第i个通道，di为第i个通道对应的深度卷积核，depthwiseconv2d()是深度卷积函数；
20、根据深度卷积的结果通过relu6激活函数激活，得到各通道对应的卷积特征图，表达式为：
21、d(ii)＝relu6(convi(ii,di))。
22、在以上技术方案的基础上，优选的，所述注意力单元包括全局平均池化、全连接层和激活函数，其中，
23、卷积特征图输入至注意力单元中，全局平均池化对输入的卷积特征图的每个通道分别进行平均池化，得到全局信息特征图；表达式为：
24、g＝globalavgpool(f)
25、
26、式中，f∈rc×h′×w′，h′是卷积特征图的高度，w′是卷积特征图的宽度，f(x,y,c)表示在卷积特征图f中第c个通道的第x行和第y列的元素，是归一化因子；
27、将卷积特征图的各通道的统计信息输入至全连接层中，并使用sigmoid激活函数进行归一化，得到最终的通道权重，表达式为：
28、γ＝fc(g)
29、g(y)＝sigmoid(mlp(globalavgpool(γ)))
30、式中，g(γ)是最终的通道权重，fc是全连接层，γ是缩放权重，mlp代表多层感知机；
3本文档来自技高网...
【技术保护点】
1.一种基于轻量化网络的蘑菇图像分类方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，步骤S1中所述获取蘑菇图像的训练集，对训练集中的蘑菇图像进行标定及预处理，得到标准图像，其中，包括以下子步骤：
3.如权利要求2所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，步骤S2中所述蘑菇识别模型包括标准卷积层、多个深度特征提取模块、全局平均池化层和全连接层，其中，多个深度特征提取模块依次顺次首尾连接，标准卷积层的输出端与位于首端的深度特征提取模块的输入端连接，全局平均池化层的输入端与位于末端的深度特征提取模块的输出端连接，全局平均池化层的输出端与全连接层的输入端连接，输出蘑菇图像对应的分类结果。
4.如权利要求3所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述标准卷积层对输入的标准图像的通道进行扩充，得到原始特征图，其中，标准卷积层包括32个3x3的卷积核，标准卷积层将标准图像的通道数扩充至32，并提取标准图像的边缘、纹理和形状，各卷积核在输入的标准图像上滑动，并在每个位置上进行权
5.如权利要求4所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述各深度特征提取模块均包括依次顺次连接的深度卷积单元、注意力单元、分组卷积单元、通道重排单元、拼接单元和池化单元，其中，所述深度卷积单元对输入的原始特征图进行深度特征提取，生成对应的卷积特征图；注意力单元对输入的卷积特征图进行特征重标定，生成相应的重标定特征图；分组卷积单元将特征通道进行分组，按组对重标定特征图进行卷积提取特征，得到分组特征图，通道重排单元将各分组特征图在通道维度上进行重新排列，得到重组特征图，拼接单元将各重组特征图进行拼接融合，并将拼接融合后的特征图输入到池化层中，得到目标特征图。
6.如权利要求5所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述深度卷积单元对输入的原始特征图进行深度特征提取，生成对应的卷积特征图，其中，各卷积核在输入的标准图像上滑动，并在每个位置上进行权重乘加和偏置加和操作，生成对应的卷积特征图，表达式为：
7.如权利要求6所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述注意力单元包括全局平均池化、全连接层和激活函数，其中，
8.如权利要求7所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述分组卷积层的表达式为：
9.如权利要求1所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，步骤S3中所述初始化蘑菇识别模型参数，将标准图像输入至蘑菇识别模型中进行训练，并对模型参数进行迭代优化，得到最终的蘑菇识别模型，包括以下子步骤：
10.一种基于轻量化网络的蘑菇图像分类系统，采用权利要求1-9中任意一项所述的基于轻量化网络的蘑菇图像分类方法实现，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于轻量化网络的蘑菇图像分类方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，步骤s1中所述获取蘑菇图像的训练集，对训练集中的蘑菇图像进行标定及预处理，得到标准图像，其中，包括以下子步骤：
3.如权利要求2所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，步骤s2中所述蘑菇识别模型包括标准卷积层、多个深度特征提取模块、全局平均池化层和全连接层，其中，多个深度特征提取模块依次顺次首尾连接，标准卷积层的输出端与位于首端的深度特征提取模块的输入端连接，全局平均池化层的输入端与位于末端的深度特征提取模块的输出端连接，全局平均池化层的输出端与全连接层的输入端连接，输出蘑菇图像对应的分类结果。
4.如权利要求3所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述标准卷积层对输入的标准图像的通道进行扩充，得到原始特征图，其中，标准卷积层包括32个3x3的卷积核，标准卷积层将标准图像的通道数扩充至32，并提取标准图像的边缘、纹理和形状，各卷积核在输入的标准图像上滑动，并在每个位置上进行权重乘加和偏置加和操作，生成对应的原始特征图，表达式为：
5.如权利要求4所述的基于轻量化网络的蘑菇图像分类方法，其特征在于，所述各深度特征提取模块均包括依次顺次连接的深度卷积单元、注意力单元、分组卷积单元、通道重排单元、拼接单元和池化单元，其中，所述深度卷积单元...
【专利技术属性】
技术研发人员：杨丽，曹永健，黄文心，王学勋，胡学敏，胡书铭，
申请(专利权)人：湖北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。