一种基于改进的MobileNet V2网络模型的树种识别方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115170951A(43)申请公布日2022.10.11(21)申请号202210720543.5G06V10/82(2022.01)(22)申请日2022.06.23G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人华南农业大学地址510000广东省广州市天河区五山路483号华南农业大学(72)发明人熊万杰钟婷兰玉彬(74)专利代理机构广州市时代知识产权代理事务所(普通合伙)44438专利代理师陈惠珠(51)Int.Cl.G06V20/10(2022.01)G06V10/32(2022.01)G06V10/764(2022.01)G06V10/77(2022.01)G06V10/774(2022.01)权利要求书2页说明书8页附图4页(54)发明名称一种基于改进的MobileNetV2网络模型的树种识别方法(57)摘要本发明公开了一种基于改进的MobileNetV2网络模型的树种识别方法，该方法包括：在第一MobileNetV2网络模型的线性瓶颈倒残差模块bottleneck中，在卷积核为3x3的深度卷积和降维的逐点卷积之间融合通道空间混合注意力模块，得到第二MobileNetV2网络模型，将待识别树皮图像输入第二MobileNetV2网络模型，其输出待识别树皮图像的种类分数；待识别树皮图像的种类分数经过归一化指数函数获得属于各个树种类别的概率大小，将概率最大对应的树种类别作为模型预测的待识别树皮图像的树种类别。本发明相较于第一MobileNetV2网络，提高了约三个百分点的树种识别准确率。CN115170951ACN115170951A权利要求书1/2页1.一种基于改进的MobileNetV2网络模型的树种识别方法，其特征在于，包括：S1，在第一MobileNetV2网络模型的倒残差模块bottleneck中，在卷积核为3x3的深度卷积和降维的逐点卷积之间插入通道空间混合注意力scSE模块，得到第二MobileNetV2网络模型，将所述第二MobileNetV2网络模型作为改进的MobileNetV2网络模型；其中，通道空间混合注意力scSE模块包括并行连接的通道域注意力子模块cSE和空间域注意力子模块sSE；S2，将待识别树皮图像输入第二MobileNetV2网络模型，第二MobileNetV2网络模型输出待识别树皮图像的种类分数；S3，待识别树皮图像的种类分数经过归一化指数函数获得属于各个树种类别的概率大小，将概率最大对应的树种类别作为模型预测的待识别树皮图像的树种类别。2.根据权利要求1所述的基于改进的MobileNetV2网络模型的树种识别方法，其特征在于，第二MobileNetV2网络模型由倒残差模块bottleneck重复叠加而得到，倒残差模块bottleneck包括：依次连接的升维的逐点卷积、卷积核为3x3的深度卷积、通道空间混合注意力scSE模块和降维的逐点卷积。3.根据权利要求1所述的基于改进的MobileNetV2网络模型的树种识别方法，其特征在于，步骤S1还包括：第二MobileNetV2网络模型的基础模块bottleneck中最后一层逐点卷积使用线性激活函数，其它层采用ELU激活函数，scSE模块中的ReLU6激活函数改为ELU激活函数。4.根据权利要求1所述的基于改进的MobileNetV2网络模型的树种识别方法，其特征在于，第二MobileNetV2网络模型采用AdamW优化器进行参数更新。5.根据权利要求1所述的基于改进的MobileNetV2网络模型的树种识别方法，其特征在于，步骤S2还包括：对待识别树皮图像进行预处理，将预处理后的待识别树皮图像输入第二MobileNetV2网络模型；其中，对待识别树皮图像进行预处理具体包括：将待识别树皮图像进行裁剪缩放、以预设概率随机水平旋转，最后将待识别树皮图像转为张量并归一化。6.根据权利要求1所述的基于改进的MobileNetV2网络模型的树种识别方法，其特征在于，步骤S2之前还包括：构建样本树皮图像的数据集，并将数据集按照预设比例分为训练数据集、验证数据集和测试数据集；对所有的数据集进行预处理；利用预处理后的训练集对第二MobileNetV2网络模型进行训练分类；利用预处理后的验证集对第二MobileNetV2网络模型进行评估，衡量模型的训练效果，并进行超参数的调整，得到最终优化树种识别模型及其对应的参数；最终优化树种识别模型即为第二MobileNetV2网络模型；利用测试集对最终优化树种识别模型进行预测，得到第二MobileNetV2网络模型的树种识别方法的最终识别准确率。7.根据权利要求6所述的基于改进的MobileNetV2网络模型的树种识别方法