基于改进的深度神经网络的花卉图像分类方法技术

本发明专利技术提供了一种基于改进的深度神经网络的花卉图像分类方法，该方法采用迁移学习的方法，将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类，对其中的激活函数进行改进。在通用Oxford flower‑102数据集上的实验表明：该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高，且比未改进的卷积神经网络准确率高，迁移过程准确率达到81.32％，微调过程准确率达到92.85％。

Flower Image Classification Method Based on Improved Depth Neural Network

The invention provides a flower image classification method based on an improved depth neural network. The method adopts the method of migration learning, applies Inception V3 network trained on large-scale data sets to the classification of flower image data sets, and improves the activation function. Experiments on the universal Oxford flower 102 data set show that the classification accuracy of the model is higher than that of the traditional method and the ordinary convolution neural network in flower image classification tasks, and higher than that of the unmodified convolution neural network. The accuracy of migration process reaches 81.32%, and the accuracy of fine-tuning process reaches 92.85%.

【技术实现步骤摘要】
基于改进的深度神经网络的花卉图像分类方法
本专利技术涉及一种花卉图像分类方法，具体涉及一种基于改进的深度神经网络的花卉图像分类方法。
技术介绍
花的图片分类任务是一项较难的任务。最大的困难来自于类内和类间的变化。例如，来自不同类别的一些图像与类别本身相比具有较小的变化，并且一些微小的差异决定它们的不同分类。另外，作为一个持续成长，非刚性物体的植物，花朵可以多种变形，所以在分类上也有很大的变化。许多传统方法都被使用在花卉识别中。传统的方法需要为每个花类建立一个分类器，并获取大量的花样来训练这些分类器。在实践中，许多不同类型的花使工作变得非常困难和无聊。在典型的花朵图像，部分遮挡，光照，多重事件等方面，规模和观点有很大的变化。由于传统花卉分类方法需大量人工标注信息、特征信息不足等原因，分类能力有限。在Oxfordflow-ers-102数据集上，传统花卉分类方法准确率均低于81％。近年来，深度学习在很多领域取得突破性进展。卷积神经网络(ConvolutionalNeuralNetworks,CNN)因易学习到图像的高层次特征，被广泛应用到图像分类的任务中。然而，对传统的卷积神经网络，在进行花类图片分类任务时，有以下几个缺点：1.整个神经网络需要通过大量的非线性变换，易出现过拟合现象。2.传统的神经网络结构层数不够，提取图片特征信息不够全面。3.经典的BP神经网络，在其进行误差反向传播时，若层数过多，会出现梯度弥散现象。4.花卉图片具有类内差异较小的特性，有些相似类的花可能不会被很好的被网络区分开。
技术实现思路
针对上述技术问题，本专利技术提供一种基于改进的深度神经网络的花卉图像分类方法，该方法能够有效提高神经网络提取特征信息的能力，减少网络的过拟合，增加网络的分类能力。本专利技术采用的技术方案为：本专利技术实施例提供一种基于改进的深度神经网络的花卉图像分类方法，包括：将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络，所述数据集包括训练数据集和测试数据集；将改进的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；将迁移训练后的网络的激活函数修改为基于Tanh与ReLU函数校正之后的Tanh-ReLU函数，得到改进激活函数后的网络；将改进激活函数后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；将所述测试数据集输入所述微调训练后的网络，以对花卉图像进行分类。可选地，所述对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络包括：删除所述预训练网络的最后一层全连接层，加入一层全局平均池化层，并在全局平均池化层后加入第一全连接层，以及在所述第一全连接层后加入第二全连接层，从而得到所述改进网络；其中，所述第一全连接层含有1024个节点，激活函数采用Relu，并采用Dropout处理，概率设置为0.5；所述第二全连接层的激活函数采用Softmax，输出节点为102类。可选地，所述将改进的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络包括：保持原始InceptionV3部分的网络权重不变，利用所述训练数据集训练最后4层的网络的参数，从而得到迁移训练后的网络；其中，使用优化器RMSprop训练参数，在训练过程中，梯度下降时，每个批次包含32个样本，迭代轮数设为30轮。可选地，所述Tanh-ReLU函数的表达式为：可选地，所述将改进激活函数后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络包括：冻结改进激活函数后的网络中前两个初始块的参数，使该两个初始块的参数的值在训练中保持不变，利用所述训练数据集重新训练其余层的参数，从而得到微调训练后的网络；其中，使用优化器SGD训练参数，学习率设为0.001，动量参数设为0.9，损失函数使用交叉熵损失函数，在训练过程中，梯度下降时，每个批次包含32个样本，迭代轮数设为30轮。可选地，所述数据集通过数据增强进行处理。可选地，所述数据集通过数据增强进行处理包括：对图片进行不同角度的倾斜，并且进行水平和垂直图像旋转，以增加样本数量；对图片进行80％大小的随机裁剪和80％到120％的随机缩放，以增加样本数量；以及适当增加图片的高斯噪声。本专利技术实施例提供的基于改进的深度神经网络的花卉图像分类方法，采用迁移学习的方法，将在大规模数据集上训练的InceptionV3网络用于花卉图像数据集的分类，对其中的激活函数进行改进。在通用Oxfordflower-102数据集上的实验表明：该模型在花类图像分类任务中比传统方法和普通卷积神经网络分类准确率高，且比未改进的卷积神经网络准确率高，迁移过程准确率达到81.32％，微调过程准确率达到92.85％。附图说明图1为本专利技术实施例提供的基于改进的深度神经网络的花卉图像分类方法的流程示意图；图2为Tanh函数和ReLU函数曲线；图3为Tanh-ReLU函数及其导数曲线；图4为不同激活函数对102类花卉分类正确率随迭代轮数变化曲线。具体实施方式为使本专利技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。图1为本专利技术实施例提供的基于改进的深度神经网络的花卉图像分类方法的流程示意图。如图1所示，本专利技术实施例提供的基于改进的深度神经网络的花卉图像分类方法包括以下步骤：S101、将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；S102、对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络，所述数据集包括训练数据集和测试数据集；S103、将改进的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；S104、将迁移训练后的网络的激活函数修改为基于Tanh与ReLU函数校正之后的Tanh-ReLU函数，得到改进激活函数后的网络；S105、将改进激活函数后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；S106、将所述测试数据集输入所述微调训练后的网络，以对花卉图像进行分类。以下，对上述各步骤进行详细说明。S101、将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络本专利技术实施例利用在大规模数据集上训练的InceptionV3网络用作花卉分类网络，从而得到预训练网络。本专利技术实施例使用的每种Inception结构在InceptionV2的基础上改进了3种Inception模块，如下所示：在第一种Inception结构中，每个5×5的卷积被两个3×3的卷积所替代。在第二种Inception结构中，将n×n卷积分解成n×1和1×1两层卷积的形式。对于17×17的网络，最终选择n为7。在第三种Inception结构中，拓展卷积核组的输出。这种架构用在粗网络(CoarsestGrid)中促进高尺寸图像的表示。本专利技术实施例使用的InceptionV3网络模型在V2的基础上，做如下的改进：优化器用RMSProp代替SGD，在类别全连接层后加入LSR层，将7×7卷积核由三个3×3卷积核代替。S102、对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络。本专利技术实施例的花卉分类实验需要将102类花卉进行分类。为使该网络适用于本文档来自技高网...

【技术保护点】
1.一种基于改进的深度神经网络的花卉图像分类方法，其特征在于，包括：将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络，所述数据集包括训练数据集和测试数据集；将改进的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；将迁移训练后的网络的激活函数修改为基于Tanh与ReLU函数校正之后的Tanh‑ReLU函数，得到改进激活函数后的网络；将改进激活函数后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；将所述测试数据集输入所述微调训练后的网络，以对花卉图像进行分类。

【技术特征摘要】
1.一种基于改进的深度神经网络的花卉图像分类方法，其特征在于，包括：将基础InceptionV3网络在大规模数据集上进行训练，得到预训练网络；对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络，所述数据集包括训练数据集和测试数据集；将改进的网络迁移到所述训练数据集上进行迁移训练，得到迁移训练后的网络；将迁移训练后的网络的激活函数修改为基于Tanh与ReLU函数校正之后的Tanh-ReLU函数，得到改进激活函数后的网络；将改进激活函数后的网络微调到所述训练数据集，进行微调训练，得到微调训练后的网络；将所述测试数据集输入所述微调训练后的网络，以对花卉图像进行分类。2.根据权利要求1所述的方法，其特征在于，所述对所述预训练网络进行改进，得到适用于花卉识别的数据集的改进的网络包括：删除所述预训练网络的最后一层全连接层，加入一层全局平均池化层，并在全局平均池化层后加入第一全连接层，以及在所述第一全连接层后加入第二全连接层，从而得到所述改进网络；其中，所述第一全连接层含有1024个节点，激活函数采用Relu，并采用Dropout处理，概率设置为0.5；所述第二全连接层的激活函数采用Softmax，输出节点为102类。3.根据权利要求1或2所述的方法，其特征在于，所述将改进的网络迁移到所述训练数据集上进行迁移...

【专利技术属性】
技术研发人员：刘秀磊，吴迪，刘旭红，李红臣，刘婷，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京,11