一种基于加法乘法混合卷积的低功耗害虫图像识别方法技术

本发明专利技术涉及一种基于加法乘法混合卷积的低功耗害虫图像识别方法，与现有技术相比解决了害虫识别模型耗能较高的缺陷。本发明专利技术包括以下步骤：训练图像集的获取；混合模块单元的构建；害虫识别分类网络的构建；害虫识别分类网络的训练与选择；待识别害虫图像的获取；害虫图像识别结果的获得。本发明专利技术利用加法卷积的低功耗特性以及乘法卷积在特征提取上的优势，深度融合二者卷积方式的优势，得到优化选择后的害虫识别分类网络，实现了害虫图像的高识别率，低功耗特性。低功耗特性。低功耗特性。

【技术实现步骤摘要】
一种基于加法乘法混合卷积的低功耗害虫图像识别方法


[0001]本专利技术涉及害虫图像识别
，具体来说是一种基于加法乘法混合卷积的低功耗害虫图像识别方法。

技术介绍

[0002]现有的虫害识别任务中，主要的解决方案是基于手动提取的特征进行分类识别，这些方法在低层次特征上取得了很好的效果表示，然而由于缺乏高层次的语义信息表示能力，手动特征的方法无法达到令人满意的效果。因此，不断有研究人员将计算机视觉技术、图像处理技术等现代信息技术引入农作物病虫害诊断领域。这已经成为农业生产的迫切要求和发展趋势。
[0003]在实际应用中，被广泛应用的卷积神经网络虽然已经能够对田间地头等常见害虫进行有效识别，且随着网络结构的不断加深与复杂化，害虫的识别效果一次又一次的让人们惊喜。然而，很少有研究人员关注到深度卷积神经网络(DCNN)所带来的高耗能问题。这一缺陷严重制约着将害虫识别算法部署并推广在移动设备端的可能性。如果简单粗暴的裁剪网络则无法达到良好的害虫识别效果，使得害虫识别模型性能大打折扣。
[0004]因此，如何在保证识别性能的同时又能降低网络模型对能源的依赖，构建节能的田间害虫识别模型算法成为亟待解决的热点问题。

技术实现思路

[0005]本专利技术的目的是为了解决现有技术中害虫识别模型耗能较高的缺陷，提供一种基于加法乘法混合卷积的低功耗害虫图像识别方法来解决上述问题。
[0006]为了实现上述目的，本专利技术的技术方案如下：
[0007]一种基于加法乘法混合卷积的低功耗害虫图像识别方法，包括以下步骤：
[0008]11)训练图像集的获取：获取已分类明确、数量均匀的害虫图像数据集，作为训练图像集；
[0009]12)混合模块单元的构建：构建用于害虫识别分类网络的building block模块和单卷积模块，building block模块包括Bottleneck单元模块、Basicblock单元模块，单卷积模块包括两种类型：Stage
‑
A、Stage
‑
M；
[0010]13)害虫识别分类网络的构建：基于混合模块单元的building block模块和单卷积模块搭建20个害虫识别分类网络；
[0011]14)害虫识别分类网络的训练与选择：利用训练图像集对20个害虫识别分类网络进行训练，并进行最优化选择，得到训练优选后的混合模块网络；
[0012]15)待识别害虫图像的获取：获得待识别的害虫图像；
[0013]16)害虫图像识别结果的获得：将待识别的害虫图像输入训练优选后的混合模块网络，低功耗地得到害虫图像的识别结果。
[0014]所述混合模块单元的构建包括以下步骤：
[0015]21)构建building block模块，building block模块作为ResNet的基础单元，其种类包含Bottleneck单元模块与Basicblock单元模块两大类结构；
[0016]211)构建Bottleneck单元模块：
[0017]设定Bottleneck单元由3次乘法卷积操作组成，卷积核的尺寸分别是：1
×
1、3
×
3以及1
×
1；再引入加法卷积替代乘法卷积；在每次卷积操作的方式上，迸发2种可行的卷积操作，共带来23＝8种Bottleneck单元，分别命名为：Bottlemeck
‑
aaa、Bottlemeck
‑
mmm、Bottlemeck
‑
aam、Bottlemeck
‑
ama、Bottlemeck
‑
maa、Bottlemeck
‑
mma、Bottlemeck
‑
mam、Bottlemeck
‑
amm；
[0018]212)构建Basicblock单元模块：
[0019]设定Basicblock单元由2次乘法卷积操作组成,卷积核的尺寸分别是：3
×
3与3
×
3；在进行每次卷积操作时进行卷积方式的选取，得到22＝4种Basicblock单元，分别命名为：Basicblock
‑
am、Basicblock
‑
aa、Basicblock
‑
ma、Basicblock
‑
mm；
[0020]22)构建单卷积模块：
[0021]将building block模块中全部由加法操作构建的building block模块命名为Stage
‑
A；全部由乘法完成全部卷积操作的building block模块命名为Stage
‑
M；
[0022]设定ResNet中总共包含3层Stage，设定第二层Stage和第三层Stage的替换也基于此原则构建。
[0023]所述害虫识别分类网络的构建包括以下步骤：
[0024]31)利用Bottleneck单元模块构建害虫识别分类网络，即混合模块网络1
‑
8：
[0025]针对8种Bottleneck单元，分别每次固定使用其bottleneck单元组建特定的骨干网络，生成8个混合模块网络分别为ResNet
‑
aaa、ResNet
‑
mmm、ResNet
‑
aam、ResNet
‑
ama、ResNet
‑
maa、ResNet
‑
mma、ResNet
‑
mam、ResNet
‑
amm，其中，8个混合模块网络的后缀小写字母表示基于每个building block模块，卷积方式在building block模块内部按既定编制顺序进行；
[0026]32)利用Basicblock单元模块构建害虫识别分类网络，即混合模块网络9
‑
12：
[0027]针对4种Basicblock单元，分别每次固定使用其Basicblock单元组建特定的骨干网络，生成4个混合模块网络分别为ResNet
‑
am、ResNet
‑
aa、ResNet
‑
ma、ResNet
‑
mm，其中，4个混合模块网络的后缀小写字母表示基于每个building block模块，卷积方式在building block模块内部按既定编制顺序进行；
[0028]33)利用单卷积模块构建害虫识别分类网络，即混合模块网络13
‑
20：
[0029]在ResNet中分别选中Stage
‑
A、Stage
‑
M，将Stage
‑
A作为组建骨干网络的的三层Stage时，得到混合ResNet
‑...

【技术保护点】

【技术特征摘要】
1.一种基于加法乘法混合卷积的低功耗害虫图像识别方法，其特征在于，包括以下步骤：11)训练图像集的获取：获取已分类明确、数量均匀的害虫图像数据集，作为训练图像集；12)混合模块单元的构建：构建用于害虫识别分类网络的building block模块和单卷积模块，building block模块包括Bottleneck单元模块、Basicblock单元模块，单卷积模块包括两种类型：Stage
‑
A、Stage
‑
M；13)害虫识别分类网络的构建：基于混合模块单元的building block模块和单卷积模块搭建20个害虫识别分类网络；14)害虫识别分类网络的训练与选择：利用训练图像集对20个害虫识别分类网络进行训练，并进行最优化选择，得到训练优选后的混合模块网络；15)待识别害虫图像的获取：获得待识别的害虫图像；16)害虫图像识别结果的获得：将待识别的害虫图像输入训练优选后的混合模块网络，低功耗地得到害虫图像的识别结果。2.根据权利要求1所述的一种基于加法乘法混合卷积的低功耗害虫图像识别方法，其特征在于，所述混合模块单元的构建包括以下步骤：21)构建building block模块，building block模块作为ResNet的基础单元，其种类包含Bottleneck单元模块与Basicblock单元模块两大类结构；211)构建Bottleneck单元模块：设定Bottleneck单元由3次乘法卷积操作组成，卷积核的尺寸分别是：1
×
1、3
×
3以及1
×
1；再引入加法卷积替代乘法卷积；在每次卷积操作的方式上，迸发2种可行的卷积操作，共带来23＝8种Bottleneck单元，分别命名为：Bottlemeck
‑
aaa、Bottlemeck
‑
mmm、Bottlemeck
‑
aam、Bottlemeck
‑
ama、Bottlemeck
‑
maa、Bottlemeck
‑
mma、Bottlemeck
‑
mam、Bottlemeck
‑
amm；212)构建Basicblock单元模块：设定Basicblock单元由2次乘法卷积操作组成,卷积核的尺寸分别是：3
×
3与3
×
3；在进行每次卷积操作时进行卷积方式的选取，得到22＝4种Basicblock单元，分别命名为：Basicblock
‑
am、Basicblock
‑
aa、Basicblock
‑
ma、Basicblock
‑
mm；22)构建单卷积模块：将building block模块中全部由加法操作构建的building block模块命名为Stage
‑
A；全部由乘法完成全部卷积操作的building block模块命名为Stage
‑
M；设定ResNet中总共包含3层Stage，设定第二层Stage和第三层Stage的替换也基于此原则构建。3.根据权利要求1所述的一种基于加法乘法混合卷积的低功耗害虫图像识别方法，其特征在于，所述害虫识别分类网络的构建包括以下步骤：31)利用Bottleneck单元模块构建害虫识别分类网络，即混合模块网络1
‑
8：针对8种Bottleneck单元，分别每次固定使用其bottleneck单元组建特定的骨干网络，生成8个混合模块网络分别为ResNet
‑
aaa、ResNet
‑
mmm、ResNet
‑
aam、ResNet
‑
ama、ResNet
‑
maa、ResNet
‑
mma、ResNet
‑
mam、ResNet
‑
amm，其中，8个混合模块网络的后缀小写字母表示基
于每个building block模块，卷积方式在building block模块内部按既定编制顺序进行；32)利用Basicblock单元模块构建害虫识别分类网络，即混合模块网络9
‑
12：针对4种Basicblock单元，分别每次固定使用其Basicblock单元组建特定的骨干网络，生成4个混合模块网络分别为ResNet
‑
am、ResNet
‑
aa、ResNet
‑
ma、ResNet
‑

【专利技术属性】
技术研发人员：张力，王儒敬，杜健铭，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：