一种基于小样本元学习的水果图像分类方法技术

本发明专利技术涉及一种基于小样本元学习的水果图像分类方法，属于水果图像分类领域，采用模型无关的元学习模型MAML作为图像分类框架，将DenseNet

A fruit image classification method based on small sample meta learning

【技术实现步骤摘要】
一种基于小样本元学习的水果图像分类方法


[0001]本专利技术属于水果图像分类领域，涉及一种基于小样本元学习的水果图像分类方法。

技术介绍

[0002]对于大规模的水果产量，如何将其准确的分类识别是一个大问题，不同种类水果的产后处理情况也影响着水果行业的销售规模。传统水果的产后处理技术主要依靠人力完成，依靠人工对水果的形状、大小、颜色进行不同种类的分拣。自计算机视觉技术与智能农业领域融合以来，在图像分类领域上涌现出许多新的方法。传统数字图像处理技术，如基于颜色、纹理、形状等特征提取识别从而进行分类，其缺点是依赖目标果实的外在颜色、纹理和形状等特征，但果实的外在特征会随着果实不同生长阶段发生改变，其鲁棒性不高。机器学习图像分割技术与分类器，如基于K
‑
means聚类算法、基于贝叶斯分类器算法、基于支持向量机SVM算法、基于KNN聚类算法和基于Adaboost和Haar
‑
like特征算法等，其缺点是需要提前设定参数值，且提前设定的参数对分类精度影响较大。
[0003]伴随着人工智能热潮的掀起和计算设备并行计算性能的大幅度进步，基于大数据深度学习的卷积神经网络算法被大量用于水果图像分类，如LeNet、AlexNet、VGG、GoogLeNet、ResNet、MobileNet系列等。这些算法模型虽然能解决水果后生产中的图像分类问题，但是这些模型泛化性能不足、对新种类任务适应性较差。而且卷积神经网络在图像分类任务中大多数是基于监督学习的研究，而监督学习的数据集需要大量的标记数据，成本高且不易获得。同时计算成本也大幅上升，测试时需要占用大量的内存且极为耗时，使得它们不适合部署在资源有限的移动平台上。这意味着上述网络模型不能满足小样本低成本下水果图像分类的要求。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供一种基于小样本元学习的水果图像分类方法，解决传统图像易受几何特征随生长周期改变影响、鲁棒性不高等问题，还克服了一般基于大数据深度学习神经网络模型需要大量数据集、计算量大、计算时间长、收敛速度慢和对计算机硬件要求高等缺点。
[0005]为达到上述目的，本专利技术提供如下技术方案：
[0006]一种基于小样本元学习的水果图像分类方法，包括以下步骤：
[0007]S1：采集多类自然环境下的果实图像，并进行尺寸缩放，分类标注训练图像和测试图像作为元数据集，采集少量目标水果图像完成标注；
[0008]S2：准备N个训练任务(Train Task)以及每个训练任务对应的Support Set和Query Set；再准备多个测试任务，用于评估模型学习到的参数的效果；训练任务和测试任务均从采集的数据中采样产生；
[0009]S3：采用模型无关的元学习模型(Model
‑
Agnostic Meta
‑
Learning，MAML)作为图
像分类的主体算法，将密集连接网络DenseNet
‑
121作为骨干网络，并结合特征金字塔网络(Feature Pyramid Networks,FPN)架构对经过标注和尺寸缩放处理后的图像进行目标特征提取；
[0010]S4：初始化DenseNet
‑
121网络参数为θ，设定子任务内的学习率α和任务间的学习率β；
[0011]S5：每一次训练从中提取一个或者一个批次子任务T
i
；
[0012]S6：在子任务T
i
中，利用loss函数对θ进行梯度更新，其更新公式为重复在任务T
i
中利用loss函数对θ进行梯度更新的过程即为内循环过程；
[0013]S7：当子任务T
i
训练完，利用在所有任务上的loss和的梯度更新最后的θ，其更新公式为重复在任务T
i
训练完后利用在所有任务上的loss和的梯度更新最后的θ的过程即为外循环过程；
[0014]S8：直到所有的子任务都训练完毕，得到最后的θ；
[0015]S9：通过S8得到的初始化参数θ，使用目标水果图像为数据集，经过一两次迭代训练得到优秀的分类效果。
[0016]进一步，步骤S3中，骨干网络DenseNet
‑
121提取目标特征分为4个阶段，将每个阶段提取的特征与FPN进行特征融合；底层特征层通过1
×
1的卷积得到与上一层特征层相同的通道数，上层的特征层通过上采样得到与下一层特征层一样的长和宽，再进行相加得到融合好的新的特征层。
[0017]进一步，步骤S3中，采用随机池化替换骨干网DenseNet
‑
121中的最大池化和平均池化。
[0018]进一步，步骤S6、S7中，将骨干网络的参数φ0赋值给任务m独有的网络，得到初始的使用任务m的Support Set，基于任务m的学习率α
m
，对m进行1次优化，更新基于1次优化后的使用Query Set计算任务m的并计算对的梯度，用该梯度，乘以元网络的学习率α，更新φ0，得到φ1；采样1个任务n，将参数φ1赋值给任务n，得到初始的使用任务n的训练数据，基于任务n的学习率β，对进行一次优化，更新基于1次优化后的使用Query Set计算任务n的loss—l
m
并计算上的梯度，用该梯度，乘以元网络的学习率α，更新φ1，得到φ2；在训练任务上，重复执行本步骤直至所有采样任务采样完成。
[0019]进一步，步骤S6、S7中，所使用的损失函数为交叉熵损失函数：
[0020][0021]其中，i表示观测样本，c表示类别，M表示类别数量，N表示类别总数，y
ic
表示符号函数，取值0或1，如果样本i的真实类别等于c则取1，否则取0；p
ic
表示观测样本i属于类别c的预测概率。
[0022]进一步，步骤S9中，只需要少量的目标水果图像作为数据集。
[0023]进一步，步骤S9中，使用DenseNet
‑
121作为特征提取网络。
[0024]进一步，水果图像分类包括成熟度分类、品质分类和种类分类。
[0025]本专利技术的有益效果在于：
[0026]1)本专利技术能够解决自然光照条件变化、果实聚类重叠、枝叶遮挡的分类难题以及针对不同类型的水果进行检测，具有较好的鲁棒性和通用性。
[0027]2)本专利技术采用MAML网络，不仅可以准确地识别水果类别，而且还能只需要少量目标水果图像，节省了数据标注成本和计算成本。
[0028]3)本专利技术采用密集连接网络(DenseNet)作为骨干网络提取图像特征，由于密集连接结构不会增加模型参数，可以降低梯度消失和训练的难度，提高模型的收敛性能。
[0029]4)本专利技术采用特征金字塔网络(FPN)扩展骨干网络，在小目标分类方面效果比较明显，解决果实部分遮挡或果实目标体积小被忽略等问题。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本元学习的水果图像分类方法，其特征在于：包括以下步骤：S1：采集多类自然环境下的果实图像，并进行尺寸缩放，分类标注训练图像和测试图像作为元数据集，采集少量目标水果图像完成标注；S2：准备N个训练任务以及每个训练任务对应的Support Set和Query Set；再准备多个测试任务，用于评估模型学习到的参数的效果；训练任务和测试任务均从采集的数据中采样产生；S3：采用模型无关的元学习模型MAML作为图像分类的主体算法，将密集连接网络DenseNet
‑
121作为骨干网络，并结合特征金字塔网络FPN架构对经过标注和尺寸缩放处理后的图像进行目标特征提取；S4：初始化DenseNet
‑
121网络参数为θ，设定子任务内的学习率α和任务间的学习率β；S5：每一次训练从中提取一个或者一个批次子任务T
i
；S6：在子任务T
i
中，利用loss函数对θ进行梯度更新，其更新公式为重复在任务T
i
中利用loss函数对θ进行梯度更新的过程即为内循环过程；S7：当子任务T
i
训练完，利用在所有任务上的loss和的梯度更新最后的θ，其更新公式为重复在任务T
i
训练完后利用在所有任务上的loss和的梯度更新最后的θ的过程即为外循环过程；S8：直到所有的子任务都训练完毕，得到最后的θ；S9：通过S8得到的初始化参数θ，使用目标水果图像为数据集，经过一两次迭代训练得到优秀的分类效果。2.根据权利要求1所述的基于小样本元学习的水果图像分类方法，其特征在于：步骤S3中，骨干网络DenseNet
‑
121提取目标特征分为4个阶段，将每个阶段提取的特征与FPN进行特征融合；底层特征层通过1
×
1的...

【专利技术属性】
技术研发人员：郑太雄，谭科，杨新琴，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：