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：