本发明专利技术提出一种基于改进ResNet的花生荚果品质检测分类方法，以ResNet18作为模型训练的最佳骨干特征提取网络，并设计KRSNet模块、CSPNet模块和CBAM注意力模块三种模型对算法进行优化，KRSNet模块使模型轻量化，CSPNet模块提高每个特征层的学习效率，CBAM注意力模块提高捕捉花生荚果的更多特征信息的能力，并通过花生荚果数据库对设计的模型进行评价和泛化实验，为其他农产品精确分级或分类提供参考。本方案提出的花生荚果品质检测分类模型具有较高的有效性，同时该模型适合部署在移动终端等嵌入式资源受限设备上，实现对花生荚果品质的实时准确识别，具有准确度高、轻量化和易嵌套等优点，具有更高的实用和推广价值。具有更高的实用和推广价值。具有更高的实用和推广价值。
【技术实现步骤摘要】
基于改进ResNet的花生荚果品质检测分类方法
[0001]本专利技术涉及花生荚果识别领域，具体涉及一种花生荚果品质分类方法，基于改进ResNet的卷积神经网络实现花生荚果品质检测分类。
技术介绍
[0002]花生是重要的经济作物和油料作物，花生荚果品质检测是花生贮藏、深加工及提高产品档次和附加值的关键技术之一。花生在生长、秧果分离、运输和存储过程中易发生虫害、破损、发芽及霉变等缺陷，使得花生品质参差不齐，甚至花生的霉变会产生致癌物质黄曲霉毒素，严重威胁到人们的健康。不同品质的花生荚果用途不同，价格不同，经济效益也不同，在售卖、加工或出口前进行品质分类，可以提升花生荚果的价值，还可以实现产品的多渠道利用。通过品质检测，可使花生荚果品质基本达到一致，对其后续的贮藏、深加工及提高产品档次和市场竞争力具有重要意义。花生的产业化、规模化也使人们对花生荚果品质等级、检测效率有了更高的要求。
[0003]随着花生种植规模的扩大和花生深加工的发展，对花生市场提出了更多更高的消费需求。由此对花生荚果品质分类的精度和效率提出了更高的要求。传统人工分类主观性强，效率低，成本高，而机械分类容易损坏产品，分类精度也难以保证。目前，深度算法在农业方面得到了广泛的应用，卷积神经网络技术在实际农业环境中的应用如图像分类、目标检测、图像分割等领域独树一帜，拥有较好的性能和适应性。由此花生仁和花生荚果在这方面的研究也引起了学者们的关注，但是花生仁的分类检测适用于花生种子等的品质检测，适用范围小，相比之下，花生荚果的智能筛选更具有实际意义和普遍性。
[0004]在花生荚果的相关研究中，对荚果品种的检测研究较多，而对于荚果品质的研究较少，而花生地域种植都是固定品种因而品种识别实用性不大。张瑞青等提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法，通过迁移AlexNet卷积层对花生荚果5个等级分类识别。邓立苗等提取尺寸、形状、颜色和纹理特征，使用支持向量机(SVM)和K
‑
means算法作为品种识别和谱系聚类的识别模型和聚类方法。但是，目前花生荚果品质检测研究存在取样繁琐且成本高、准确率不高、实时性差等缺点，上述算法容量大且不易嵌入移动设备，仅限于理论层面无法普及应用。目前亟待设计一种快速、准确、经济、智能的花生荚果品质检测算法，同时适合嵌入到小型硬件设备实现在线检测，对于花生品质研究具有重要的科学和社会意义。
技术实现思路
[0005]本专利技术为现有技术中花生荚果品质识别算法所存在的缺陷，提出一种基于改进ResNet的花生荚果品质检测分类方法，以ResNet18作为模型训练的最佳骨干特征提取网络，并设计KRSNet模块、CSPNet模块和CBAM注意力模块三种模型对算法进行优化，以快速、准确的对花生荚果品质检测，同时适合嵌入到小型硬件设备实现在线检测。
[0006]本专利技术是采用以下的技术方案实现的：一种基于改进ResNet的花生荚果品质检测
分类方法，包括以下步骤：
[0007]步骤A、建立花生荚果分类数据集，构建PQDA模型并对模型进行训练；
[0008]步骤A1、构建数据集：构建花生荚果图像数据库，对花生荚果图像数据进行分类，包括正常、虫害、发霉、单果、破损和发芽6个类别；
[0009]步骤A2、构建PQDA模型：以ResNet18网络为骨干，将CBAM注意力模块、KRS轻量化方法和CSPNet模块加入ResNet18网络中；
[0010](1)对于输入的花生荚果图像首先经过首个卷积层得到输入特征图，利用CSPNet模型思路，将输入特征图分为两部分并行计算，一部分用于当前残差块计算，另一部分跨阶段传递；
[0011](2)残差块计算部分使用KRS轻量化方法，修改其中的直接映射部分与残差部分，在得到残差部分的输出特征图F后，引入CBAM注意力机制，将输出特征图F作为CBAM的输入，用以提高模型特征提取能力，并使跨阶段传递部分经1
×
1卷积调整通道数；
[0012](3)按照CSPNet模型架构将直接映射部分和残差部分输出拼接合并，输出当前阶段新生成的卷积特征图；将新生成的卷积特征图代替原始ResNet1 8经残差块生成的卷积特征图进行前向传播，其余部分按原始ResNet18网络搭建，完成PQDA模型构建；
[0013]步骤B、采集待分类的花生荚果图像数据，基于训练好的PQDA模型中对花生荚果品质检测分类。
[0014]进一步的，所述步骤A2中，所引入的CBAM注意力机制由通道注意力机制和空间注意力机制串联形成，加入到PQDA模型每个残差块的残差部分中，将输出特征图F作为CBAM模块的输入，特征图F经CBAM模块处理后，输出被加权后的特征F
″
；将F
″
代替F与残差块的直接映射部分相加组成CBAM
‑
ResBlock结构，在搭建CBAM
‑
ResNet18网络时将CBAM
‑
ResBlock结构替换原始的ResBlock结构。
[0015]进一步的，所述步骤A2中，使用KRS轻量化方法，更换ResNet18模型首个卷积层的卷积核，用小卷积核更换原始ResNet18结构中的大卷积核从而使模型参数量下降优化，ResNet18模型中残差块的直接映射部分，修改ResNet18模型中残差块残差部分的卷积结构，从而使模型参数量减小，复杂度降低，具体方式如下：将ResNet18模型首个卷积层中的一个7
×
7大小卷积核用三个3
×
3大小卷积核替换，降低模型参数量；对ResNet18模型中残差块的直接映射部分进行优化，用平均池化层代替直接映射部分的1
×
1卷积结构，实现下采样功能，加入平均池化层可以使模型结构简化，防止过拟合现象；修改ResNet18模型中残差块的残差部分，采用三个卷积核分别为1
×
1、3
×
3、1
×
1的卷积层替代两个卷积核都为3
×
3大小的卷积层，使模型参数量进一步下降。
[0016]进一步的，所述步骤A2中，将CSPNet算法融入到ResNet18模型中时，在ResNet18的每个残差块之间加入CSPNet的特征图分割操作，将输入特征图分为两部分，一部分用于当前残差块计算，另一部分跨阶段传递；当两部分特征图输出尺寸不同时，将跨阶段传递部分经1
×
1卷积进行通道调整，两部分特征图并行计算，可以降低特征图的重复利用，提高计算效率；之后将两部分特征图通过拼接操作进行合并，形成CSPNet模块的输出特征图。
[0017]进一步的，所述步骤A1中，在构建数据集时，结合每种花生的特征对不同品种花生图像分别进行加入高斯噪声、明亮度变换、垂直对称变换的操作对数据集进行扩充，并将图像裁剪为统一大小。
[0018]进一步的，所述步骤A中，在对PQDA模型进行训练时，将输出模型训练的准确率Acc本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于改进ResNet的花生荚果品质检测分类方法，其特征在于，包括以下步骤：步骤A、建立花生荚果分类数据集，构建PQDA模型并训练；步骤A1、构建数据集：构建花生荚果图像数据库，对花生荚果图像数据进行分类，包括正常、虫害、发霉、单果、破损和发芽6个类别；步骤A2、构建PQDA模型：以ResNet18网络为骨干，将CBAM注意力模块、KRS轻量化方法和CSPNet模块加入ResNet18网络中；(1)对于输入的花生荚果图像首先经过首个卷积层得到输入特征图，利用CSPNet模型将输入特征图分为两部分并行计算，一部分用于当前残差块计算，另一部分跨阶段传递；(2)残差块计算部分使用KRS轻量化方法，修改其中的直接映射部分与残差部分，在得到残差部分的输出特征图F后，引入CBAM注意力机制，将输出特征图F作为CBAM的输入，并使跨阶段传递部分经1
×
1卷积调整通道数；(3)按照CSPNet模型架构思想将直接映射部分和残差部分输出拼接合并，输出当前阶段新生成的卷积特征图；将新生成的卷积特征图代替原始ResNet18经残差块生成的卷积特征图进行前向传播，其余部分按原始ResNet18网络搭建，完成PQDA模型构建；步骤B、采集待分类的花生荚果图像数据，基于训练好的PQDA模型对花生荚果品质检测分类。2.根据权利要求1所述的基于改进ResNet的花生荚果品质检测分类方法，其特征在于：所述步骤A2中，所引入的CBAM注意力机制由通道注意力机制和空间注意力机制串联形成，加入到PQDA模型每个残差块的残差部分中，将输出特征图F作为CBAM模块的输入，特征图F经CBAM模块处理后，输出被加权后的特征F
″
；将F
″
代替F与残差块的直接映射部分相加组成CBAM
‑
ResBlock结构，在搭建CBAM
‑
ResNet18网络时将CBAM
‑
ResBlock结构替换ResNet18网络的ResBlock结构。3....
【专利技术属性】
技术研发人员：王东伟，杨丽丽，王长龙，张宁，郭鹏，郑效帅，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。