[发明专利]基于贝叶斯宽度残差神经网络的害虫图像识别方法

权利要求书

1.一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，其特征在于：至少包括以下步骤：

步骤一、对害虫图像识别训练数据集进行预处理，先将害虫图像转化为灰度图，然后使用富边缘检测算法Rich-Edge对该灰度图进行害虫边缘检测，获取检测后的害虫图像；Rich-Edge算法的大概流程为：使用中值滤波器处理害虫图像，并且对处理后的图像分别使用Sobel和Canny算法进行边缘检测，对于获取到的结果进行叠加，得到边缘信息更加丰富的害虫图像；

步骤二、构建贝叶斯宽度残差神经网络BWResNet，对残差神经网络的结构进行修改，改变每个残差块的结构；为了获取到更多的特征图，我们在每个残差块上采用4通道的2个3*3的卷积核；为每个残差块设置两个卷积层；网络宽度的增加提高了性能，相同参数的情况下，宽度大的网络比深度大的网络训练更加容易；

步骤三、将步骤一得到的害虫边缘图像输入到步骤二构建的BWResNet中；将步骤一中得到的害虫边缘图像训练集记为D＝{x_k,y_k}其中k＝1,2,3...,K，对贝叶斯宽度残差神经网络的权重参数进行初始化，假定网络的参数符合高斯分布；根据贝叶斯方法对宽度残差神经网络结构、参数的不确定性进行衡量，得到误差函数；

步骤四、提出使用分块共轭算法Block-cg更新网络权重参数；利用步骤三中得到的误差函数，对宽度残差神经网络进行训练；对曲率矩阵和网络权重等进行分块处理，将整个共轭梯度划分为若干个相互独立的子问题，提高了计算效率；通过最小化损失函数更新网络权重参数；迭代执行Block-cg算法，优化网络权重参数；

步骤五、根据步骤四中优化后的网络权重，计算网络中有效权重参数的个数γ，使用更新后的权重参数更新超参数α和β；

步骤六、重复执行步骤四、五，训练网络、更新超参数α和β，最终得到优化后的网络权重参数，将害虫图像输入到网络，得到准确率较高的分类结果。

2.根据权利要求1所述的一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，其特征在于：步骤一中提出Rich-Edge算法对害虫图像进行边缘检测，将害虫图像转成灰度图，并且使用中值滤波对输入的图像去除椒盐噪声，Sobel算子可以检测到准确的位置信息，Canny算子能够检测到弱边缘，将两种方法得到的图像叠加，获取害虫边缘图像；上述操作将两种边缘检测算法相结合，提高了边缘检测的准确性，使得害虫图像在细节上更加丰富和完整，没有虚假边缘，抗干扰性更强。

3.根据权利要求1所述的一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，其特征在于：步骤二中提出贝叶斯宽度残差神经网络，基于贝叶斯方法对网络权重进行初始化，为每个残差块设置两个卷积层，由于小的卷积核效率更高，所以采用4通道的2个3*3的卷积核；通过增加通道数可以得到更多的特征图；贝叶斯宽度残差神经网络一定程度上通过增加网络宽度的方式显著提高了网络的分类效果，相比传统的ResNet，BWResNet的权重参数更少，训练速度快，并且与相同深度的ResNet相比具有更高的分类准确率；同时，贝叶斯方法可以有效的防止小数据集上的过拟合问题，当数据集增大时，BWResNet可以自适应的调整超参数。

4.根据权利要求1所述的一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，其特征在于：步骤四中采用Block-cg方法训练步骤二和步骤三中得到的BWResNet；Block-cg算法将步骤三中得到的误差函数最小化，将曲率矩阵分成独立的子块进行共轭梯度更新，最后将所有的子块合并到一起得到整个网络权重参数的更新；Block-cg算法通过将曲率矩阵拆分成独立的子块进行处理，降低了局部搜索的复杂性；Block-cg算法对比梯度下降、牛顿法以及共轭梯度等经典算法，具有计算效率高、计算复杂性小等优势，并且具有更好的收敛性和泛化能力。