[发明专利]一种基于细粒度分类技术的害虫图像分类方法

权利要求书

1.一种基于细粒度分类技术的害虫图像分类方法，其特征在于，包括以下步骤：

11)训练图像的获取：获取待训练的害虫图像数据集并进行预处理；

12)害虫分类模型的构建：基于ResNet18网络和交叉熵损失函数构建害虫分类模型，记为DB_RN18模型；

所述害虫分类模型的构建包括以下步骤：

121)设定ResNet18网络，并在ResNet18网络最后一个ResBlock层与分类层之间，添加两个DeconvBlock模块，构建DB_RN18分类模型；

122)在两个DeconvBlock模块中均添加Channel attention和Spatial attention机制；

123)基于交叉熵损失函数构建适用细粒度图像分类的损失函数：设定对细粒度图像识别模型置信分数较敏感的Loss函数，在同一个batchsize内，预测正确且同一个batchsize内样本集的置信度稳定、预测正确但样本集的置信度动态变化和batchsize内预测错误三种情况，分别给出不同的Loss函数用来奖励或惩罚模型，且随着模型深度加入，惩罚的程度逐渐减轻；

13)害虫分类模型的训练：利用待训练的害虫图像数据集对害虫DB_RN18模型进行训练，设计对DB_RN18模型的分类结果更敏感的损失函数，采用端到端方式完成；

所述害虫分类模型的训练包括以下步骤：

131)将待训练的害虫图像数据集输入ResNet18网络进行训练；

132)对ResNet18网络上路分支ResBlock的输出特征图作Channel attention和Spatial attention处理，获得包含卷积层特征图深层特征信息的Attention map，扩大模型的感受野；

133)对ResNet18最后一层卷积层特征图作反卷积处理，扩展卷积特征图尺寸；

134)融合上述的Attention map和反卷积特征图信息，利用双卷积层提取融合后特征图信息；即将最后一个ResBlock的输出Op和上路分支ResBlock的输出Oss作为反卷积块输入，其表达式如下：

Oss＝{Oss_n':n'∈[1,M]},Oss∈R^{M×H′×W′}，

其中，N和M分别表示最后一个ResBlock和上路分支ResBlock输出的通道数量，H和W表示输出特征图的高和宽，且H′＝2×H，W′＝2×W；

135)训练细粒度图像分类的损失函数；

14)待识别害虫图像的获取：获取待识别的害虫图像并进行预处理；

15)害虫分类结果的获得：将预处理后的害虫图像输入到训练后的DB_RN18模型获得分类结果。