[发明专利]基于深度学习的桃品种识别方法

权利要求书

1.基于深度学习的桃品种识别方法，其特征在于，所述方法部署在移动终端，所述方法包括：

获取待识别的图像，待识别的图像中包含待识别的桃品，待识别的图像为移动终端拍摄的图像，或待识别的图像为移动终端中本地相册存储的图像；

使用深度学习算法对待识别的图像进行识别，得到桃品的识别结果，其中，深度学习算法为改进的ResNet18算法，改进的ResNet18算法兼具准确性和轻量型；

将桃品的识别结果在移动终端进行展示，所述桃品的识别结果包含桃品种对应的详细信息。

2.根据权利要求1所述的方法，其特征在于，改进的ResNet18算法改进部分包括：采用3x3,5x5和7x7的卷积并联相加融合特征的残差结构替换ResNet18中的仅3x3卷积的堆叠，同时去掉ResNet18算法残差主干的第二个3x3卷积，减少参数量和防止过拟合，实现残差结构轻量化。

3.根据权利要求2所述的方法，其特征在于，改进的ResNet18算法改进部分包括：将残差块组合进行跨阶段局部融合操作，对输入到残差块的特征图分成两个分支，主分支部分先进行1x1的卷积操作，将维度压缩到原来的一半，后接多个串联的多尺度残差块，次分支部分只进行1x1的降维操作，最后将两个分支的特征进行特征拼接操作，组成一个大的残差块。

4.根据权利要求1所述的方法，其特征在于，改进的ResNet18算法改进部分包括：将Focus模块替换ResNet18算法的头部7x7卷积，以保证位置信息的情况下减少了信息损失。

5.根据权利要求1所述的方法，其特征在于，改进的ResNet18算法改进部分包括：在ResNet18残差块中不进行降采样操作，将降采样操作放在两个大残差块之间，采用一个步长为2的3x3的降采样卷积层，与残差层结合特征提取与降采样的ResNet18网络相比进一步简化网络结构，减少模型参数。

6.根据权利要求1所述的方法，其特征在于，改进的ResNet18算法改进部分包括：调整残差块，将3x3卷积分解为1x3和3x1卷积，将5x5卷积分解为1x5和5x1卷积，将7x7卷积分解成1x7和7x1卷积，将大卷积分解为不对称的卷积核，保证感受野不变的前提下，降低参数量和增加更多的非线性，进一步轻量化模型并带来一定准确率的提高。

7.根据权利要求1所述的方法，其特征在于，改进的ResNet18算法改进部分包括：在跨阶段局部特征融合之后添加SE注意力模块，捕捉特征图中通道上的特征信息，重点提取特征图通道中桃果实特征，以减少背景等无关特征的干扰，使得网络更好的提取桃的果实特征。