[发明专利]基于深度学习的桃品种识别方法

说明书

本发明实施例公开了一种基于深度学习的桃品种识别方法，对ResNet18算法进行改进，使得改进的ResNet18算法兼具准确性和轻量型，能够克服ResNet18网络的参数量大、推理速度慢且难以移植到移动端的问题。与传统的识别算法对比，在识别桃品种时，本申请无需人工设计来提取特征和进行单张桃果实图像的分割和特征提取，所以本申请所述的方法在识别桃品种时省时省力，快捷方便。

技术领域

本发明涉及图像领域，尤其涉及一种基于深度学习的桃品种识别方法。

背景技术

桃是原产于我国的古老水果之一，拥有近4000年的历史，目前全世界共有3000多种桃品种，且我国发现和新培育桃的种质资源超1300余份。因此，桃品种的识别研究能有效提高桃的培育研究和方便种质资源的收集工作。

识别桃的方法主要有形态学识别、SRAP标记和DNA分子标记等。目前最为主流的方法是形态识别方法，主要是通过桃的果实外观、呈现的颜色以及成熟期等特征进行判别。但是这种仅仅依靠自身知识、实践经验或者通过查阅资料来辨识桃品种的方法，存在着效率低下、精度低下且易受到人为主观因素干扰的问题。一方面桃的品种过多，有些品种是通过嫁接培育而来，各品种间的特征不明显；另一方面新品种的引进培育和管理研究需要资深农林专家的指导，费时费力且不利于广大苗圃场培育研究。通过化学、植物学和生物学等多种学科来判断，虽然可靠性较高，但需要专业的设备以及专业的科研人员，操作复杂，成本较高。桃包含毛桃、油桃、蟠桃、油蟠桃等多种大类，桃的果树育种涉及种质资源调查、收集、保存与利用等诸多环节，产生的数据非常复杂。为了提高桃的品种识别和种质保护工作效率，促进桃优良品种的选育，亟需研究一种智能无损识别桃品种的方法。

发明内容

为解决上述问题，本申请提出了一种基于深度学习的桃品种识别方，能够克服ResNet18网络的参数量大、推理速度慢且难以移植到移动端的问题。与传统的识别算法对比，在识别桃品种时，本申请所述的方法无需人工设计来提取特征和进行单张桃果实图像的分割和特征提取，所以本申请所述的方法在识别桃品种时省时省力，快捷方便。

本发明实施例提供了如下技术方案：

基于深度学习的桃品种识别方法，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。

其中，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。

其中操作，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。

其中，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。

其中，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。