[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

摘要

本发明公开一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，该方法包括以下步骤：步骤一、对害虫图像识别训练数据集进行预处理，使用富边缘检测算法(Rich‑Edge)对该灰度图进行害虫边缘检测。步骤二、构建贝叶斯宽度残差神经网络(Bayesian Wide‑ResidualNetwork，BWResNet)。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。利用步骤一中得到的害虫边缘图像训练集得到BWResNet的总误差函数。步骤四、利用步骤三中得到的误差函数，对网络进行训练。在这里我们提出分块共轭(Block‑cg)算法对网络进行训练。步骤五、根据步骤四中优化后的网络更新超参数。步骤六、重复执行步骤四、五，得到最终的网络，将害虫图像验证集输入到网络后得到的分类准确率更高。

主权项

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(简称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＝{xk,yk}其中k＝1,2,3...,K，初始化超参数α和β，假定网络的参数W(权值和阈值等)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。