[发明专利]一种加入Dropout的卷积神经网络的果蔬图像识别方法

权利要求书

1.一种加入Dropout的卷积神经网络的果蔬图像识别方法，其特征在于：包括两层卷积滤波层、两层降采样层、一层全连接层、一层输出层；通过在所述卷积滤波层中加入一定比例的随机隐退Dropout，令某些神经元冻结，使其输出为0，进而减少过拟合现象；具体包括以下步骤：

步骤S1：将输入图像归一化至网络所需尺寸大小；

步骤S2：进行卷积：用一个可训练的滤波器卷积输入图像，得到卷积层的特征图，其中卷积层中引入Dropout的神经元的比例为30％；

步骤S3：进行降采样：对卷积层的特征图中每个n×n的邻域求平均得到降采样层的一个值，进而使得降采样层的特征图在各个维度都比卷积层的特征图缩小了n倍；

步骤S4：进行全连接：将第二层降采样层的特征图展开成一个列向量，乘上加权值并通过激活函数得到输出层神经元的输出值；

步骤S5：求出输出值与标签值的的均方误差，网络采用基于带动量项的梯度下降反向传播算法，当迭代次数满足要求时终止卷积神经网络的训练。

2.根据权利要求1所述的一种加入Dropout的卷积神经网络的果蔬图像识别方法，其特征在于：所述网络所需尺寸为1:1的等宽高图像。

3.根据权利要求1所述的一种加入Dropout的卷积神经网络的果蔬图像识别方法，其特征在于：所述两层卷积滤波层均采用ReLU非线性非饱和函数作为激活函数进行映射得到输出值，加速网络收敛。

4.根据权利要求1所述的一种加入Dropout的卷积神经网络的果蔬图像识别方法，其特征在于：所述两层降采样层均采用均值采样，即对输入的上一层卷积滤波层的特征图的n×n区域求平均后作为该层的一个点。

5.根据权利要求1所述的一种加入Dropout的卷积神经网络的果蔬图像识别方法，其特征在于：步骤S5中所述基于带动量项的梯度下降反向传播算法中，采用的权重更新规则为：

$v_{i+1}={\mathrm{\αv}}_i-{\mathrm{\λ\η\ω}}_i-\mathrm{\η}{\left(\frac{\∂L}{\∂\mathrm{\ω}}{|}_{{\mathrm{\ω}}_i}\right)}_{D_i};$

ω_i+1＝ω_i+ν_i+1；

其中，i为迭代次数，η为学习率，λ为权重衰减因子，ω为权重向量，v_i表示动量，α为动量项系数；为第i批训练样本D_i的损失函数在权值为ω_i时关于ω的导数的平均值。