(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210291675.0 (22)申请日 2022.03.23 (71)申请人 武汉工程大 学 地址 430074 湖北省武汉市洪山区雄楚大 街693号 (72)发明人 李亚楠　孙明　祁洋　 (74)专利代理 机构 湖北武汉 永嘉专利代理有限 公司 42102 专利代理师 樊凡 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06V 10/774(2022.01) G06K 9/62(2022.01) (54)发明名称 用于害虫图像分类的VEACNet网络模型和分 类方法 (57)摘要 本发明提供了用于害虫图像分类的VEACNet 网络模型和分类方法， 以害虫图像为处理对象， 构建基于不对称卷积的轻量化特征融合神经网 络模型， 采用标准卷积与不对称卷积双分支自动 提取害虫图像的特征， 通过训练和迭代反馈得到 害虫图像数据集中害虫图像的类别标签， 实现了 提高识别与分类害虫的效率和精度的功能。 本发 明的模型对实时的害虫图像进行分类， 自动对害 虫图像进行特征提取， 并利用提取到的图像特征 判定害虫的类别， 检测结果准确率高， 硬件消耗 成本低， 在有限的硬件条件下对害虫进行了有效 的分类。 权利要求书2页 说明书4页 附图2页 CN 114781585 A 2022.07.22 CN 114781585 A 1.用于害虫图像分类的VEACNet网络模型， 其特征在于： 包括依次串联的第一部分、 第 二部分和第三部分； 第一部分用于迅速缩减特征图大小， 包括依次串联的一个标准卷积层和一个最大池化 层； 第二部分用于提取主要特征， 包括并行的第一分支和第二分支； 第一分支包括两个标 准卷积层， 第二分支包括两个不对称卷积层， 第二分支的不对称卷积层的通道数与第一分 支的标准卷积层的通道数相同； 第一分支的第一个标准卷积层与第二分支的第一个不对称 卷积层的矩阵和分别输出到第一分支的第二个标准卷积层与第二分支的第二个不对称卷 积层， 第一分支的第二个标准卷积层与第二分支的第二个不对称卷积层的矩阵和为第二部 分的输出； 第三部分用于以扩大通道数的方式获得翻倍的图像特征， 包括一个标准卷积层， 和分 别串联在标准卷积层的输出端的一个最大池化层和一个平均池化层； 第三部分的标准卷积 层用于进一步扩大通道数； 第三部 分的最大池化层和平均池化层分别用于对第三部 分的标 准卷积层的输出结果进行池化以获得不同的图像特征； 第三部 分的最大池化层和平均池化 层分别输出的结果 拼接得到翻倍的图像特 征为第三部分的输出； VEACNet网络模型还包括连接在第三部分的输出端 的全连接层， 用于对展平后的图像 特征进行预测并输出。 2.根据权利要求1所述的用于害虫图像分类的VEACNet网络模型， 其特征在于： 第一部 分的标准卷积层和最大池化层的卷积核均为3 ×3， 且步幅均为2。 3.根据权利要求1所述的用于害虫图像分类的VEACNet网络模型， 其特征在于： 第二部 分的每个不对称卷积层均包括串联的一个3 ×3卷积层、 一个3 ×1卷积层和一个1 ×3卷积 层， 且步幅均为1， 每个卷积层的输入为上一个卷积层的输出； 所述的不对称卷积层还包括 一个1×1卷积层和一个3 ×3最大池化层， 3 ×3最大池化层的步幅为2； 则该不对称卷积层的 输出为所述的1 ×1卷积层、 3 ×3卷积层、 3 ×1卷积层和1 ×3卷积层的矩阵和经过3 ×3最大 池化层的输出。 4.根据权利要求1所述的用于害虫图像分类的VEACNet网络模型， 其特征在于： 第三部 分的标准卷积层的卷积核为3， 步幅为1； 第三部分的最大池化层的卷积核为3， 步幅为2； 第三部分的平均池化层的卷积核为3， 步幅为2。 5.根据权利要求1所述的用于害虫图像分类的VEACNet网络模型， 其特征在于： VEACNet 网络模型中所有的卷积和池化操作的填充都设置为0； 第一部分的通道数为(3， 64)； 第二部分的通道数为(128， 25 6， 256)； 第三部分的通道数为(25 6， 512， 1024)。 6.一种基于权利要求1至5中任意一项所述的用于图像分类的VEACNet网络模型的分类 方法， 其特 征在于： 包括以下步骤： S1： 获取并筛 选害虫图像， 构建害虫图像数据集， 包括训练集和 测试集； S2： 构建基于不对称卷积的VEACNet网络模型， 包括依次串联的第一部分、 第二部分和 第三部分；权　利　要　求　书 1/2 页 2 CN 114781585 A 2第一部分包括依次串联的一个标准卷积层和一个最大池化层； 第二部分包括并行的第一分支和第二分支； 第一分支包括两个标准卷积层， 第二分支 包括两个不对称卷积层， 第二分支的不对称卷积层的通道数与第一分支的标准卷积层的通 道数相同； 第一分支的第一个标准卷积层与第二分支的第一个不对称卷积层的矩阵和分别 输出到第一分支的第二个标准卷积层与第二分支的第二个不对称卷积层， 第一分支的第二 个标准卷积层与第二分支的第二个不对称卷积层的矩阵和为第二部分的输出； 第三部分包括一个标准卷积层， 和分别串联在标准卷积层的输出端的一个最大池化层 和一个平均池化层； 第三部 分的最大池化层和平均池化层分别输出的结果拼接得到翻倍的 图像特征为第三部分的输出； VEACNet网络模型还 包括连接在第三部分的输出端的全连接层； S3： 训练VEACNet网络模型； 初始化模型参数， 将训练集输入到VEACNet网络模型中进行 参数调整， 直至 输出结果稳定为 准确分类结果 为止； S4： 验证VEACNet网络模型； 训练完成后将测试集中的害虫图像输入到VEACNet轻量化 神经网络模型， 验证VEACNet轻量 化神经网络模型的准确性； S5： 将实时获取的害虫图像输入至训练好的VEACNet轻量化神经网络模型， 输出结果即 为分类结果。 7.根据权利要求6所述的分类方法， 其特 征在于： 所述的步骤S3中， 具体步骤为： VEACNet网络模型的输入固定为x*x， 若害虫图像大小小于x*x， 则在D0的害虫图像周围 填充0， 将D0的害虫图像尺寸 修改至x*x再输入VEACNet网络模型； 若害虫图像大小大于x*x， 则采用随机裁剪的方式从害虫图像 中截取x*x大小的图像作 为VEACNet网络模型的输入。 8.根据权利要求6所述的分类方法， 其特 征在于： 所述的步骤S3中， 具体步骤为： 在训练VEACNet网络模型时， 设置学习率为0.0002， 并行学习数batch  size为16， 训练 轮数epoch为100。 9.一种计算机存储介质， 其特征在于： 其内存储有可被计算机处理器执行的计算机程 序， 该计算机程序执 行如权利要求6 至权利要求8中任意 一项所述的分类方法。权　利　要　求　书 2/2 页 3 CN 114781585 A 3