一种倒置残差网络结合注意力机制的掺假羊肉检测方法

本发明属于深度学习方法对肉类的快速检测，涉及构建一种倒置残差网络结合注意力机制的卷积神经网络结构进而利用其建立分类检测模型并进行掺假羊肉检测的方法。

背景技术：

1、随着检测技术的发展，使用智能手机结合机器学习和深度学习方法逐渐被应用于肉类的检测。深度学习方法在图像处理领域表现出巨大的优势，然而，人们为了追求更强的网络性能，不断加深卷积神经网络模型的层数使得模型出现梯度消失和网络退化等问题。残差网络的提出，是深度学习领域的一个重要进步，有效缓解了卷积神经网络中增加深度带来的问题，但残差网络模型参数过多，收敛速度较慢，不利于移植到移动端；同时针对尺寸较大、信息较复杂的图像，做分类或识别时，残差网络的性能会下降。目前，利用倒置残差网络结合注意力机制的卷积神经网络在移动端对掺假羊肉进行较高精度的检测未见报道。

技术实现思路

1、本发明的目的是构建一种倒置残差网络结合注意力机制的卷积神经网络结构进而利用其建立分类检测模型并进行掺假羊肉检测的方法，包括构建掺假羊肉检测的卷积神经网络，然后建立掺假羊肉分类检测模型，再将模型移植到移动端对掺假羊肉进行检测，旨在解决经典的残差网络中参数过多、收敛速度较慢及针对成分复杂的掺假羊肉分类检测精度不高、操作复杂等问题。

2、本发明采用的技术方案如下：

3、一种倒置残差网络结合注意力机制的掺假羊肉检测方法，特征在于：先构建掺假羊肉检测的卷积神经网络，然后建立掺假羊肉分类检测模型，再将模型移植到移动端对掺假羊肉进行检测；

4、所述的构建掺假羊肉检测的卷积神经网络具体如下：

5、构建的一种倒置残差网络结合注意力机制的卷积神经网络包括有输入层、conv1、conv2_x、conv3_x、conv4_x、conv5_x和output层；其中conv1由标准卷积单元组成， conv2_x、conv3_x、conv4_x、conv5_x层由两个标准卷积单元和一个深度卷积单元构成的倒置残差模块与注意力机制模块堆叠组成，output层由全连接层与分类层组成；其工作流程如下：首先输入层输入的数据在conv1层进行标准卷积，经最大池化后，在conv2_x、conv3_x、conv4_x、conv5_x层交换数据降维和升维的顺序并引入注意力机制模块，获得空间与通道上的特征，最后经平均池化后在output层输出分类结果；

6、所述的建立掺假羊肉分类检测模型的具体步骤如下：

7、步骤一：制备质量一致、密度均匀、颗粒度一致的掺假羊肉样品；

8、步骤二：利用图像采集系统对掺假羊肉样品进行图像采集；

9、步骤三：对掺假羊肉样品的图像进行背景分割预处理，并在此基础上进行数据增强；

10、步骤四：将增强后的图像数据划分为训练集和测试集；在构建的倒置残差网络结合注意力机制的卷积神经网络结构中利用训练集与测试集对掺假羊肉分类检测模型进行建模，并确定模型参数，建立掺假羊肉分类检测模型；

11、步骤五：将掺假羊肉样品图像的预处理程序和训练好的掺假羊肉分类检测模型移植到移动端，并开发移动端掺假羊肉检测系统；

12、所述的在移动端对待检测掺假羊肉样品检测的具体步骤如下：

13、步骤a：制备质量一致、密度均匀、颗粒度一致的待检测羊肉样品；

14、步骤b：利用移动端的图像采集系统对待检测羊肉样品进行图像采集；

15、步骤c：利用移植好的移动端系统对待检测羊肉样品的图像进行预处理，然后利用移动端的掺假羊肉分类检测模型对待检测羊肉样品进行检测，输出检测结果。

16、上述构建的一种倒置残差网络结合注意力机制的卷积神经网络可用于不同的残差网络中，例如：resnet50、resnet101、resnet152。

17、上述倒置残差网络结合注意力机制的卷积神经网络结构中，倒置残差结构将压缩后的低维特征输入后，先使用标准卷积实现升维，再通过深度卷积提取高维特征，最后使用标准卷积实现降维；注意力机制分为通道注意力和空间注意力两部分，在通道和空间两部分对特征图进行重标定；计算公式分别如下：

18、

19、

20、上述步骤一和步骤a中，样品制备时，制备质量一致、密度均匀、颗粒度一致的掺假羊肉肉糜。

21、上述步骤二和步骤b中，在实验室恒温、恒湿的环境下对样品进行图像采集。图像采集装置包括：暗箱、智能手机、光源、样品台和位移平台。

22、上述步骤三和步骤c中，涉及的图像处理方法包括：霍夫圆变换和霍夫线变换。优选霍夫圆变换方式对样本图像进行分割。

23、上述步骤四中，涉及的优化器包括：sgd、adam，对应的学习效率为：0.001，0.0001，优选sgd优化器，学习效率设置为0.001。

24、上述所述步骤五中，移动端检测系统主要包括前端界面和后端处理两部分；前端界面实现待检测图片和检测结果的显示；后端处理包括图像获取、图像处理和模型检测的功能；移动端对待检测掺假羊肉样品的图像获取方式包括：在图库中选择图像和打开移动端摄像头拍摄图像。

25、本发明与现有技术相比优势在于：

26、第一、通过倒置残差网络减少高维空间计算量，提高模型收敛速度，降低模型参数，实现模型结构轻量化；

27、第二、引入注意力机制，利用图像的通道、空间特征，对特征权重再分配，强化图像的特征差异，有效提高检测精度，实现对掺假羊肉样品的高精度检测；

28、第三、将利用倒置残差网络结合注意力机制的卷积神经网络建立的掺假羊肉分类检测模型移植到移动端，具有良好的便携性和实用性。

技术特征：

1.一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：先构建掺假羊肉检测的卷积神经网络，然后建立掺假羊肉分类检测模型，再将模型移植到移动端对掺假羊肉进行检测；

2.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述的倒置残差网络结合注意力机制的卷积神经网络可用于不同的残差网络中，例如：resnet50、resnet101、resnet152。

3.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述的倒置残差结构将压缩后的低维特征输入后，先使用标准卷积实现升维，再通过深度卷积提取高维特征，最后使用标准卷积实现降维。

4.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述的注意力机制分为通道注意力和空间注意力两部分，在通道和空间两部分对特征图进行重标定；计算公式分别如下：

5.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述步骤一和步骤a中，样品制备时，制备质量一致、密度均匀、颗粒度一致的掺假羊肉肉糜。

6.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述步骤二和步骤b中，在实验室恒温、恒湿的环境下对样品进行图像采集。图像采集装置包括：暗箱、智能手机、光源、样品台和位移平台。

7.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述步骤三和步骤c中，涉及的图像处理方法包括：霍夫圆变换和霍夫线变换。优选霍夫圆变换方式对样本图像进行分割。

8.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述步骤四中，涉及的优化器包括：sgd、adam，对应的学习效率为：0.001，0.0001，优选sgd优化器，学习效率设置为0.001。

9.根据权利要求1所述的一种倒置残差网络结合注意力机制的掺假羊肉检测方法，其特征在于：所述步骤五中，移动端检测系统主要包括前端界面和后端处理两部分；前端界面实现待检测图片和检测结果的显示；后端处理包括图像获取、图像处理和模型检测的功能；移动端对待检测掺假羊肉样品的图像获取方式包括：在图库中选择图像和打开移动端摄像头拍摄图像。

技术总结
一种倒置残差网络结合注意力机制的掺假羊肉检测方法，尤其涉及构建一种倒置残差网络结合注意力机制的卷积神经网络结构进而利用其建立分类检测模型并进行掺假羊肉检测的方法，包括构建掺假羊肉检测的卷积神经网络，然后建立掺假羊肉分类检测模型，再将模型移植到移动端对掺假羊肉进行检测。本发明将经典残差网络中的残差结构替换为倒置残差结构，有效提高了模型收敛速度，使模型结构轻量化；在倒置残差结构中引入注意力机制强化图像的特征差异，从而更全面获取特征信息，提高检测精度；并将建立的掺假羊肉分类检测模型移植到移动端，具有良好的便携性和实用性。

技术研发人员：朱荣光,张怡欣,何东宇,范彬彬
受保护的技术使用者：石河子大学
技术研发日：
技术公布日：2024/1/25