一种基于深信度网络的害虫图像自动识别方法技术

本发明专利技术提供一种基于深信度网络的害虫图像自动识别方法，包括以下步骤：对收集的若干训练图像进行预处理，得到若干训练样本，对训练样本进行HOG特征提取，形成训练样本的联合图像特征向量；构造基于受限玻尔兹曼机的深信度网络，将训练样本的联合图像特征向量输入构造的深信度网络，完成对深信度网络的训练；对待测害虫图像进行预处理，得到测试样本，对测试样本进行HOG特征提取，形成测试样本的联合图像特征向量；将测试样本的联合图像特征向量输入训练完成的深信度网络，识别得到待测害虫图像的类别。本发明专利技术能够提高害虫识别的准确率，增强害虫识别算法的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及智能农业以及模式识别
，具体是。
技术介绍
害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产。现行的害虫分类、识别工作主要是依靠少数植保专家和农技人员来完成的，但害虫种类繁多，而每一位植保专家穷其所能也只能识别部分害虫。越来越多的迹象表明，对害虫识别需求的增多与害虫识别专家相对较少的矛盾已日益加剧。然而，现有的害虫图像自动识别方法及系统识别率不高，鲁棒性较差，只存在于实验阶段。因此，寻求一种识别率高、鲁棒性强的害虫图像自动识别方法具有非常重要的意义。当今在模式识别领域，基于无监督的深度学习理论成为众多学者研究的热点，在人脸识别、物体识别领域被广泛应用，并取得了较好的效果。
技术实现思路
本专利技术的目的在于提供一种识别率高、鲁棒性强的基于深信度网络的害虫图像自动识别方法。 本专利技术的技术方案为: ，包括以下步骤: (I)对收集的若干训练图像进行预处理，得到若干训练样本，对训练样本进行HOG特征提取，形成训练样本的联合图像特征向量； (2)构造基于受限玻尔兹曼机的深信度网络，将训练样本的联合图像特征向量输入构造的深信度网络，完成对深信度网络的训练； (3)对待测害虫图像进行预处理，得到测试样本，对测试样本进行HOG特征提取，形成测试样本的联合图像特征向量； (4)将测试样本的联合图像特征向量输入训练完成的深信度网络，识别得到待测害虫图像的类别。 所述的基于深信度网络的害虫图像自动识别方法，所述步骤(I)具体包括: (11)将所有训练图像的大小归一化为144X 144 ； (12)将归一化后的训练图像进行灰度化、灰度均衡化和滤波处理，得到训练样本； (13)将训练样本划分为相互交叠的块，使每个块与相邻的块有50%的面积相互重叠； (14)采用块尺寸为16 X 16且每个块的特征维数为36维的HOG算子对训练样本进行特征提取，得到特征维数为10404维的HOG特征直方图； (15)将训练样本拉直后与其HOG特征直方图串联，形成训练样本的联合图像特征向量，该联合图像特征向量的维数为31140维。 所述的基于深信度网络的害虫图像自动识别方法，所述步骤(2)具体包括: (21)构造基于受限玻尔兹曼机的五层深信度网络，包括一个输入层、三个隐含层和一个输出层，设定各层的节点数，其中，输入层的节点数与训练样本的联合图像特征向量的维数一致，输出层的节点数与待分类图像的类别数一致； (22)采用对比散度算法对输入层和三个隐含层进行逐层贪婪训练，计算出各层的权值和偏置以及三个隐含层的输出值； (23)采用softmax回归模型对输出层进行训练； (24)采用反向传播算法对整个深信度网络进行调整，优化深信度网络的参数，完成全局训练。 本专利技术构造的深信度网络具有多个隐含层，拥有比浅层网络更加优异的特征表达能力，将原始图像和特征直方图相结合作为深信度网络的输入数据，在保留图像外观信息的基础上突出了局部梯度方向的统计信息；本专利技术对于光照、背景变化的害虫图像，仍可以获得较好的分类性能，提高了害虫识别的准确率，增强了害虫识别算法的鲁棒性，达到了实际应用水平。 【附图说明】 图1是本专利技术的方法流程图。 【具体实施方式】 下面，结合附图和具体实施例进一步说明本专利技术。 如图1所示，，包括以下步骤: S1、收集若干幅图像作为训练图像，对所有训练图像进行预处理，得到若干个训练样本，包括以下步骤: S11、将每幅训练图像的大小归一化为144X144。 S12、将归一化后的训练图像灰度化，并将灰度化后的训练图像灰度均衡化。 S13、采用高斯滤波算法对灰度均衡化后的训练图像进行平滑处理，消除噪声对训练图像质量的影响。 S2、对训练样本进行特征提取，包括以下步骤: S21、采用矩形方向梯度直方图HOG算子对每个训练样本Ig进行特征提取，其中，HOG算子的块(block)尺寸为16 X 16，每个块等分为不重叠的4个单元(cell)，每个单元中获取的梯度方向(范围是0-180° )合并为9个区间，即20°为一个区间，每个单元的特征维数是9维，则每个块的特征维数是4*9 = 36维。 S22、将每个训练样本18划分为相互交叠的块，每个块与相邻的块有50%的面积相互重叠，则每个训练样本Ig中存在((144-8)/8) *((144-8)/8) = 289个块，因此,每个训练样本Ig获取的HOG特征直方图Hg的特征维数为36*289 = 10404维。 S23、将训练样本Ig拉直后与其HOG特征直方图Hg串联得到训练样本Ig的联合图像特征向量1V是一个144*144+10404 = 31140维向量。 S3、构造深信度网络CDBN，包括以下步骤: S31、综合考虑害虫识别准确率和训练时间开销，构造基于受限玻尔兹曼机RBM的5层深信度网络Cdbn，包括I个输入层(可视层)、3个隐含层和I个输出层(分类层)。 S32、指定Cdbn的输入层节点数为31140，第一个隐含层的节点数为500，第二个隐含层的节点数为500，第三个隐含层的节点数为2000，输出层节点数为待分类图像的类别数。 S4、训练深信度网络Cdbn，包括以下步骤: S41、开始进行第一个RBM(31140-500)的训练，随机初始化模型参数Θ = {w, a, b},其中，w表不输入层权值，a表不输入层偏置，b表不第一个隐含层偏置,并设定三个参数的学习率= λ a = Ab = O-10 S42、对输入层的输入Vi° (此处的Vi°即为训练样本Ig的联合图像特征向量Vi)进行正向传播，计算出第一个隐含层的输出h/1。 S43、对第一个隐含层的输出h/进行反向传播，得到v/。 S44、同样对Vi1进行正向传播，得到h/。 S45、结合各参数对应的学习率,更新模型参数Θ = {w, a, b},各参数的变化量是: Δ Wij = λ ,,(Etv^hj0] -Etv/hj1]) Aai= λ a(E[Vi0]-Etvi1]) Δ bj = λ b(E [h/] -E [h/]) 其中E[.]表示求取数学期望。 S46、改变输入层的输入Vi°，重复S42到S45，直至收敛。 S47、将第一个RBM的输出作为第二个RBM(500-500)的输入，利用上述训练方法完成第二个RBM的训练；用同样方法完成第三个RBM的训练；将三个RBM堆叠，形成Cdbn的前四层网络。 S48、采用softmax回归模型训练Cdbn的输出层。 S49、采用反向传播BP算法对整个Cdbn进行调整，优化Cdbn的参数，完成Cdbn的全局训练。 S5、对待测害虫图像进行分类，包括以下步骤: S51、采用手机或者相机拍摄田间的害虫图像； S52、待测害虫图像经归一化、灰度化、灰度均衡化、平滑处理后，得到与训练样本大小一致的144X144的测试样本。 S53、提取测试样本的HOG特征，形成联合图像特征向量Vt (具体步骤同训练样本的HOG特征提取)，将测试样本的联合图像特征向量Vt输入训练完成的Cdbn中，进行害虫图像的自动识别。 以上所述实施方式本文档来自技高网...

【技术保护点】
一种基于深信度网络的害虫图像自动识别方法，其特征在于，包括以下步骤：（1）对收集的若干训练图像进行预处理，得到若干训练样本，对训练样本进行HOG特征提取，形成训练样本的联合图像特征向量；（2）构造基于受限玻尔兹曼机的深信度网络，将训练样本的联合图像特征向量输入构造的深信度网络，完成对深信度网络的训练； （3）对待测害虫图像进行预处理，得到测试样本，对测试样本进行HOG特征提取，形成测试样本的联合图像特征向量；（4）将测试样本的联合图像特征向量输入训练完成的深信度网络，识别得到待测害虫图像的类别。

【技术特征摘要】
1.一种基于深信度网络的害虫图像自动识别方法，其特征在于，包括以下步骤: (1)对收集的若干训练图像进行预处理，得到若干训练样本，对训练样本进行HOG特征提取，形成训练样本的联合图像特征向量； (2)构造基于受限玻尔兹曼机的深信度网络，将训练样本的联合图像特征向量输入构造的深信度网络，完成对深信度网络的训练； (3)对待测害虫图像进行预处理，得到测试样本，对测试样本进行HOG特征提取，形成测试样本的联合图像特征向量； (4)将测试样本的联合图像特征向量输入训练完成的深信度网络，识别得到待测害虫图像的类别。2.根据权利要求1所述的基于深信度网络的害虫图像自动识别方法，其特征在于，所述步骤(I)具体包括: (11)将所有训练图像的大小归一化为144X144 ； (12)将归一化后的训练图像进行灰度化、灰度均衡化和滤波处理，得到训练样本； (13)将训练样本划分为相互交叠的块，使每个块与相邻的块有50%的面积相互重叠...

【专利技术属性】
技术研发人员：王儒敬，洪沛霖，谢成军，李瑞，张洁，宋良图，董伟，周林立，郭书普，张立平，黄河，聂余满，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽;34