一种高精度农作物病虫害图像的识别方法技术

本发明专利技术涉及一种高精度农作物病虫害图像的识别方法，具体是先对图像进行细化的特征提取，把这些提取到的特征构成一个特征集，再将该特征集里面的特征构造不同的图形，接着通过多维度神经节点依次对每个图形进行覆盖并把在该多维度神经节点覆盖范围里面的特征从特征集里面剥离出去，然后依前述过程逐一对特征空间集里面构造的每个图形进行覆盖，直到将特征集里面的所有特征剥离空为止，此时根据得出的最终覆盖范围来推导出图像识别的不连续落差覆盖率即识别的精确度。本发明专利技术构思合理，提高了识别的维度，能在大量异构数据集中很好的提取图像的特征并进行分类识别，不存在随着图像数据量的增大而降低了识别精度的问题，显著提高了图像识别精确度。

A high precision image recognition method of crop diseases and insect pests

【技术实现步骤摘要】
一种高精度农作物病虫害图像的识别方法
本专利技术涉及图像识别
，尤其涉及一种高精度的农作物病虫害图像识别的方法。
技术介绍
计算机视觉技术，在上世纪五十年代主要是用于对二维图像进行识别和分析，到了六十年代，科学家们开始利用计算机视觉技术来研究三维图像的识别。一直到上世纪八十年代，有更多学者提出了很多计算机视觉方面的新的理论和研究方法，这也为计算机视觉技术在农业方面的应用和研究奠定了基础。在早期人们并不会把计算机视觉技术很好地应用到智慧农业方面，尤其是农作物病虫害的识别方面。早期的农业病虫害识别主要是靠着人工记录和拍照技术，这样严重的影响了农作物病虫害的及时处理。在农业应用方面，早期的图像模式识别技术主要是应用在了农作物质量监控，农作物生长环境的控制，农作物分类等方面。但是在智慧农业中的农作物病虫害的识别和分类相关的技术和相关的科学研究都很少。在此基础之上，国外的一些科学家较早的开始对计算机视觉技术在农作物病虫害方面的识别和分类进行了研究和实验，而国内由于早期技术的不成熟，所以这方面的研究和应用都开始的比较晚，现在主要还是靠农业专家到现场对农作物的生长情况，以及农作物病虫害的情况进行监测和记录，对病虫害的智能识别技术的应用并不广泛。病虫害的智能识别里面最主要的就是要对各个图像的特征进行提取，传统的病虫害图像识别主要是利用卷积神经网络模式来进行分类识别。利用卷积神经网络体系结构的分层以及神经网络结构的学习特性，对采集到的图像特征进行分类识别，同时利用softmax函数(也称为多项式逻辑回归)把图像进行分类。但是在图像数据特别大的情况，利用softmax函数进行分类的方法的预测性能较低。要通过卷积神经网络模式获得更高的图像识别精度，我们就需要更多卷积神经网络里面的学习参数以及模式里面的训练数据量，这样不仅增加了识别的复杂度而且增加了图像数据分类的复杂性。除此之外，在图像像素和大小不变的情况下，如果卷积神经网络的结构的深度不断加大，图像识别的精度并不能随着结构深度的变大而提高。现在主要主要有基于卷积神经网络(CNN)的图像特征提取方法和仿生模式(BPR)识别方法。基于卷积神经网络的图像特征提取方法主要分为了卷积神经网络的正向传播和反向传播，两者到使用了具有交替作用的卷积层和一个卷积神经网络的体系结构，在这个体系结构中有一个输出层，这个输出层里面每一个字符类都用一个单独的节点表示，通过卷积神经网络的训练之后，只是把各大连接层里面的参数保留了，以便用这个参数去提取里面的特征向量，然后将这些特征向量用一个分类器进行分类识别。基于卷积神经网络的图像特征提取方法主要是运用了神经网络的学习特点，同时需要把它分成很多层，每一层对应的训练方法不同，但是需要把图像数据进行集中从而归一化，这样就导致了如果有不同尺寸的图像就不能一起进行训练，只能分开来，还有就是卷积神经网络只有学习过能但是不具有记忆这个功能，它虽然对普通二维图像处理使用，但是对于视频或者自然语言的处理能力并不理想。仿生模式识别模型方法是一个基于物质识别的模型方法，它模仿了人类的认知功能，从而把图像进行分类，最后根据这些分类对图像进行识别；仿生模式识别的分类过程主要是通过在像素空间里面构造复杂的几何图形，再用卷积神经对这些图形进行覆盖，同时找出里面每个基点的最小距离，最后算出通过这种多纬度的覆盖来岁图像进行分类，然后进行识别；仿生模式识别模型方法是一个注重分类识别的方法，它通过在像素空间里面构造复杂的几何图形，再用卷积神经对这些图形进行覆盖，但是在覆盖的时候，空间维度变大会使覆盖的时候覆盖率降低，而且当数据集过大的时候，空间图形覆盖将会变得十分麻烦，不仅效率有所降低，而且降低了识别的精确度。综上所述，有必要对现有技术作进一步改进和创新。
技术实现思路
本专利技术的目的在于从原有的CNN(卷积神经网络)模型和BPR(仿生模式识别)模型为前提，提出了一种构思合理，使用多维度神经节点来对每个单一形状进行覆盖，以此来解除图像识别维度上的限制，提高了识别的维度，能在大量异构数据集中很好的提取图像的特征并进行分类识别，不存在随着图像数据量的增大而降低了识别精度的问题，显著提高了图像识别精确度的高精度农作物病虫害图像的识别方法。本专利技术的技术方案如下：上述的高精度农作物病虫害图像的识别方法，具体是先对图像进行细化的特征提取，把这些提取到的特征构成一个特征集，再将该特征集里面的特征构造不同的图形，接着通过多维度神经节点依次对每个图形进行覆盖并把在该多维度神经节点覆盖范围里面的特征从特征集里面剥离出去，然后依前述过程通过多维度神经节点逐一对特征空间集里面构造的每个图形进行覆盖，直到将特征集里面的所有特征剥离空为止，此时根据得出的最终覆盖范围来推导出图像识别的不连续落差覆盖率即识别的精确度。所述高精度农作物病虫害图像的识别方法，其具体包括以下步骤：(1)构造一个训练集H，H＝{H1，H2，…，HL}，其中训练集中包含了N个类，HK是第k个类，包含了N个采样点，HK＝{L1，L2，…，LN}；(2)计算HK中任意两个采样点之间的距离，并从HK中找两个采样点M11和M12，令ρ(M11，M12)为最小的Hi，Hi∈SK{ρ(Hi，Hj)}，其中Hi≠Hj；(3)找出第三个采样点M13，M13∈HK-{M11，M12}但不在采样M11和采样M12组成的直线上面，然后连接M13，M11和M12这三个采样点组成一个平面的三角形A1；(4)再用神经元对三角形像素区域A1覆盖，覆盖的空间大小P1＝{Y|ρYF1＜Fh，Y∈Rn}，其中ρYF1表示Y和F1之间的距离；(5)判断H里面的每个采样点是否都在P1的覆盖范围里面，如果在覆盖范围里面，就把这个采样点从H里面剥离，并让HK＝HK-{Li|Li∈P1}；(6)从集合HK里面再找一个新采样点M21，并让该新采样点M21与M13、M11、M12这三个采样点的距离之和值最小；(7)对{M13，M11，M12}这三个采样点里面的两个采样点进行重新命名为M22和M23，已知这两个采样点M22和M23是和采样点M21距离最短的两个采样点，然后把M22，M23，M21连接起来组成第二个平面三角形A2；(8)再用神经元对像素三角形区域A2覆盖，覆盖的空间大小P2，集合HK的值变为HK＝HK-{M21}；(9)重复步骤(5)-(7)找出另外一个采样点Mi，Mi∈HK，然后将新找的采样点标记为Mi1、并且像步骤(7)那样把离Mi1最近的两个采样点分别标记为Mi2和Mi3；(10)然后连接Mi3，Mi1和Mi2这三个采样点组成一个平面的三角形Ai；再用神经元对此进行覆盖，覆盖的空间大小Pi，集合HK的值变为HK＝HK-{Mi}；(11)最后判HK集合是否是空集，如果不是空集就重复步骤(9)-(10)直到为空，如果为空就根据得出的K类的最终的覆盖范围来推导出图像识别的不连续落差覆盖率，即识别的精确度。所述高精度农作物病虫害图像的识别方法，本文档来自技高网...

【技术保护点】
1.一种高精度农作物病虫害图像的识别方法，其特征在于，具体是先对图像进行细化的特征提取，把这些提取到的特征构成一个特征集，再将该特征集里面的特征构造不同的图形，接着通过多维度神经节点依次对每个图形进行覆盖并把在该多维度神经节点覆盖范围里面的特征从特征集里面剥离出去，然后依前述过程通过多维度神经节点逐一对特征空间集里面构造的每个图形进行覆盖，直到将特征集里面的所有特征剥离空为止，此时根据得出的最终覆盖范围来推导出图像识别的不连续落差覆盖率即识别的精确度。/n

【技术特征摘要】
1.一种高精度农作物病虫害图像的识别方法，其特征在于，具体是先对图像进行细化的特征提取，把这些提取到的特征构成一个特征集，再将该特征集里面的特征构造不同的图形，接着通过多维度神经节点依次对每个图形进行覆盖并把在该多维度神经节点覆盖范围里面的特征从特征集里面剥离出去，然后依前述过程通过多维度神经节点逐一对特征空间集里面构造的每个图形进行覆盖，直到将特征集里面的所有特征剥离空为止，此时根据得出的最终覆盖范围来推导出图像识别的不连续落差覆盖率即识别的精确度。


2.如权利要求1所述的高精度农作物病虫害图像的识别方法，其特征在于，具体包括以下步骤：
(1)构造一个训练集H，H＝{H1，H2，…，HL}，其中训练集中包含了N个类，HK是第k个类，包含了N个采样点，HK＝{L1，L2，…，LN}；
(2)计算HK中任意两个采样点之间的距离，并从HK中找两个采样点M11和M12，令ρ(M11，M12)为最小的Hi，Hi∈SK{ρ(Hi，Hj)}，其中Hi≠Hj；
(3)找出第三个采样点M13，M13∈HK-{M11，M12}但不在采样M11和采样M12组成的直线上面，然后连接M13，M11和M12这三个采样点组成一个平面的三角形A1；
(4)再用神经元对三角形像素区域A1覆盖，覆盖的空间大小P1＝{Y|ρYF1＜Fh，Y∈Rn}，其中ρYF1表示Y和F1之间的距离；
(5)判断H里面的每个采样点是否都在P1的覆盖范围里面，如果在覆盖范围里面，就把这个采样点从H里面剥离，并让HK＝HK-{Li|Li∈P1}；
(6)从集合HK里面再找一个新采样点M21，并让该新采样点M21与M13、M11、M12这三个采样点的距离之和值最小；
(7)对{M13，M11，M12}这三个采样点里面的两个采样...

【专利技术属性】
技术研发人员：高燕，何瑞，唐聃，曾琼，岳希，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川;51