一种基于分级预测卷积神经网络的害虫图像分类方法
专利汇可以提供一种基于分级预测卷积神经网络的害虫图像分类方法专利检索，专利查询，专利分析的服务。并且本 发明 涉及一种基于分级预测 卷积神经网络 的 害虫 图像分类方法，与 现有技术 相比解决了害虫图像分类正确率低的 缺陷 。本发明包括以下步骤：对训练图像进行收集和预处理；对图像样本数据进行标注；训练基于分级预测卷积神经网络的分类模型；对待测图像进行预处理；基于分级模型自动进行害虫图像分类。本发明采用了分级预测 框架 ，先预测图像的分割结果然后再结合整体图像，共同进行最终的分类预测。，下面是一种基于分级预测卷积神经网络的害虫图像分类方法专利的具体信息内容。
1.一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于,包括以下步骤：
11)对训练图像进行收集和预处理，收集若干幅图像作为训练图像，所有训练图像均进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本；
12)对图像样本数据进行标注，对样本图片内容进行人工标注，标注出图像分割边界、类别和害虫种类，将图像分割成害虫、作物、背景三类，结合训练样本作为训练样本数据集合；
13)训练基于分级预测卷积神经网络的分类模型，训练基于分级预测卷积神经网络的分类模型，将训练样本作为输入，完成神经网络分类模型的训练；所述的训练基于分级预测卷积神经网络的分类模型包括以下步骤：
131)训练基于FCNN的图像分割网络模型；
设置层数为7层的全卷积网络层，输入训练样本，使用人工标注的病虫、作物、背景分割结果作为学习标注，利用深度学习框架Caffe进行网络模型的训练，输出为能够对害虫图像进行分割的全卷积神经网络模型；
所述的训练基于FCNN的图像分割网络模型包括以下步骤：
1311)构建7层全卷积网络结构，每层卷积网络的大小如下：
第一层卷积核大小为11×11，特征图个数为96；第二层卷积核为5x5，特征图个数为
256；第三、四、五层卷积核均为3×3，特征图个数分别为384、384、256；第六、七层卷积核均为1×1，特征图个数分别为512、3；
1312)最后一个卷积层的输出大小为27×27×3，其中27×27是图像二维空间大小，3是分割类的数目，任意27×27位置上的3个目标值根据其每个位置感受野所属的害虫、作物还是背景来定，如果感受野中包括不止一个类别，使用占最多像素个数的那个类别来作为标注；
1313)针对27×27的每个位置，在3个类别上进行softmax操作，最终损失函数为在27×
27位置上的softmax损失之和L，其计算公式如下：
其中 为位置(h,w)上的标注分割类别，M为分割类别
的数目，等于3；
1314)基于网络和目标函数的定义，输入训练样本数据，基于随机梯度下降算法进行模型训练优化；
132)训练基于CNN的图像分类模型，
设置层数为8层的卷积分类网络，将根据训练好的分割模型分割后获得的害虫、作物、背景三幅图像，加上未分割的整体图像，总共四幅图像作为输入，人工标注的害虫分类结果作为学习标注，利用深度学习框架Caffe进行网络模型的训练，输出图像分类模型；
14)对待测图像进行预处理，将待测的害虫图像按256×256像素进行归一化处理，得到新的待测图像；
15)基于分级模型自动进行害虫图像分类，将处理后的待测图像输入经过训练的分级预测卷积神经网络模型中，进行害虫图像种类的自动识别。
2.根据权利要求1所述的一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于，所述的基于分级模型自动进行害虫图像分类包括以下步骤：
21)将待测图像输入到训练好FCNN分割模型中，获得图像中害虫、作物、背景的分割预测结果；
22)根据分割预测结果对原始图像进行分割，得到三幅新图像：害虫图像、作物图像、背景图像；
23)将待测图像和分割得到的害虫图像、作物图像、背景图像共四幅图像作为输入，输入到训练完成的基于CNN的分类模型中，预测得到可能性最大的分类作为分类结果输出。
3.根据权利要求1所述的一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于，所述的训练基于CNN的图像分类模型包括以下步骤：
31)构建4个5层的全卷积特征提取网络，分别对全图像、害虫图像、作物图像、背景图像进行卷积提取特征；
其卷积层的配置前四层一致，其卷积核大小分别为11、5、3、3，特征图个数分别为96、
256、384、384；在最后一层卷积上，卷积核大小均为3，全图像特征图个数为256，害虫图像为
96，作物图像48，背景图像12；
32)构建三层的全连接分类网络，使用特征提取的卷积网络输出作为输入，构建3层的分类网络，第一层和第二层的大小设置为4096，第三层分类层的大小是害虫种类的个数82；
33)针对最后一层的输出，进行82个值的softmax操作，学习目标损失函数定义如下：
其中 f(k)为最优一层第k位置上的值， 为输入图片标注害虫类
别对应的位置，K为分割类别的数目，这里是82；
34)基于网络和目标函数的定义，输入训练样本数据，基于随机梯度下降算法进行模型训练优化。
一种基于分级预测卷积神经网络的害虫图像分类方法
技术领域
背景技术
发明内容
1x1，特征图个数分别为512、3；
具体实施方式
1x1，特征图个数分别为512、3。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 基于计算机视觉效应的自动换纸系统和虫害监测系统 | 2020-05-12 | 272 |
| 杀虫蛋白的用途 | 2020-05-15 | 604 |
| 一种杀虫组合物 | 2020-05-17 | 295 |
| 多功能光电声学离子无人机 | 2020-05-14 | 901 |
| 一种智能农林害虫标准化调查方法及系统 | 2020-05-16 | 179 |
| 一种基于分级预测卷积神经网络的害虫图像分类方法 | 2020-05-16 | 32 |
| 基于图像分析的油茶病虫害模型训练方法和识别方法 | 2020-05-13 | 100 |
| 全自动微小昆虫诱集检测方法及其系统 | 2020-05-13 | 433 |
| 一种多功能害虫诱捕器 | 2020-05-08 | 598 |
| 一种诱杀虫装置 | 2020-05-16 | 364 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
