一种基于深信度网络的害虫图像自动识别方法专利检索-受限玻尔兹曼机玻尔兹曼机人工神经网络机器学习人工智能专利检索查询-专利查询网

一种基于深信度网络的害虫图像自动识别方法

阅读：197发布：2020-11-09

专利汇可以提供一种基于深信度网络的害虫图像自动识别方法专利检索，专利查询，专利分析的服务。并且本发明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。本发明能够提高害虫识别的准确率，增强害虫识别算法的鲁棒性。，下面是一种基于深信度网络的害虫图像自动识别方法专利的具体信息内容。

权利要求

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（1）具体包括：
（11）将所有训练图像的大小归一化为144×144；
（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16×16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。
3.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（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。

说明书全文

一种基于深信度网络的害虫图像自动识别方法

技术领域

[0001] 本发明涉及智能农业以及模式识别技术领域，具体是一种基于深信度网络的害虫图像自动识别方法。

背景技术

[0002] 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。

发明内容

[0003] 本发明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。

[0004] 本发明的技术方案为：

[0005] 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：

[0006] (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；

[0007] (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；

[0008] (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；

[0009] (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。

[0010] 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(1)具体包括：

[0011] (11)将所有训练图像的大小归一化为144×144；

[0012] (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；

[0013] (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；

[0014] (14)采用块尺寸为16×16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；

[0015] (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。

[0016] 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：

[0017] (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；

[0018] (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；

[0019] (23)采用softmax回归模型对输出层进行训练；

[0020] (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。

[0021] 本发明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；本发明对于光照、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

[0022] 图1是本发明的方法流程图。

具体实施方式

[0023] 下面，结合附图和具体实施例进一步说明本发明。

[0024] 如图1所示，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：

[0025] 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：

[0026] S11、将每幅训练图像的大小归一化为144×144。

[0027] 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。

[0028] 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。

[0029] S2、对训练样本进行特征提取，包括以下步骤：

[0030] 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16×16，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。

[0031] S22、将每个训练样本Ig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。

[0032] 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vi，是一个144*144+10404＝31140维向量。

[0033] S3、构造深信度网络CDBN，包括以下步骤：

[0034] 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1个输入层(可视层)、3个隐含层和1个输出层(分类层)。

[0035] 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。

[0036] S4、训练深信度网络CDBN，包括以下步骤：

[0037] 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表示输入层权值，a表示输入层偏置，b表示第一个隐含层偏置，并设定三个参数的学习率λw＝λa＝λb＝0.1。

[0038] S42、对输入层的输入vi0(此处的vi0即为训练样本Ig的联合图像特征向量vi)进0
行正向传播，计算出第一个隐含层的输出hj。

[0039] S43、对第一个隐含层的输出hj0进行反向传播，得到vi1。

[0040] S44、同样对vi1进行正向传播，得到hj1。

[0041] 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：

[0042] △wij＝λw(E[vi0hj0]-E[vi1hj1])

[0043] △ai＝λa(E[vi0]-E[vi1])

[0044] △bj＝λb(E[hj0]-E[hj1])

[0045] 其中E[·]表示求取数学期望。

[0046] S46、改变输入层的输入vi0，重复S42到S45，直至收敛。

[0047] 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。

[0048] S48、采用softmax回归模型训练CDBN的输出层。

[0049] 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。

[0050] S5、对待测害虫图像进行分类，包括以下步骤：

[0051] S51、采用手机或者相机拍摄田间的害虫图像；

[0052] 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144×144的测试样本。

[0053] 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。

[0054] 以上所述实施方式仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

标题	发布/更新时间	阅读量
步长预测方法、控制器、定位设备和可读存储介质	2020-05-08	182
基于泛函深度信念网络的日太阳辐射资源评估方法	2020-05-15	529
一种基于语音属性分类的交互系统及其方法	2020-05-19	590
一种语音识别方法及装置	2020-05-17	483
一种基于有限元和深度信念网络的均压环优化设计方法	2020-05-17	138
基于深度信念网络和扫描叠加的微震源自动定位方法	2020-05-08	317
一种新型的配电网运行状态画像分析方法	2020-05-18	619
一种变电站二次设备状态监测方法及可读存储介质	2020-05-19	236
结合判别式深度置信网络和主动学习的心电分类方法	2020-05-16	886
一种跨模态检索方法及系统	2020-05-15	91

一种基于深信度网络的害虫图像自动识别方法

一种基于深信度网络的害虫图像自动识别方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：