CN104077580A

CN104077580A - 一种基于深信度网络的害虫图像自动识别方法

Info

Publication number: CN104077580A
Application number: CN201410337568.2A
Authority: CN
Inventors: 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
Original assignee: Hefei Institutes of Physical Science of CAS
Current assignee: Hefei Institutes of Physical Science of CAS
Priority date: 2014-07-15
Filing date: 2014-07-15
Publication date: 2014-10-01

Abstract

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。

Description

一种基于深信度网络的害虫图像自动识别方法

技术领域

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

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***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

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。

本发明的技术方案为：

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：

(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。

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：

(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。

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

图1是本发明的方法流程图。

具体实施方式

下面，结合附图和具体实施例进一步说明本发明。

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：

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144×144。

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I_g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。

S22、将每个训练样本I_g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I_g中存在((144-8)/8)*((144-8)/8)＝289个块，因此，每个训练样本I_g获取的HOG特征直方图H_g的特征维数为36*289＝10404维。

S23、将训练样本I_g拉直后与其HOG特征直方图H_g串联得到训练样本I_g的联合图像特征向量v_i，是一个144*144+10404＝31140维向量。

S3、构造深信度网络C_DBN，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C_DBN，包括1个输入层(可视层)、3个隐含层和1个输出层(分类层)。

S32、指定C_DBN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C_DBN，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λ_w＝λ_a＝λ_b＝0.1。

S42、对输入层的输入v_i ⁰(此处的v_i ⁰即为训练样本I_g的联合图像特征向量v_i)进行正向传播，计算出第一个隐含层的输出h_j ⁰。

S43、对第一个隐含层的输出h_j ⁰进行反向传播，得到v_i ¹。

S44、同样对v_i ¹进行正向传播，得到h_j ¹。

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：

△w_ij＝λ_w(E[v_i ⁰h_j ⁰]-E[v_i ¹h_j ¹])

△a_i＝λ_a(E[v_i ⁰]-E[v_i ¹])

△b_j＝λ_b(E[h_j ⁰]-E[h_j ¹])

其中E[·]表示求取数学期望。

S46、改变输入层的输入v_i ⁰，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C_DBN的前四层网络。

S48、采用softmax回归模型训练C_DBN的输出层。

S49、采用反向传播BP算法对整个C_DBN进行调整，优化C_DBN的参数，完成C_DBN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144×144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v_t(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v_t输入训练完成的C_DBN中，进行害虫图像的自动识别。

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。

Claims

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。