CN104077580A - 一种基于深信度网络的害虫图像自动识别方法 - Google Patents
一种基于深信度网络的害虫图像自动识别方法 Download PDFInfo
- Publication number
- CN104077580A CN104077580A CN201410337568.2A CN201410337568A CN104077580A CN 104077580 A CN104077580 A CN 104077580A CN 201410337568 A CN201410337568 A CN 201410337568A CN 104077580 A CN104077580 A CN 104077580A
- Authority
- CN
- China
- Prior art keywords
- training
- image
- belief network
- training sample
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
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
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。
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。
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。
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。
S42、对输入层的输入vi 0(此处的vi 0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hj 0。
S43、对第一个隐含层的输出hj 0进行反向传播,得到vi 1。
S44、同样对vi 1进行正向传播,得到hj 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:
△wij=λw(E[vi 0hj 0]-E[vi 1hj 1])
△ai=λa(E[vi 0]-E[vi 1])
△bj=λb(E[hj 0]-E[hj 1])
其中E[·]表示求取数学期望。
S46、改变输入层的输入vi 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 (3)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410337568.2A CN104077580A (zh) | 2014-07-15 | 2014-07-15 | 一种基于深信度网络的害虫图像自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410337568.2A CN104077580A (zh) | 2014-07-15 | 2014-07-15 | 一种基于深信度网络的害虫图像自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104077580A true CN104077580A (zh) | 2014-10-01 |
Family
ID=51598828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410337568.2A Pending CN104077580A (zh) | 2014-07-15 | 2014-07-15 | 一种基于深信度网络的害虫图像自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104077580A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484684A (zh) * | 2015-01-05 | 2015-04-01 | 苏州大学 | 一种手写体识别方法及*** |
CN104636732A (zh) * | 2015-02-12 | 2015-05-20 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
CN105447441A (zh) * | 2015-03-19 | 2016-03-30 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN105844333A (zh) * | 2016-03-18 | 2016-08-10 | 厦门大学 | 一种基于深信度网络的免疫层析试条定量检测方法 |
CN106408037A (zh) * | 2015-07-30 | 2017-02-15 | 阿里巴巴集团控股有限公司 | 图像识别方法及装置 |
CN106548155A (zh) * | 2016-10-28 | 2017-03-29 | 安徽四创电子股份有限公司 | 一种基于深度信念网络的车牌检测方法 |
CN107194418A (zh) * | 2017-05-10 | 2017-09-22 | 中国科学院合肥物质科学研究院 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
CN111160416A (zh) * | 2019-12-12 | 2020-05-15 | 杭州电子科技大学 | 一种基于支持向量机的伊蚊识别方法 |
CN117475304A (zh) * | 2023-10-24 | 2024-01-30 | 北京佳格天地科技有限公司 | 基于人工智能的农业病虫害识别方法 |
CN117475304B (zh) * | 2023-10-24 | 2024-07-26 | 北京佳格天地科技有限公司 | 基于人工智能的农业病虫害识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199482A1 (en) * | 2002-04-15 | 2004-10-07 | Wilson Scott B. | Systems and methods for automatic and incremental learning of patient states from biomedical signals |
CN102930249A (zh) * | 2012-10-23 | 2013-02-13 | 四川农业大学 | 基于颜色和模型的农田害虫识别和计数方法 |
CN103778432A (zh) * | 2014-01-08 | 2014-05-07 | 南京邮电大学 | 一种基于深信度网络的人车分类方法 |
-
2014
- 2014-07-15 CN CN201410337568.2A patent/CN104077580A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040199482A1 (en) * | 2002-04-15 | 2004-10-07 | Wilson Scott B. | Systems and methods for automatic and incremental learning of patient states from biomedical signals |
CN102930249A (zh) * | 2012-10-23 | 2013-02-13 | 四川农业大学 | 基于颜色和模型的农田害虫识别和计数方法 |
CN103778432A (zh) * | 2014-01-08 | 2014-05-07 | 南京邮电大学 | 一种基于深信度网络的人车分类方法 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484684A (zh) * | 2015-01-05 | 2015-04-01 | 苏州大学 | 一种手写体识别方法及*** |
CN104484684B (zh) * | 2015-01-05 | 2018-11-02 | 苏州大学 | 一种手写体识别方法及*** |
CN104636732A (zh) * | 2015-02-12 | 2015-05-20 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
CN104636732B (zh) * | 2015-02-12 | 2017-11-07 | 合肥工业大学 | 一种基于序列深信度网络的行人识别方法 |
WO2016145940A1 (zh) * | 2015-03-19 | 2016-09-22 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN105447441A (zh) * | 2015-03-19 | 2016-03-30 | 北京天诚盛业科技有限公司 | 人脸认证方法和装置 |
CN105447441B (zh) * | 2015-03-19 | 2019-03-29 | 北京眼神智能科技有限公司 | 人脸认证方法和装置 |
CN106408037A (zh) * | 2015-07-30 | 2017-02-15 | 阿里巴巴集团控股有限公司 | 图像识别方法及装置 |
CN106408037B (zh) * | 2015-07-30 | 2020-02-18 | 阿里巴巴集团控股有限公司 | 图像识别方法及装置 |
CN105844333A (zh) * | 2016-03-18 | 2016-08-10 | 厦门大学 | 一种基于深信度网络的免疫层析试条定量检测方法 |
CN106548155A (zh) * | 2016-10-28 | 2017-03-29 | 安徽四创电子股份有限公司 | 一种基于深度信念网络的车牌检测方法 |
CN107194418A (zh) * | 2017-05-10 | 2017-09-22 | 中国科学院合肥物质科学研究院 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
CN108629370A (zh) * | 2018-04-28 | 2018-10-09 | 广东工业大学 | 一种基于深度置信网络的分类识别算法及装置 |
CN111160416A (zh) * | 2019-12-12 | 2020-05-15 | 杭州电子科技大学 | 一种基于支持向量机的伊蚊识别方法 |
CN111160416B (zh) * | 2019-12-12 | 2023-03-21 | 杭州电子科技大学 | 一种基于支持向量机的伊蚊识别方法 |
CN117475304A (zh) * | 2023-10-24 | 2024-01-30 | 北京佳格天地科技有限公司 | 基于人工智能的农业病虫害识别方法 |
CN117475304B (zh) * | 2023-10-24 | 2024-07-26 | 北京佳格天地科技有限公司 | 基于人工智能的农业病虫害识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104077580A (zh) | 一种基于深信度网络的害虫图像自动识别方法 | |
CN104143079B (zh) | 人脸属性识别的方法和*** | |
CN110097003A (zh) | 基于神经网络的课堂考勤方法、设备、存储介质及装置 | |
CN108198154A (zh) | 图像去噪方法、装置、设备及存储介质 | |
CN104850836A (zh) | 基于深度卷积神经网络的害虫图像自动识别方法 | |
CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及*** | |
CN105512676A (zh) | 一种智能终端上的食物识别方法 | |
CN110728656A (zh) | 基于元学习的无参考图像质量数据处理方法、智能终端 | |
CN109145766A (zh) | 模型训练方法、装置、识别方法、电子设备及存储介质 | |
CN108197669B (zh) | 卷积神经网络的特征训练方法及装置 | |
CN101763502A (zh) | 一种高效的敏感图像检测方法及其*** | |
CN114092769B (zh) | 基于联邦学习的变电站多场景巡检分析方法 | |
CN104636755A (zh) | 一种基于深度学习的人脸美丽评价方法 | |
CN109410190B (zh) | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 | |
CN111382808A (zh) | 一种车辆检测处理方法及装置 | |
CN110070539A (zh) | 基于信息熵的图像质量评价方法 | |
CN103971106A (zh) | 多视角人脸图像性别识别方法及装置 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断***与方法 | |
CN104091181A (zh) | 基于深度受限玻尔兹曼机的害虫图像自动识别方法及*** | |
CN111401169A (zh) | 基于监控视频信息的供电营业厅服务人员行为识别方法 | |
CN110852271A (zh) | 一种基于峰值帧和深度森林的微表情识别方法 | |
CN110348434A (zh) | 相机来源鉴别方法、***、存储介质和计算设备 | |
CN115953643A (zh) | 基于知识蒸馏的模型训练方法、装置及电子设备 | |
CN104484679B (zh) | 非制式枪射击弹头痕迹图像自动识别方法 | |
CN116958961A (zh) | 一种基于改进YOLOv8s的轻量级石榴识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141001 |