CN106446942A - 基于增量学习的农作物病害识别方法 - Google Patents

基于增量学习的农作物病害识别方法 Download PDF

Info

Publication number
CN106446942A
CN106446942A CN201610828156.8A CN201610828156A CN106446942A CN 106446942 A CN106446942 A CN 106446942A CN 201610828156 A CN201610828156 A CN 201610828156A CN 106446942 A CN106446942 A CN 106446942A
Authority
CN
China
Prior art keywords
learning
disease
sample
image
training
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
Application number
CN201610828156.8A
Other languages
English (en)
Inventor
胡晓辉
杜永文
王军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou Jiaotong University
Original Assignee
Lanzhou Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou Jiaotong University filed Critical Lanzhou Jiaotong University
Priority to CN201610828156.8A priority Critical patent/CN106446942A/zh
Publication of CN106446942A publication Critical patent/CN106446942A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于增量学习的农作物病害识别方法，在新数据到达时在原有学习结果的基础上继续学习，具有渐进学习的能力，即在有效保留已有知识的情况下，能从分批获得的新样本中获取新知识，逐步提高性能；首先，收集病害样本库，利用负相关集成神经网络为主要技术手段对样本库病害图像模拟增量学习，从而确定负相关学习***的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器，利用初始阶段的样本训练此分类器；增量学习阶段，当专家将新的样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；最后，将病害图片的诊断结果及防治措施反馈给用户,从而准确的识别诊断病虫害，达到农作物综合防治的目的。

Description

基于增量学习的农作物病害识别方法
技术领域
本发明涉及模式识别和机器学习领域，尤其涉及一种基于增量学习的农作物病害识别方法。
背景技术
传统的农作物病害识别方法，通常是从病害样本数据库中提取的特征向量使用神经网络进行训练得到一个分类器，当用户上传病害图像时，根据训练得到分类器对病害种类进行识别。为了得到较高的分类精度，要求训练样本集越完备越好，但在实际应用中，完整的样本集很难获得，由于对问题理解的局限性和实际应用中的复杂性，很难精确、完整地定义训练样本集，使得一次性获得和保存所有数据的代价会随着时间增长变得越来越高；许多实际问题也不允许等到获得所有数据后再进行学习，当新样本加入时，为了得到更精确的学习结果，需要将以前训练集中的数据和新的训练集中的数据合并以后进行训练。这样操作复杂,每次都需要重新训练神经网络也需要消耗大量的时间和内存容量。特别地，如果训练数据特别大，内存容量可能无法满足训练神经网络的需求。
发明内容
本发明的目的在于提供一种识别效率高、识别种类多的基于增量学习的病害识别方法，该方法具有病害同类之间变化鲁棒性强、不同类之间相似性敏感的特点。
为实现上述目的发明采用如下方案：
基于增量学习的农作物病害识别方法，包括以下步骤：
步骤1收集原始病害图像进行图像预处理；
步骤1-1收集病害原始图像，标记其种类；
步骤1-2对病害图像进行灰度变换，把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量，转换公式如下：
Gray＝0.299*R+0.587*G+0.114*B
步骤1-3对病害图像进行图像增强，先使用中值滤波进行去噪，接着对去噪后的图像进行直方图均衡化；
步骤1-4对病害图像进行分割，采用阈值分割，将病害图像中病斑与叶片背景进行分离，获得只含有病斑的图像；
步骤1-5对病害图像进行轮廓提取；
步骤1-6对病害图像进行病害提取，将轮廓图像与原图叠加进行与运算，得到去除了叶片背景的病斑图像；
步骤2对经过预处理的病害图像进行特征提取，包括颜色特征、纹理特征以及形态特征，把提取的三方面的特征作为识别分类的特征向量，构建样本数据库；
步骤3利用负相关集成神经网络对样本库病害图像进行演化计算模拟增量学习过程，确定负相关学习***的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器；
步骤3-1对于病害样本训练集合D，
D＝{(x(1),d(1)),…,(x(N),d(N))}
x,d分别表示样本输入和输出，N为训练样本数；
步骤3-2该***由M个子分类器的个体神经网络集成而成，采用平均输出作为集成***的输出：
其中Fi(n)是第n个训练样本作为输入时个体神经网络i的输出，F(n)是第n个训练样本作为输入时集成***的输出；
负相关学习在每个个体网络的误差函数中引入了一个相关惩罚项，使得个体网络的误差与其它网络的误差呈负相关性，进而使得所有网络能够在训练集D上同时并且交互地进行训练。该误差函数定义如下：
Ei(n)是第n个训练样本作为输入时个体网络i的误差函数；公式(2)中第一项是个体网络i的经验风险函数，第二项中pi(n)为相关性惩罚函数；通过最小化pi，使得每个个体网络的误差和其余网络的误差呈负相关性；通过调节λ，0≤λ≤1来控制惩罚力度；
相关性惩罚函数pi(n)定义如下:
第n个训练样本作为输入时，Ei(n)关于网络i的输出的偏导为:
这里假定F(n)相对于Fi(n)是个常量,采用BP算法以顺序模式更新权值，即对于每个输入训练样本，所有个体网络的权值更新是通过公式(4)同时进行的，所有样本训练一遍，称为一个epoch；
训练过程中，所有的个体网络通过误差公式中的惩罚项相互作用；个体网络i的权值不仅要使Fi(n)与d(n)的差异最小，还要使F(n)与d(n)的差异最小；
步骤3-2通过演化学习模拟增量学习过程，获得一组最优的负相关集成神经网络的负相关惩罚因子强度、子网络数、子网络隐节点、子网络学习系数、学习误差及初始权重等参数；
该方法包括以下步骤：
(1)将初始训练样本集S随机分成m个子集{S0,S1,…Sm}，初始迭代次数k＝0；
(2)初始化N个负相关神经网络集成作为初始群体，每一个个体对应一个神经网络集成，每个网络集成的初始参数在取值范围内随机产生，设训练批次I＝0；
(3)新加入一批样本SI，用SI，0<I<m通过负相关学习方法训练每一个网络集成，直到在SI上错误率小于学习误差；
(4)如果I大于分批样本数m，则转向下一步，否则I＝I+1返回步骤(3)；
(5)在确认集上测试每个负相关网络集成的分类正确率，作为每个个体的适应度；
(6)删除N/2个适应度较差的个体，对于剩余的适应度较高的个体，每个个体随机选择另一个个体，通过交叉、变异产生一个后代；
(7)得到新一代群体，并用对应的参数重新初始化群体；
(8)如果k大于最大迭代次数，则转向下一步，否则k＝k+l，I＝0转向步骤(3)；
(9)选择适应度最高的个体的参数作为负相关神经网络集成增量学习算法的参数；
所采用的交叉策略是，后代个体的参数从父代个体的参数所确定区间内随机选择，公式如下所示：
x′ij＝xi+(xj-xi)·rand(0,1)+k·N(0,1)
公式中x′ij中表示的是父代i，j的子代个体参数且j≠i，rand(0，1)表示(0，1)区间的均匀分布随机数，N(0,1)表示(0,1)正态分布随机数,k为变异强度；
每一个网络集成都经过一定的增量学习过程，然后进行演化选择，最终获得的个体针对当前问题将具有良好的增量学习能力；
步骤3-3根据步骤3-2中获得的初始参数初始化一个基于负相关学习的神经网络集成分类器，利用初始阶段的样本训练此分类器；
步骤4增量学习阶段：当将新的病害样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；
步骤5病害识别阶段：上传病害图片，通过图像预处理提取病害特征，然后将病害特征输入训练好的分类器进行识别。
进一步，所述步骤1-4在灰度直方图上选取阈值，进行分割，采用基于OTSU算法和基本粒子群优化算法的双阈值进行图像分割：
OTSU自适应阈值求法与粒子群算法结合，将OTSU算法作为粒子群算法的适应值函数，计算每个粒子的适应度与最优阈值相比较，经过多次迭代最后取得联合算法优化的双阈值，利用所取得的阈值将病害图像中病斑与叶片背景进行分离。
进一步，所述步骤1-5采用Canny算法对病斑轮廓进行检测，用高斯滤波器平滑病斑图像，用一阶偏导有限差分计算病斑图像梯度幅值和方向，对梯度幅值进行非极大值抑制，最后用双阈值算法检测和连接边缘。
进一步，所述步骤2颜色特征提取时，综合运用RGB颜色空间、HIS颜色空间和YCbCr颜色空间分析病斑颜色，提取RGB颜色空间原始颜色R、G、B分量，归一化的颜色分量r、g、b，HIS颜色空间色调H、亮度I、饱和度S，YCbCr颜色空间色彩Cb、Cr值，以及一阶矩、二阶矩和三阶矩，共14个颜色特征向量；
进一步，所述步骤2纹理特征提取时，利用灰度共生矩阵算法和计盒维数法分析病害图像纹理分布，提取熵、能量、惯性、对比度、相关性和相关信息测度以及分形维数等7个纹理特征；
进一步，所述步骤2形态特征提取时，利用区域标记法和区域跟踪算法计算病斑面积、周长、圆度、球状性、形态因子、离散指数、等效面积半径以及内切圆半径等8个形态特征向量。
本发明基于增量学习的农作物病害识别方法，首先以农作物病害为对象，提取病害的颜色特征、纹理特征和形态特征构建特征向量；在初期阶段引入负相关学习策略，利用BP神经网络作为子网络构建集成神经网络，然后利用样本数据模拟增量学习的过程确定负相关学习***的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器，利用初始阶段的样本训练此分类器，将新的样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；当有用户上传病害样本时，利用该分类器可以识别出该病害的种类，并给出相应的诊断方法，从而达到农作物综合防治的目的。
增量学习算法能够在新数据到达时在原有学习结果的基础上继续学习，具有渐进学习的能力，即在有效保留已有知识的情况下，能从分批获得的新样本中获取新知识，逐步提高性能。首先，收集病害样本库，利用负相关集成神经网络为主要技术手段对样本库病害图像模拟增量学习，从而确定负相关学习***的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器，利用初始阶段的样本训练此分类器；增量学习阶段，当专家将新的样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；最后，将病害图片的诊断结果及防治措施反馈给用户,从而准确的识别诊断病虫害，达到农作物综合防治的目的。
附图说明
图1为本发明的流程图
图2为发明基于增量学习的病害识别运行时的流程图
具体实施方式
为使发明的目的、技术方案和优点更加清楚，下面发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。
如图1所示，本发明基于增量学习的农作物病害识别方法，首先以农作物病害为对象，提取病害的颜色特征、纹理特征和形态特征构建特征向量；在初期阶段引入负相关学习策略，利用BP神经网络作为子网络构建集成神经网络，然后利用样本数据模拟增量学习的过程确定负相关学习***的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器，利用初始阶段的样本训练此分类器，将新的样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；当有用户上传病害样本时，利用该分类器可以识别出该病害的种类，并给出相应的诊断方法，从而达到农作物综合防治的目的。
参照图2.本发明基于增量学习的农作物病害识别方法具体步骤如下：
步骤1，收集病害原始图像，标记其种类。对病害图像进行预处理包括灰度变换、图像增强、图像分割、轮廓提取、病害提取等处理。
所述灰度变换，拍照采集的病害图像为彩色图像，需要将其转换成对应的灰度图像，为把彩色病害图像转换成灰度图像,需提取每一个像素的R、G、B分量，转换公式如下：
Gray＝0.299*R+0.587*G+0.114*B
所述图像增强，先使用中值滤波进行去噪，过滤噪声，同时减少细节损失，接着对去噪后的图像进行直方图均衡化，不但可以去除噪声，还能得到对比度比较好的病害图像。
所述图像分割，采用的是阈值分割，分割图像目标是将病害图像中病斑与叶片背景进行分离，获得只含有病斑的图像，以消除噪声，得到更精确的病斑特征，以便后续对病斑进行特征提取，在灰度直方图上选取阈值，进行分割，然而阀值分割性能取决于阈值的选取。采用基于OTSU算法和基本粒子群优化算法的双阈值图像分割：
OTSU自适应阈值求法与粒子群算法结合，将OTSU算法作为粒子群算法的适应值函数，来计算每个粒子的适应度与最优阈值相比较，经过多次迭代最后取得联合算法优化的双阈值，利用所取得的阈值就可以将图像背景和目标区分开来。
所述轮廓提取，病害叶片的病斑含有丰富的形态信息，而病斑的一些形状特征蕴含在病斑轮廓里，而形态特征的参数依此来计算，因此需要进一步提取病斑的轮廓，采用Canny算法对病斑轮廓进行检测，具体方法为用高斯滤波器平滑病斑图像，用一阶偏导有限差分计算病斑图像梯度幅值和方向，对梯度幅值进行非极大值抑制，最后用双阈值算法检测和连接边缘。
所述病害提取，将轮廓图像与原图叠加进行与运算，得到去除了叶片背景的病斑图像，病斑部位被清晰地分离出来。
经过预处理的病害图像进行特征提取：颜色特征、纹理特征以及形态特征，把提取的三方面的特征作为识别分类的特征向量。
所述颜色特征，综合运用RGB颜色空间、HIS颜色空间和YCbCr颜色空间分析病斑颜色，提取RGB颜色空间原始颜色R、G、B分量，归一化的颜色分量r、g、b，HIS颜色空间色调H、亮度I、饱和度S，YCbCr颜色空间色彩Cb、Cr值，以及一阶矩、二阶矩和三阶矩，共14个颜色特征向量。
所述纹理特征，利用灰度共生矩阵算法和计盒维数法分析病害图像纹理分布，提取墒、能量、惯性、对比度、相关性和相关信息测度以及分形维数等7个纹理特征。
所述形态特征，利用区域标记法和区域跟踪算法计算病斑面积、周长、圆度、球状性、形态因子、离散指数、等效面积半径以及内切圆半径等8个形态特征向量。
其中Fi(n)是第n个训练样本作为输入时个体神经网络i的输出，F(n)是第n个训练样本作为输入时集成***的输出。
负相关学习在每个个体网络的误差函数中引入了一个相关惩罚项，使得个体网络的误差与其它网络的误差呈负相关性，进而使得所有网络能够在训练集D上同时并且交互地进行训练。该误差函数定义如下：
Ei(n)是第n个训练样本作为输入时个体网络i的误差函数。公式中第一项是个体网络i的经验风险函数，第二项中pi(n)为相关性惩罚函数。通过最小化pi，使得每个个体网络的误差和其余网络的误差呈负相关性。可以通过调节λ(0≤λ≤1)来控制惩罚力度。相关性惩罚函数pi(n)定义如下
第n个训练样本作为输入时，Ei(n)关于网络i的输出的偏导为
假定F(n)相对于Fi(n)是个常量。采用BP算法以顺序模式更新权值。即对于每个输入训练样本，所有个体网络的权值更新是通过公式(4)同时进行的。所有样本训练一遍。
训练过程中，所有的个体网络通过误差公式中的惩罚项相互作用。个体网络i的权值不仅要使Fi(n)与d(n)的差异最小，还要使F(n)与d(n)的差异最小。也就是说，在训练一个网络的时候，负相关学习要兼顾所有其它网络的学习情况。
该方法包括以下步骤：
(1)将初始训练样本集S随机分成m个子集{S0，S1，.…Sm)，k＝0。
(2)初始化N个负相关神经网络集成作为初始群体，每一个个体对应一个神经网络集成，每个网络集成的初始参数在取值范围内随机产生，设训练批次I＝0；
(3)新加入一批样本SI，用SI，0<I<m通过负相关学习方法训练每一个网络集成，直到在SI上错误率小于学习误差。
(4)如果I大于分批样本数m，则转向下一步，否则I＝I+1返回步骤(3)；
(5)在确认集上测试每个负相关网络集成的分类正确率，作为每个个体的适应度。
(5)在确认集上测试每个负相关网络集成的分类正确率，作为每个个体的适应度；
(6)删除N/2个适应度较差的个体，对于剩余的适应度较高的个体，每个个体随机选择另一个个体，通过交叉、变异产生一个后代。
(7)得到新一代群体，并用对应的参数重新初始化群体。
(8)如果k大于或等于最大迭代次数K，则转向下一步，否则k＝k+l，转向(3)。
(9)选择适应度最高的个体的参数作为负相关神经网络集成增量学习算法的参数。
本文所采用的交叉策略是，后代个体的参数从父代个体的参数所确定区间内随机选择，公式如下所示：
x′ij＝xi+(xj-xi)·rand(0,1)+k·N(0,1)
公式中x′ij中表示的是父代i，j的子代个体参数且j≠i，rand(0，1)表示(0，1)区间的均匀分布随机数，N(0,1)表示(0,1)正态分布随机数,k为变异强度；
步骤4根据步骤3-4中获得的初始参数初始化一个基于负相关学习的集成神经网络分类器，利用初始阶段的样本训练此分类器。
步骤4，增量学习阶段，当专家将新的样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的。
步骤5，用户上传病害图片，分类器将病害图片的诊断结果及防治措施反馈给用户,从而准确的识别诊断病害类别，达到农作物综合防治的目的。
最后应说明的是：以上实施例仅用以说明发明的技术方案，而非对其限制；尽管参照前述实施例对发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离发明各实施例技术方案的精神和范围。

Claims (6)

1.基于增量学习的农作物病害识别方法，其特征在于包括以下步骤：
步骤1收集原始病害图像进行图像预处理；
步骤1-1收集病害原始图像，标记其种类；
步骤1-2对病害图像进行灰度变换，把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量，转换公式如下：
Gray＝0.299*R+0.587*G+0.114*B
步骤1-3对病害图像进行图像增强，先使用中值滤波进行去噪，接着对去噪后的图像进行直方图均衡化；
步骤1-4对病害图像进行分割，采用阈值分割，将病害图像中病斑与叶片背景进行分离，获得只含有病斑的图像；
步骤1-5对病害图像进行轮廓提取；
步骤1-6对病害图像进行病害提取，将轮廓图像与原图叠加进行与运算，得到去除了叶片背景的病斑图像；
步骤2对经过预处理的病害图像进行特征提取，包括颜色特征、纹理特征以及形态特征，把提取的三方面的特征作为识别分类的特征向量，构建样本数据库；
步骤3利用负相关集成神经网络对样本库病害图像进行演化计算模拟增量学习过程，确定负相关学习***的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器；
步骤3-1对于病害样本训练集合D，
D＝{(x(1),d(1)),…,(x(N),d(N))}
x,d分别表示样本输入和输出，N为训练样本数；
步骤3-2该***由M个个体神经网络集成而成，采用平均输出作为集成***的输出：
F ( n ) = 1 M &Sigma; i = 1 m F i ( n ) - - - ( 1 )
其中Fi(n)是第n个训练样本作为输入时个体神经网络i的输出，F(n)是第n个训练样本作为输入时集成***的输出；
负相关学习在每个个体网络的误差函数中引入了一个相关惩罚项，使得个体网络的误差与其它网络的误差呈负相关性，进而使得所有网络能够在训练集D上同时并且交互地进行训练，该误差函数定义如下：
E i = 1 N &Sigma; n = 1 N E i ( n ) = 1 N &Sigma; n = 1 N 1 2 ( F i ( n ) - d ( n ) ) 2 + 1 N &Sigma; n = 1 N &lambda;p i ( n ) - - - ( 2 )
Ei(n)是第n个训练样本作为输入时个体网络i的误差函数；公式(2)中第一项是个体网络i的经验风险函数，第二项中pi(n)为相关性惩罚函数；通过最小化pi，使得每个个体网络的误差和其余网络的误差呈负相关性；通过调节λ，0≤λ≤1来控制惩罚力度；
相关性惩罚函数pi(n)定义如下:
p i ( n ) = ( F i ( n ) - F ( n ) ) &Sigma; j &NotEqual; i ( F j ( n ) - F ( n ) ) - - - ( 3 )
第n个训练样本作为输入时，Ei(n)关于网络i的输出的偏导为:
&part; E i ( n ) &part; F i ( n ) = F i ( n ) - d ( n ) + &lambda; &part; p i ( n ) &part; F i ( n ) = F i ( n ) - d ( n ) + &lambda; &Sigma; j &NotEqual; i ( F j ( n ) - F ( n ) ) = F i ( n ) - d ( n ) - &lambda; ( F i ( n ) - F ( n ) ) = ( 1 - &lambda; ) ( F i ( n ) - d ( n ) ) + &lambda; ( F ( n ) - d ( n ) ) - - - ( 4 )
这里假定F(n)相对于Fi(n)是个常量,采用BP算法以顺序模式更新权值，即对于每个输入训练样本，所有个体网络的权值更新是通过公式(4)同时进行的，所有样本训练一遍，称为一个epoch；
训练过程中，所有的个体网络通过误差公式中的惩罚项相互作用；个体网络i的权值不仅要使Fi(n)与d(n)的差异最小，还要使F(n)与d(n)的差异最小；
步骤3-2通过演化学习模拟增量学习过程，获得一组最优的负相关集成神经网络的负相关惩罚因子强度、子网络数、子网络隐节点、子网络学习系数、学习误差及初始权重等参数；
该方法包括以下步骤：
(1)将初始训练样本集S随机分成m个子集{S0,S1,…Sm}，初始迭代次数k＝0；
(2)初始化N个负相关神经网络集成作为初始群体，每一个个体对应一个神经网络集成，每个网络集成的初始参数在取值范围内随机产生，设训练批次I＝0；
(3)新加入一批样本SI，用SI，0<I<m通过负相关学习方法训练每一个网络集成，直到在SI上错误率小于学习误差；
(4)如果I大于分批样本数m，则转向下一步，否则I＝I+1返回步骤(3)；
(5)在确认集上测试每个负相关网络集成的分类正确率，作为每个个体的适应度；
(6)删除N/2个适应度较差的个体，对于剩余的适应度较高的个体，每个个体随机选择另一个个体，通过交叉、变异产生一个后代；
(7)得到新一代群体，并用对应的参数重新初始化群体；
(8)如果k大于最大迭代次数，则转向下一步，否则k＝k+l，I＝0转向步骤(3)；
(9)选择适应度最高的个体的参数作为负相关神经网络集成增量学习算法的参数；
所采用的交叉策略是，后代个体的参数从父代个体的参数所确定区间内随机选择，公式如下所示：
x′ij＝xi+(xj-xi)·rand(0,1)+k·N(0,1)
公式中x′ij中表示的是父代i，j的子代个体参数且j≠i，rand(0，1)表示(0，1)区间的均匀分布随机数，N(0,1)表示(0,1)正态分布随机数,k为变异强度；
每一个网络集成都经过一定的增量学习过程，然后进行演化选择，最终获得的个体针对当前问题将具有良好的增量学习能力；
步骤3-3根据步骤3-2中获得的初始参数初始化一个基于负相关学习的神经网络集成分类器，利用初始阶段的样本训练此分类器；
步骤4增量学习阶段：当将新的病害样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；
步骤5病害识别阶段：上传病害图片，通过图像预处理提取病害特征，然后将病害特征输入训练好的分类器进行识别。
2.根据权利要求1所述的基于增量学习的农作物病害识别方法，其特征在于：所述步骤1-4在灰度直方图上选取阈值，进行分割，采用基于OTSU算法和基本粒子群优化算法的双阈值进行图像分割：
OTSU自适应阈值求法与粒子群算法结合，将OTSU算法作为粒子群算法的适应值函数，计算每个粒子的适应度与最优阈值相比较，经过多次迭代最后取得联合算法优化的双阈值，利用所取得的阈值将病害图像中病斑与叶片背景进行分离。
3.根据权利要求1所述的基于增量学***滑病斑图像，用一阶偏导有限差分计算病斑图像梯度幅值和方向，对梯度幅值进行非极大值抑制，最后用双阈值算法检测和连接边缘。
4.根据权利要求1所述的基于增量学习的农作物病害识别方法，其特征在于：所述步骤2颜色特征提取时，综合运用RGB颜色空间、HIS颜色空间和YCbCr颜色空间分析病斑颜色，提取RGB颜色空间原始颜色R、G、B分量，归一化的颜色分量r、g、b，HIS颜色空间色调H、亮度I、饱和度S，YCbCr颜色空间色彩Cb、Cr值，以及一阶矩、二阶矩和三阶矩，共14个颜色特征向量。
5.根据权利要求1所述的基于增量学习的农作物病害识别方法，其特征在于：所述步骤2纹理特征提取时，利用灰度共生矩阵算法和计盒维数法分析病害图像纹理分布，提取熵、能量、惯性、对比度、相关性和相关信息测度以及分形维数等7个纹理特征。
6.根据权利要求1所述的基于增量学习的农作物病害识别方法，其特征在于：所述步骤2形态特征提取时，利用区域标记法和区域跟踪算法计算病斑面积、周长、圆度、球状性、形态因子、离散指数、等效面积半径以及内切圆半径等8个形态特征向量。
CN201610828156.8A 2016-09-18 2016-09-18 基于增量学习的农作物病害识别方法 Pending CN106446942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610828156.8A CN106446942A (zh) 2016-09-18 2016-09-18 基于增量学习的农作物病害识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610828156.8A CN106446942A (zh) 2016-09-18 2016-09-18 基于增量学习的农作物病害识别方法

Publications (1)

Publication Number Publication Date
CN106446942A true CN106446942A (zh) 2017-02-22

Family

ID=58169243

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610828156.8A Pending CN106446942A (zh) 2016-09-18 2016-09-18 基于增量学习的农作物病害识别方法

Country Status (1)

Country Link
CN (1) CN106446942A (zh)

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787446A (zh) * 2016-02-24 2016-07-20 上海劲牛信息技术有限公司 一种智慧农业病虫害远程自动诊断***
CN107154258A (zh) * 2017-04-10 2017-09-12 哈尔滨工程大学 基于负相关增量学习的声纹识别方法
CN107272620A (zh) * 2017-06-23 2017-10-20 深圳市盛路物联通讯技术有限公司 一种基于物联网的智能监控大棚的方法及装置
CN107330887A (zh) * 2017-07-11 2017-11-07 重庆邮电大学 一种基于深度学习的农作物病虫害防治方案推荐***
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法
CN107368847A (zh) * 2017-06-26 2017-11-21 北京农业信息技术研究中心 一种作物叶部病害识别方法及***
CN107392091A (zh) * 2017-06-09 2017-11-24 河北威远生物化工有限公司 一种农业人工智能作物检测方法、移动终端和计算机可读介质
CN107945182A (zh) * 2018-01-02 2018-04-20 东北农业大学 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法
CN108022240A (zh) * 2017-12-22 2018-05-11 南京工程学院 基于多种群联合演化的螺旋叶片图像分割方法
CN108961295A (zh) * 2018-07-27 2018-12-07 重庆师范大学 基于正态分布h阈值的紫色土图像分割提取方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
CN109344738A (zh) * 2018-09-12 2019-02-15 杭州睿琪软件有限公司 农作物病虫草害识别方法及装置
CN109376728A (zh) * 2018-12-28 2019-02-22 华南农业大学 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用
CN110378305A (zh) * 2019-07-24 2019-10-25 中南民族大学 茶叶病害识别方法、设备、存储介质及装置
CN110633735A (zh) * 2019-08-23 2019-12-31 深圳大学 基于小波变换的渐进式深度卷积网络图像识别方法及装置
CN110674877A (zh) * 2019-09-26 2020-01-10 联想(北京)有限公司 图像处理方法和装置
CN110988673A (zh) * 2019-11-05 2020-04-10 国网河北省电力有限公司电力科学研究院 电机转子故障检测方法、装置及终端设备
CN111105393A (zh) * 2019-11-25 2020-05-05 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN111259913A (zh) * 2020-01-14 2020-06-09 哈尔滨工业大学 一种基于词袋模型和纹理特征的细胞光谱图像分类方法
CN111429455A (zh) * 2020-04-24 2020-07-17 杭州皓京云信息技术有限公司 基于粗糙集和bp神经网络的棉花病害识别方法及***
CN112241836A (zh) * 2020-10-10 2021-01-19 天津大学 一种基于增量学习的虚拟负荷主导参数辨识方法
CN112801187A (zh) * 2021-01-29 2021-05-14 广东省科学院智能制造研究所 基于注意力机制与集成学习的高光谱数据分析方法和***
CN112926432A (zh) * 2021-02-22 2021-06-08 杭州优工品科技有限公司 适用于工业部件识别模型的训练方法、装置及存储介质
CN113112451A (zh) * 2021-03-08 2021-07-13 潍坊科技学院 基于图像处理的绿色叶片病害特征优化及病害识别方法
CN113228047A (zh) * 2018-10-24 2021-08-06 克莱米特公司 利用多阶段、多尺度深度学习的植物病害检测
TWI752380B (zh) * 2019-11-26 2022-01-11 張漢威 人工智慧訓練參數迭代方法
WO2022057057A1 (zh) * 2020-09-15 2022-03-24 深圳大学 一种检测医保欺诈的方法、***及存储介质
CN114282581A (zh) * 2021-01-29 2022-04-05 北京有竹居网络技术有限公司 基于数据增强的训练样本获取方法、装置和电子设备
CN114280399A (zh) * 2021-12-22 2022-04-05 上海尤比酷电气有限公司 一种基于负载特性的电气设备异常诊断方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945376A (zh) * 2012-09-28 2013-02-27 北京农业信息技术研究中心 一种农作物病害的诊断方法
CN103258217A (zh) * 2013-05-15 2013-08-21 中国科学院自动化研究所 一种基于增量学习的行人检测方法
CN103514459A (zh) * 2013-10-11 2014-01-15 中国科学院合肥物质科学研究院 一种基于Android手机平台的识别农作物病虫害的方法及***
CN104102837A (zh) * 2014-07-11 2014-10-15 天津工业大学 一种用于软测量建模的增量学习集成算法
CN105844285A (zh) * 2016-02-25 2016-08-10 中国农业大学 基于图像信息的黄瓜病害识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102945376A (zh) * 2012-09-28 2013-02-27 北京农业信息技术研究中心 一种农作物病害的诊断方法
CN103258217A (zh) * 2013-05-15 2013-08-21 中国科学院自动化研究所 一种基于增量学习的行人检测方法
CN103514459A (zh) * 2013-10-11 2014-01-15 中国科学院合肥物质科学研究院 一种基于Android手机平台的识别农作物病虫害的方法及***
CN104102837A (zh) * 2014-07-11 2014-10-15 天津工业大学 一种用于软测量建模的增量学习集成算法
CN105844285A (zh) * 2016-02-25 2016-08-10 中国农业大学 基于图像信息的黄瓜病害识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐英干等: "《基于粒子群和二维Otsu方法的快速图像分割》", 《控制与决策》 *
李玲玲: "《RBF神经网络集成研究及在个人信用评估中的应用》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105787446A (zh) * 2016-02-24 2016-07-20 上海劲牛信息技术有限公司 一种智慧农业病虫害远程自动诊断***
CN107154258A (zh) * 2017-04-10 2017-09-12 哈尔滨工程大学 基于负相关增量学习的声纹识别方法
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法
CN107392091A (zh) * 2017-06-09 2017-11-24 河北威远生物化工有限公司 一种农业人工智能作物检测方法、移动终端和计算机可读介质
CN107392091B (zh) * 2017-06-09 2020-10-16 河北威远生物化工有限公司 一种农业人工智能作物检测方法、移动终端和计算机可读介质
CN107272620A (zh) * 2017-06-23 2017-10-20 深圳市盛路物联通讯技术有限公司 一种基于物联网的智能监控大棚的方法及装置
CN107368847B (zh) * 2017-06-26 2020-08-11 北京农业信息技术研究中心 一种作物叶部病害识别方法及***
CN107368847A (zh) * 2017-06-26 2017-11-21 北京农业信息技术研究中心 一种作物叶部病害识别方法及***
CN107330887A (zh) * 2017-07-11 2017-11-07 重庆邮电大学 一种基于深度学习的农作物病虫害防治方案推荐***
CN108022240A (zh) * 2017-12-22 2018-05-11 南京工程学院 基于多种群联合演化的螺旋叶片图像分割方法
CN108022240B (zh) * 2017-12-22 2021-09-07 南京工程学院 基于多种群联合演化的螺旋叶片图像分割方法
CN107945182A (zh) * 2018-01-02 2018-04-20 东北农业大学 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法
CN108961295A (zh) * 2018-07-27 2018-12-07 重庆师范大学 基于正态分布h阈值的紫色土图像分割提取方法
CN109344738A (zh) * 2018-09-12 2019-02-15 杭州睿琪软件有限公司 农作物病虫草害识别方法及装置
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
CN109308697B (zh) * 2018-09-18 2024-03-22 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
CN113228047A (zh) * 2018-10-24 2021-08-06 克莱米特公司 利用多阶段、多尺度深度学习的植物病害检测
CN109376728A (zh) * 2018-12-28 2019-02-22 华南农业大学 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用
CN110378305A (zh) * 2019-07-24 2019-10-25 中南民族大学 茶叶病害识别方法、设备、存储介质及装置
CN110378305B (zh) * 2019-07-24 2021-10-12 中南民族大学 茶叶病害识别方法、设备、存储介质及装置
CN110633735A (zh) * 2019-08-23 2019-12-31 深圳大学 基于小波变换的渐进式深度卷积网络图像识别方法及装置
CN110633735B (zh) * 2019-08-23 2021-07-30 深圳大学 基于小波变换的渐进式深度卷积网络图像识别方法及装置
CN110674877A (zh) * 2019-09-26 2020-01-10 联想(北京)有限公司 图像处理方法和装置
CN110988673A (zh) * 2019-11-05 2020-04-10 国网河北省电力有限公司电力科学研究院 电机转子故障检测方法、装置及终端设备
CN111105393B (zh) * 2019-11-25 2023-04-18 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
CN111105393A (zh) * 2019-11-25 2020-05-05 长安大学 一种基于深度学习的葡萄病虫害识别方法及装置
TWI752380B (zh) * 2019-11-26 2022-01-11 張漢威 人工智慧訓練參數迭代方法
CN111259913A (zh) * 2020-01-14 2020-06-09 哈尔滨工业大学 一种基于词袋模型和纹理特征的细胞光谱图像分类方法
CN111429455A (zh) * 2020-04-24 2020-07-17 杭州皓京云信息技术有限公司 基于粗糙集和bp神经网络的棉花病害识别方法及***
WO2022057057A1 (zh) * 2020-09-15 2022-03-24 深圳大学 一种检测医保欺诈的方法、***及存储介质
CN112241836B (zh) * 2020-10-10 2022-05-20 天津大学 一种基于增量学习的虚拟负荷主导参数辨识方法
CN112241836A (zh) * 2020-10-10 2021-01-19 天津大学 一种基于增量学习的虚拟负荷主导参数辨识方法
CN114282581A (zh) * 2021-01-29 2022-04-05 北京有竹居网络技术有限公司 基于数据增强的训练样本获取方法、装置和电子设备
CN112801187B (zh) * 2021-01-29 2023-01-31 广东省科学院智能制造研究所 基于注意力机制与集成学习的高光谱数据分析方法和***
CN112801187A (zh) * 2021-01-29 2021-05-14 广东省科学院智能制造研究所 基于注意力机制与集成学习的高光谱数据分析方法和***
CN114282581B (zh) * 2021-01-29 2023-10-13 北京有竹居网络技术有限公司 基于数据增强的训练样本获取方法、装置和电子设备
CN112926432A (zh) * 2021-02-22 2021-06-08 杭州优工品科技有限公司 适用于工业部件识别模型的训练方法、装置及存储介质
CN112926432B (zh) * 2021-02-22 2023-08-15 杭州优工品科技有限公司 适用于工业部件识别模型的训练方法、装置及存储介质
CN113112451A (zh) * 2021-03-08 2021-07-13 潍坊科技学院 基于图像处理的绿色叶片病害特征优化及病害识别方法
CN114280399A (zh) * 2021-12-22 2022-04-05 上海尤比酷电气有限公司 一种基于负载特性的电气设备异常诊断方法及装置
CN114280399B (zh) * 2021-12-22 2024-03-12 上海尤比酷电气有限公司 一种基于负载特性的电气设备异常诊断方法及装置

Similar Documents

Publication Publication Date Title
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN108717568B (zh) 一种基于三维卷积神经网络的图像特征提取与训练方法
CN105184309B (zh) 基于cnn和svm的极化sar图像分类
CN108648191B (zh) 基于贝叶斯宽度残差神经网络的害虫图像识别方法
CN112308158A (zh) 一种基于部分特征对齐的多源领域自适应模型及方法
CN106202997B (zh) 一种基于深度学习的细胞***检测方法
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN107239514A (zh) 一种基于卷积神经网络的植物识别方法及***
CN110807760B (zh) 一种烟叶分级方法及***
CN111695466B (zh) 一种基于特征mixup的半监督极化SAR地物分类方法
CN106780466A (zh) 一种基于卷积神经网络的宫颈细胞图像识别方法
CN103914705B (zh) 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法
CN107832797B (zh) 基于深度融合残差网的多光谱图像分类方法
CN106780482A (zh) 一种医学图像分类方法
CN104463209A (zh) 一种基于bp神经网络的pcb板上数字代码识别方法
CN104598908A (zh) 一种农作物叶部病害识别方法
CN106600595A (zh) 一种基于人工智能算法的人体特征尺寸自动测量方法
CN104268593A (zh) 一种小样本情况下多稀疏表示的人脸识别方法
CN109684922A (zh) 一种基于卷积神经网络的多模型对成品菜的识别方法
CN106845528A (zh) 一种基于K‑means与深度学习的图像分类算法
CN108447048B (zh) 基于关注层的卷积神经网络图像特征处理方法
CN115116054B (zh) 一种基于多尺度轻量级网络的病虫害识别方法
Torres-Sospedra et al. Two-stage procedure based on smoothed ensembles of neural networks applied to weed detection in orange groves
CN108268890A (zh) 一种高光谱图像分类方法
CN109934256A (zh) 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Du Yongwen

Inventor after: Hu Xiaohui

Inventor after: Wang Jun

Inventor before: Hu Xiaohui

Inventor before: Du Yongwen

Inventor before: Wang Jun

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170222