CN108280483A - 基于神经网络的实蝇成虫图像识别方法 - Google Patents

基于神经网络的实蝇成虫图像识别方法 Download PDF

Info

Publication number
CN108280483A
CN108280483A CN201810087133.5A CN201810087133A CN108280483A CN 108280483 A CN108280483 A CN 108280483A CN 201810087133 A CN201810087133 A CN 201810087133A CN 108280483 A CN108280483 A CN 108280483A
Authority
CN
China
Prior art keywords
trypetid
neural network
image
striped
region
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
CN201810087133.5A
Other languages
English (en)
Inventor
李震
吕石磊
温威
邓忠易
代秋芳
薛秀云
洪添胜
宋淑然
吴伟斌
朱余清
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.)
South China Agricultural University
Original Assignee
South China Agricultural 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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201810087133.5A priority Critical patent/CN108280483A/zh
Publication of CN108280483A publication Critical patent/CN108280483A/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
    • G06F18/24—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Neurology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开的基于神经网络的实蝇成虫图像识别方法，包括以下步骤：获取实蝇样本图像；采用Hough变换对实蝇样本图像进行处理，调节图像，限定条纹有效区域；采用HSV色彩空间对图像进行滤值处理，锁定实蝇中部的盾片区域；得出实蝇特征区域，定义实蝇形态的4种特征因子，提取特征向量；采集一定数量的特征向量，建立BP神经网络对数据集进行训练，得到神经网络模型参数，搭建识别模型；对需识别的实蝇图像获取特征向量，将特征向量输入识别模型，识别模型输出识别结果；本发明能在目标图像质量较差时达到良好的特征提取效果，准确地从图像中识别，实现计算机自动对实蝇特征区域进行锁定，效率和准确率较高，提高虫害防治的工作效率。

Description

基于神经网络的实蝇成虫图像识别方法
技术领域
本发明涉及计算机图像识别领域，特别涉及基于神经网络的实蝇成虫图像识别方法。
背景技术
橘小实蝇、南瓜实蝇、瓜实蝇是我国南方实蝇类的优势种，因其寄主范围广、危害性强，已被世界上多个国家和地区列入重要的检疫对象。在我国，上述三种实蝇主要分布在西南、华南和台湾地区，主要危害柑橘、番石榴、芒果、南瓜等重要经济作物，是南方柑橘产区危害最严重以及迫切需要防治的主要害虫。相比于传统的人工监测虫害的防治方法，基于机器视觉的实时监测方法不仅节约了高昂的人力成本，在工作成效上也能达到极高的满意度。准确地从图像中识别害虫，是搭建基于机器视觉技术的害虫实时监测***的重要前提。
常用的昆虫图像目标识别算法采用虫体的整体形态特征和色彩特征作为识别依据，例如杨红珍等对昆虫图像进行基于形状和颜色特征值的提取，建立径向基神经网络分类器进行识别；娄定风等提出一种基于形状和纹理的通用昆虫图像模式识别算法，对不同体态和颜色的昆虫取得了良好的识别效果。
由于实蝇分类的复杂性，整体几何特征和色彩特征并不能对其完全准确地进行分类，经过数字化处理的局部特征反而具备更优秀的分类特性。汪露等以实蝇翅标点间的欧氏距离为分类特征，采用随机森林算法实现了双翅目果实蝇属昆虫的识别；彭莹琼等采用几何形态测量学中的标记点法对果蝇翅进行特征提取，结合BP神经网络算法实现对果实蝇的分类；张蕾使用改进的boost算法对果蝇翅和胸背区域特征进行分类。
这些研究均以实蝇翅结构作为特征提取对象，对实蝇图片质量有很高要求，若图片不够清晰、未准确捕捉到实蝇翅的脉络结构和翅痣，识别的效果会受到较大影响；此外，现有算法也没有很好地解决从源图像中自动锁定特征区域的问题。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供了基于神经网络的实蝇成虫图像识别方法，选取特征明显且易于提取的胸背板条纹作为分类依据，基于HSV色彩空间和Hough变换进行特征区域分割，并提出与条纹形态特征相关的4种有效特征进行数字化处理，形成特征向量作为神经网络的输入,实蝇成虫具备较好的识别效果，识别效率能够满足实时监测的要求。
本发明的目的通过以下的技术方案实现：
基于神经网络的实蝇成虫图像识别方法，包括以下步骤：
S1、获取实蝇样本图像；
S2、采用Hough变换对实蝇样本图像进行处理，调制图像实蝇双翅直线位置，使图像中实蝇旋转为躯体朝上形态，同时限定条纹有效区域；
S3、采用HSV色彩空间对图像进行滤值处理，锁定实蝇中部的盾片区域；
S4、将实蝇双翅直线位置和实蝇盾片区域锁定实蝇的胸背板作为实蝇特征区域，并对该区域的中心条纹进一步处理，根据中心条纹形状特征的描述方法，定义实蝇形态的4种特征因子，并根据特征因子，提取特征向量；
S5、采集一定数量的实蝇图像中目标的特征向量，建立BP神经网络对数据集进行训练，从而得到用于实蝇分类的神经网络模型参数，以神经网络模型参数为基础，搭建识别模型；其中采集阈值为K，当采集数量大于K时，则进行下一步，当采集数量小于K时，则回到步骤S1；
S6、对需要识别的实蝇图像进行S2-S4步骤处理，得到特征向量；将特征向量输入识别模型，识别模型输出识别结果。
步骤S2中，所述Hough变换过程如下：
Y1、对实蝇样本图像进行高斯滤波处理，并将高斯滤波后的真彩色图像转化为灰度图像，通过Canny算法提取图像中实蝇轮廓；
Y2、采用Hough变换算法检测实蝇轮廓中实蝇的双翅边缘直线；
Y3、检测成功则返回直线角度，检测失败则返回直线检测失败标志；
Y4、根据直线角度调节图片方向，使图片中实蝇呈现头朝上的竖直体态。
步骤S3中，所述HSV色彩空间对图像进行滤值处理，过程如下：
Z1、将Hough变换之后的图片转换到HSV颜色空间，并进行H、S、V通道滤值，转换如下：
V＝max(R,G,B)，
如果H＜0，令H＝H+360，保证在输出时，0≤V≤1,0≤S≤1,0≤H≤360；
其中，R为RGB色彩空间中红色通道的颜色，G为RGB色彩空间中绿色通道的颜色，B为RGB色彩空间中蓝色通道的颜色；V为HSV色彩空间中颜色的亮度，H为HSV色彩空间中颜色的色调，S为HSV色彩空间中颜色的饱和度；
Z2、通过对H通道、S通道和V通道分别取置信水平0.95的置信区间作为阈值，筛选出包含盾片区域在内的范围；
Z3、对三个通道做交集，对H通道取阈值31～50，得到图a；对S通道取阈值130～245，得到图b；对V通道取阈值110～250得到图c。将图a、图b、图c做重合，保留三个图中均存在的像素值，即得到三个通道滤值之后的交集图像，对高亮像素进行滤值处理，锁定图片中实蝇的盾片区域。
所述的4种特征因子为：中心条纹在胸背版区域的中心偏移量D；中心条纹与胸背版区域的长宽比Rx和Ry；中心条纹与胸背版区域的面积比Ss。
所述中心条纹在胸背版区域的中心偏移量D定义为条纹中心点与胸背版中心点的欧式距离，即中心条纹在胸背版区域的偏移量：
其中，X1和Y1为中心条纹的中点坐标，X2和Y2为胸背板区域的中点坐标；
所述中心条纹与胸背版区域的长宽比Rx和Ry为中心条纹的长短、粗细程度，同时以胸背版区域的长、宽作参照物：
其中，L1为中心条纹的长度，W1为中心条纹宽度，L2为胸背版区域的长宽，W2为胸背版区域的宽度；
所述中心条纹与胸背版区域的面积比Ss为条纹面积的大小，以及在胸背版区域的占空比：
其中，S1为中心条纹面积，S2为胸背版区域的面积；
步骤S5中，所述BP神经网络是一种按误差反向传播算法训练的多层前馈网络，建立BP神经网络过程如下：
当工作信号正向传递时：设输入层神经元为Ik，隐含层神经元为Hi，输出层神经元为Oj。特征向量P作为输入层神经元的值，神经元的个数与特征向量的维数相一致；对于隐含层和输出层，每个神经元的输出根据前一层神经元和本层神经元的相互作用然后通过激活函数确定，计算方法为:
其中，F(x1)、F(x2)均属于激活函数F(x)，x1、x2表示参与到激活函数计算中的之间值，F(x)为激活函数，W为前一层与当前层神经元之间的二维权值向量，Wkj表示输入层与隐含层之间的权值向量中的第k行第i列个值，Wij表示隐含层与输出层之间的权值向量中的第i行第j列个值，bi表示第i个隐含层神经元的偏置值，bj表示第j个隐含层神经元的偏置值，m为输入层神经元个数，n为隐含层神经元个数；
当误差信号方向传递时：采用Widrow-Hoff学***方和误差函数值达到最小，误差函数定义如下：
其中，E(W,b)为平方和误差函数，W为神经网络权值向量，b为BP神经网络偏置值；yj表示输出层神经元的实际输出；Tj表示输出层神经元的期望输出；
根据梯度下降法，权值矢量的修正值正比于当前误差函数的梯度，设前一层神经元的输出值为Xi，则有：
本发明与现有技术相比，具有如下优点和有益效果：
1、本发明以实蝇的双翅边缘和胸背板条纹形态特征作为分类依据，在目标图像质量较差的情况下依然能够达到良好的特征提取效果。
2、本发明采用形状(Hough变换检测翅直线)和颜色(HSV色彩空间锁定盾片区)相结合的方式，实现了计算机全自动的对果实蝇特征区域进行锁定，效率和准确率较高。
3、本发明基于BP神经网络搭建识别模型，经过大量数据训练后得出模型参数，在识别过程中只需要导入训练好的参数，结合本发明中的特征提取并进行数字化处理模块，即可对目标图像进行批量识别，效率和准确率能够满足实时要求。
附图说明
图1为本发明基于神经网络的实蝇成虫图像识别方法的图像处理流程图。
图2为本发明基于神经网络的实蝇成虫图像识别方法的神经网络模型训练流程图。
图3为本发明基于神经网络的实蝇成虫图像识别方法的神经网络模型识别流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
基于神经网络的实蝇成虫图像识别方法，包括以下步骤：
第一步：获取实蝇样本图像。
第二步：对实蝇样本图像进行高斯滤波处理，再采用Hough变换对高斯滤波后的实蝇样本图像进行处理，如图1所示，调制图像实蝇双翅直线位置，使图像中实蝇旋转为躯体朝上形态，同时限定条纹有效区域；Hough变换过程如下：
Y1、将高斯滤波后的真彩色图像转化为灰度图像，通过Canny算法提取图像中实蝇轮廓；
Y2、采用Hough变换检测实蝇轮廓中实蝇的双翅边缘直线；
Y3、检测成功则返回直线角度，检测失败则返回直线检测失败标志；
Y4、根据直线角度调节图片方向，使图片中实蝇呈现头朝上的竖直体态。
第三步：采用HSV色彩空间对图像进行滤值处理，锁定实蝇中部的盾片区域；HSV色彩空间对图像进行滤值处理，过程如下：
将Hough变换之后的图片转换到HSV颜色空间，并进行H、S、V通道滤值，转换如下：
V＝max(R,G,B)，
如果H＜0，令H＝H+360，保证在输出时，0≤V≤1,0≤S≤1,0≤H≤360；
其中，R为RGB色彩空间中红色通道的颜色，G为RGB色彩空间中绿色通道的颜色，B为RGB色彩空间中蓝色通道的颜色；V为HSV色彩空间中颜色的亮度，H为HSV色彩空间中颜色的色调，S为HSV色彩空间中颜色的饱和度；RGB各有256级亮度，RGB取值范围是：0≤R≤255,0≤G≤255,0≤B≤255，色调H：用角度度量，取值范围为0°～360°，从红色开始按逆时针方向计算，红色为0°，绿色为120°,蓝色为240°。它们的补色是：黄色为60°，青色为180°,品红为300°；饱和度S：取值范围为0.0～1.0；亮度V：取值范围为0.0(黑色)～1.0(白色)；
通过对H通道、S通道和V通道分别取置信水平0.95的置信区间作为阈值，筛选出包含盾片区域在内的范围；对三个通道做交集，对高亮像素进行滤值处理，提取出盾片的像素区域，从而锁定图片中实蝇的盾片区域，锁定成功，则进行下一步；没有锁定成功，则返回区域锁定失败标志；
交集过程如下：将原始图像转化到HSV色彩空间中，分别做三次滤值处理：对H通道取阈值(31，50)，得到图a；对S通道取阈值(130，245)，得到图b；对V通道取阈值(110，250)得到图c。将图a、图b、图c重合，保留在三个图像中均存在的像素值，即可得到三个通道滤值之后的交集图像。
第四步：锁定成功后，通过Hough变换检测到双翅直线，限定胸背板区的左右范围及顶部边界，通过HSV色彩空间滤值检测到盾片区域，限定胸背板区域的底部边界，两者结合可锁定胸背板区域的范围，将胸背板的外接矩形区域从实蝇整体中分离；并对该区域的中心条纹进一步处理，根据中心条纹形状特征的描述方法，定义实蝇形态的4种特征因子，并根据特征因子，提取特征向量。
4种特征因子为：中心条纹在胸背版区域的中心偏移量D；中心条纹与胸背版区域的长宽比Rx和Ry；中心条纹与胸背版区域的面积比Ss；
中心条纹在胸背版区域的中心偏移量D定义为条纹中心点与胸背版中心点的欧式距离，即中心条纹在胸背版区域的偏移量：
其中，X1和Y1为中心条纹的中点坐标，X2和Y2为胸背板区域的中点坐标；
中心条纹与胸背版区域的长宽比Rx和Ry为中心条纹的长短、粗细程度，同时以胸背版区域的长、宽作参照物：
其中，L1为中心条纹的长度，W1为中心条纹宽度，L2为胸背版区域的长宽，W2为胸背版区域的宽度；
中心条纹与胸背版区域的面积比Ss为条纹面积的大小，以及在胸背版区域的占空比：
其中，S1为中心条纹面积，S2为胸背版区域的面积；
第五步：采集一定数量的实蝇图像中目标的特征向量，建立BP神经网络对数据集进行训练，如图2所示，从而得到用于实蝇分类的神经网络模型参数；其中采集阈值为K，当采集数量大于K时，则进行下一步，当采集数量小于K时，则回到步骤S1；
BP神经网络是一种按误差反向传播算法训练的多层前馈网络，建立BP神经网络过程如下：
当工作信号正向传递时：设输入层神经元为Ik，隐含层神经元为Hi，输出层神经元为Oj。特征向量P作为输入层神经元的值，神经元的个数与特征向量的维数相一致；对于隐含层和输出层，每个神经元的输出根据前一层神经元和本层神经元的相互作用然后通过激活函数确定，计算方法为:
其中，F(x1)、F(x2)均属于激活函数F(x)，x1、x1表示参与到激活函数计算中的中间值，W为前一层与当前层神经元之间的二维权值向量，Wkj表示输入层与隐含层之间的权值向量中的第k行第i列个值，Wij表示隐含层与输出层之间的权值向量中的第i行第j列个值，bi表示第i个隐含层神经元的偏置值，bj表示第j个隐含层神经元的偏置值，m为输入层神经元个数，n为隐含层神经元个数；
当误差信号方向传递时：采用Widrow-Hoff学***方和误差函数值达到最小，误差函数定义如下：
其中，E(W,b)为平方和误差函数，W为神经网络权值向量，b为当前神经元的偏置值，；yj表示输出层神经元的实际输出；Tj表示输出层神经元的期望输出；
根据梯度下降法，权值矢量的修正值正比于当前误差函数的梯度，设前一层神经元的输出值为Xi，则有：
读取神经网络模型参数，搭建识别模型；本发明采用的是三层神经网络构建识别模型，能够完成任意的M维到N维的映射，输入层包含4个神经元，对应训练集数据中特征向量的维数，神经网络的输入形式为向量[D，Rx，Ry，Ss]；输出层包含3个神经元，对应该模型需要识别目标的类别总数，即这里需要识别目标的类别总数为三种：橘小实蝇、南瓜实蝇、瓜实蝇，激活函数选用Sigmoid函数，即A为常数，试验中取值为1。
第六步：将需要识别的实蝇图像进行第二步至第四步处理，如图3所示，得到特征向量，则进行下一步；没有得到特征向量，则记录失败信息，标识识别失败；将需要识别的实蝇图像特征向量输入识别模型，进行识别，识别模型输出识别结果；
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于神经网络的实蝇成虫图像识别方法，其特征在于，包括以下步骤：
S1、获取实蝇样本图像；
S2、采用Hough变换对实蝇样本图像进行处理，根据实蝇双翅直线位置调节实蝇样本图像，使实蝇样本图像中实蝇旋转为躯体朝上形态；
S3、采用HSV色彩空间对实蝇样本图像进行滤值处理，锁定实蝇中部的实蝇盾片区域；
S4、根据实蝇双翅直线位置和实蝇盾片区域，锁定实蝇的胸背板为实蝇特征区域，实蝇特征区域根据中心条纹形状特征的描述方法，定义实蝇形态的4种特征因子，并根据4种特征因子，形成并提取为一个特征向量；
S5、采集实蝇样本图像中的特征向量，形成特征向量数据集，建立BP神经网络对特征向量数据集进行训练，得到用于实蝇分类的神经网络模型参数，以神经网络模型参数为基础，搭建识别模型；其中采集阈值为K，当采集数量大于K时，则进行下一步，当采集数量小于K时，则回到步骤S1；
S6、对需要识别的实蝇图像进行S2-S4步骤处理，得到特征向量，将特征向量输入识别模型，识别模型输出识别结果。
2.根据权利要求1所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S1中，所述实蝇样本图像为背面朝上图像。
3.根据权利要求1所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S2中，所述Hough变换过程如下：
Y1、对实蝇样本图像进行高斯滤波处理，并将高斯滤波后的真彩色图像转化为灰度图像，通过Canny算法提取实蝇样本图像中实蝇轮廓；
Y2、采用Hough变换算法检测实蝇轮廓中实蝇的双翅边缘直线；
Y3、检测成功则返回直线角度，检测失败则返回直线检测失败标志；
Y4、根据直线角度调节实蝇样本图像方向，使实蝇样本图像中实蝇呈现头朝上的竖直体态。
4.根据权利要求1所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S3中，所述HSV色彩空间对实蝇样本图像进行滤值处理，过程如下：
Z1、将Hough变换之后的图片转换到HSV颜色空间，并进行H、S、V通道滤值，转换如下：
V＝max(R,G,B)，
如果H＜0，令H＝H+360，保证在输出时，0≤V≤1,0≤S≤1,0≤H≤360；
其中，R为RGB色彩空间中红色通道的颜色，G为RGB色彩空间中绿色通道的颜色，B为RGB色彩空间中蓝色通道的颜色；V为HSV色彩空间中颜色的亮度，H为HSV色彩空间中颜色的色调，S为HSV色彩空间中颜色的饱和度；
Z2、通过对H通道、S通道和V通道分别取置信水平0.95的置信区间作为阈值，筛选出包含实蝇盾片区域在内的范围；
Z3、对三个通道做交集：对H通道取阈值31～50，得到图a；对S通道取阈值130～245，得到图b；对V通道取阈值110～250得到图c；将图a、图b、图c做重合，保留三个图中均存在的像素值，即得到三个通道滤值之后的交集图像，对高亮像素进行滤值处理，锁定图片中实蝇盾片区域。
5.根据权利要求1所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S4中，所述中心条纹形状特征的描述方法，定义4种特征因子：中心条纹在胸背版区域的中心偏移量D；中心条纹与胸背版区域的长宽比Rx和Ry；中心条纹与胸背版区域的面积比Ss。
6.根据权利要求5所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，所述中心条纹在胸背版区域的中心偏移量D定义为条纹中心点与胸背版中心点的欧式距离，即中心条纹在胸背版区域的偏移量：
其中，X1和Y1为中心条纹的中点坐标，X2和Y2为胸背板区域的中点坐标；
所述中心条纹与胸背版区域的长宽比Rx和Ry为中心条纹的长短、粗细程度，同时以胸背版区域的长、宽作参照物：
其中，L1为中心条纹的长度，W1为中心条纹宽度，L2为胸背版区域的长宽，W2为胸背版区域的宽度；
所述中心条纹与胸背版区域的面积比Ss为条纹面积的大小，以及在胸背版区域的占空比：
其中，S1为中心条纹面积，S2为胸背版区域的面积。
7.根据权利要求1所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S5中，所述的BP神经网络为一种按误差反向传播算法训练的多层前馈网络；所述BP神经网络采用三层神经网络构建识别模型：输入层、隐含层、输出层；输入层包含4个神经元，对应训练集数据中特征向量的维数，神经网络的输入形式为向量[D，Rx，Ry，Ss]；输出层包含3个神经元，对应该模型需要识别目标的类别总数，激活函数选用Sigmoid函数，即：
其中，F(x)表示激活函数，e为自然常数，e-x为Sigmoid函数中的数学参数，A为常数。
8.根据权利要求7所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S5中，具体过程如下：
当工作信号正向传递时：设输入层神经元为Ik，隐含层神经元为Hi，输出层神经元为Oj；特征向量P作为输入层神经元的值，即Pk为特征向量的第k个值，Ik为输入层神经元中的第k个神经元，神经元的个数与特征向量的维数相一致；对于隐含层和输出层，每个神经元的输出根据前一层神经元和本层神经元的相互作用然后通过激活函数确定，计算方法为:
其中，F(x1)、F(x2)均属于激活函数F(x)，x1、x2为参与到激活函数计算中的中间值，W为前一层与当前层神经元之间的二维权值向量，Wkj表示输入层与隐含层之间的权值向量中的第k行第i列个值，Wij表示隐含层与输出层之间的权值向量中的第i行第j列个值，bi表示第i个隐含层神经元的偏置值，bj表示第j个隐含层神经元的偏置值，m为输入层神经元个数，n为隐含层神经元个数；
当误差信号方向传递时：采用Widrow-Hoff学***方和误差函数值达到最小，误差函数定义如下：
其中，E(W,b)为平方和误差函数，W为BP神经网络权值向量，b为BP神经网络偏置值；yj表示输出层神经元的实际输出；Tj表示输出层神经元的期望输出。
9.根据权利要求1所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，步骤S5中，所述识别模型能对需要识别图像进行特征区域的自动锁定。
10.根据权利要求9所述的基于神经网络的实蝇成虫图像识别方法，其特征在于，所述识别模型能对需要识别的图像进行批量处理。
CN201810087133.5A 2018-01-30 2018-01-30 基于神经网络的实蝇成虫图像识别方法 Pending CN108280483A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810087133.5A CN108280483A (zh) 2018-01-30 2018-01-30 基于神经网络的实蝇成虫图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810087133.5A CN108280483A (zh) 2018-01-30 2018-01-30 基于神经网络的实蝇成虫图像识别方法

Publications (1)

Publication Number Publication Date
CN108280483A true CN108280483A (zh) 2018-07-13

Family

ID=62805652

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810087133.5A Pending CN108280483A (zh) 2018-01-30 2018-01-30 基于神经网络的实蝇成虫图像识别方法

Country Status (1)

Country Link
CN (1) CN108280483A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508721A (zh) * 2018-11-08 2019-03-22 烟台职业学院 基于OpenCV的图形识别与颜色识别的实现
CN110516686A (zh) * 2019-07-11 2019-11-29 西安电子科技大学 三色rgb图像的蚊虫识别方法
CN111354046A (zh) * 2020-03-30 2020-06-30 北京芯龙德大数据科技有限公司 室内摄像头定位方法及定位***
CN111723709A (zh) * 2020-06-09 2020-09-29 大连海事大学 一种基于深度卷积神经网络的蝇类面部识别方法
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2359257A1 (en) * 2008-11-07 2011-08-24 General Electric Company Systems and methods for automated extraction of high-content information from whole organisms
WO2017037875A1 (ja) * 2015-09-01 2017-03-09 オリンパス株式会社 ３次元画像取得方法、３次元画像表示方法及び３次元画像取得装置
CN107463959A (zh) * 2017-08-05 2017-12-12 国网江西省电力公司电力科学研究院 一种基于bp神经网络的果实蝇识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2359257A1 (en) * 2008-11-07 2011-08-24 General Electric Company Systems and methods for automated extraction of high-content information from whole organisms
WO2017037875A1 (ja) * 2015-09-01 2017-03-09 オリンパス株式会社 ３次元画像取得方法、３次元画像表示方法及び３次元画像取得装置
CN107463959A (zh) * 2017-08-05 2017-12-12 国网江西省电力公司电力科学研究院 一种基于bp神经网络的果实蝇识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李震 等: "基于神经网络的实蝇成虫图像识别算法", 《农业机械学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508721A (zh) * 2018-11-08 2019-03-22 烟台职业学院 基于OpenCV的图形识别与颜色识别的实现
CN110516686A (zh) * 2019-07-11 2019-11-29 西安电子科技大学 三色rgb图像的蚊虫识别方法
CN110516686B (zh) * 2019-07-11 2021-03-23 西安电子科技大学 三色rgb图像的蚊虫识别方法
CN111354046A (zh) * 2020-03-30 2020-06-30 北京芯龙德大数据科技有限公司 室内摄像头定位方法及定位***
CN111723709A (zh) * 2020-06-09 2020-09-29 大连海事大学 一种基于深度卷积神经网络的蝇类面部识别方法
CN111723709B (zh) * 2020-06-09 2023-07-11 大连海事大学 一种基于深度卷积神经网络的蝇类面部识别方法
CN112036470A (zh) * 2020-08-28 2020-12-04 扬州大学 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法

Similar Documents

Publication Publication Date Title
CN108280483A (zh) 基于神经网络的实蝇成虫图像识别方法
CN108009542B (zh) 油菜大田环境下杂草图像分割方法
CN106204779B (zh) 基于多人脸数据采集策略和深度学习的课堂考勤方法
CN104598908B (zh) 一种农作物叶部病害识别方法
Kulkarni et al. Applying image processing technique to detect plant diseases
CN109635875A (zh) 一种基于深度学习的端到端网口检测方法
CN109522889A (zh) 一种基于图像分析的水文尺水位识别估算方法
CN104835175B (zh) 一种基于视觉注意机制的核环境中目标检测方法
CN108681692A (zh) 一种基于深度学习的遥感图像内新增建筑识别方法
CN108319973A (zh) 一种树上柑橘果实检测方法
CN109657632A (zh) 一种车道线检测识别方法
CN108388905B (zh) 一种基于卷积神经网络和邻域上下文的光源估计方法
CN112906550B (zh) 一种基于分水岭变换的静态手势识别方法
CN102915446A (zh) 基于svm机器学习的植物病虫害检测方法
CN107944399A (zh) 一种基于卷积神经网络目标中心模型的行人重识别方法
CN108537239A (zh) 一种图像显著性目标检测的方法
CN107767379A (zh) Pcb板标注印刷质量检测方法
CN107633229A (zh) 基于卷积神经网络的人脸检测方法及装置
CN107392929A (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN112257702A (zh) 一种基于增量学习的农作物病害识别方法
CN114067207A (zh) 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN109886146B (zh) 基于机器视觉检测的洪灾信息遥感智能采集方法及设备
CN107992783A (zh) 人脸图像处理方法及装置
CN107516083A (zh) 一种面向识别的远距离人脸图像增强方法
CN107330431B (zh) 一种基于K-means聚类拟合的显著性检测优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20180713