本发明涉及图像识别技术领域，具体来说是基于自适应池化模型的害虫图像识别方法。
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。无监督的深度学习理论在人脸识别、物体识别领域取得一定效果，但在害虫图像识别方向则出现识别率低、鲁棒性差的缺陷，这也是由于害虫样本的多样性、特征复杂度所导致的。
因此，针对如何提高害虫识别的鲁棒性、识别率已经成为急需解决的技术问题。
技术实现要素：
本发明的目的是为了解决现有技术中害虫图像识别率低的缺陷，提供一种基于自适应池化模型的害虫图像识别方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
基于自适应池化模型的害虫图像识别方法，包括以下步骤：
对训练图像进行收集和预处理，使用带有深度传感器的采集设备拍摄训练图像，对训练图像的rgb图像、深度图像进行提取并进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本；
训练卷积神经网络模型，将训练样本的rgb图像和深度图像作为输入，对卷积神经网络模型进行训练；
对待测图像进行收集和预处理，利用带有深度传感器的采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本；
将测试样本输入经过训练后的卷积神经网络模型，进行害虫图像的自动识别。
所述的训练卷积神经网络模型包括以下步骤：
设置卷积神经网络模型的网络模块数为8层，优化自适应的池化模型，将优化后的自适应的池化模型用于卷积神经网络的池化阶段；
将训练样本的rgb图像和深度图像作为输入，利用caffe框架进行卷积神经网络模的训练，输出rgb图像特征向量和深度图像特征向量；
将出rgb图像特征向量和深度图像特征向量进行融合求平均处理，得到融合后的特征向量；
利用融合后的特征向量来训练svm分类器，利用训练后的svm分类器对害虫图像进行分类。
所述的优化自适应的池化模型包括以下步骤：
设定卷积神经网络模型中卷积层的特征图为x，则平均池化模型表示为：
其中，x′ij表示xij经过池化后的特征图的相应值，c表示池化域的边长，b为偏置，xij表示卷积层特征图x的i行j列数据值；
对平均池化模型进行优化，在平均池化模型的基础上进行优化后的表达式为：
其中，λ表示池化因子；λ计算公式如下：
其中，c表示池化域的边长，ne为迭代次数，pmax为池化域中元素的最大值，v为池化域元素除最大值外的平均值，其表达式如下：
有益效果
本发明的基于自适应池化模型的害虫图像识别方法，与现有技术相比在卷积神经网络模型的训练过程中，将动态自适应的池化模型用于卷积神经网络的池化过程，使得网络模型在不同的池化域的迭代次数下提取的特征更加准确，致使提取的特征更精确，并通过融合rgb图像和深度图像的特征向量，从而使得害虫识别的准确度更高。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于自适应池化模型的害虫图像识别方法，包括以下步骤：
第一步，对训练图像进行收集和预处理。使用带有深度传感器的采集设备拍摄训练图像，如利用kinect相机进行训练图像的采集，其直接带有rgb图像信息和深度图像信息。对训练图像的rgb图像、深度图像进行提取并进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本。
第二步，训练卷积神经网络模型。将训练样本的rgb图像和深度图像作为输入，对卷积神经网络模型进行训练。在训练卷积神经网络模型的步骤中，将训练样本的rgb图像和深度图像分别作为输入，对卷积神经网络模型进行训练，同时利用在卷积神经网络模型内设置的svm，对融合后的特征进行分类训练。其具体步骤如下：
(1)设置卷积神经网络模型的网络模块数为8层，优化自适应的池化模型，将优化后的自适应的池化模型用于卷积神经网络的池化阶段。利用动态自适应的池化模型用于卷积神经网络的池化过程，使得提取的特征更加精确。其中，优化自适应的池化模型包括以下步骤：
a、设定卷积神经网络模型中卷积层的特征图为x，则平均池化模型表示为：
其中，x′ij表示xij经过池化后的特征图的相应值，c表示池化域的边长，b为偏置，xij表示卷积层特征图x的i行j列数据值。
由于平均池化模型在某些情况下不能很好的表征特征差异，在此对平均池化模型进行优化。
b、对平均池化模型进行优化，在平均池化模型的基础上进行优化后的表达式为：
其中，λ表示池化因子；λ计算公式如下：
其中，c表示池化域的边长，ne为迭代次数，pmax为池化域中元素的最大值，v为池化域元素除最大值外的平均值，其表达式如下：
当池化域大小和迭代周期(即在同一个迭代周期内，ne值固定时)固定时，λ的值会随着池化域的不同取不同的值。当池化域大小和位置相同(在不同的迭代周期内，即这次池化区域和上次池化区域一样的位置时)时，λ的值会随着当前迭代次数的不同而取不同的值，使得网络模型在不同的池化域的迭代次数下提取的特征更加准确。
(2)将训练样本的rgb图像和深度图像作为输入，利用caffe框架进行卷积神经网络模的训练，输出rgb图像特征向量和深度图像特征向量。
(3)将出rgb图像特征向量和深度图像特征向量进行融合求平均处理，得到融合后的特征向量。
(4)利用融合后的特征向量来训练svm分类器，利用训练后的svm分类器对害虫图像进行分类。
第三步，对待测图像进行收集和预处理。利用带有深度传感器的采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本。
第四步，将测试样本输入经过训练后的卷积神经网络模型，进行害虫图像的自动识别。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。