一种基于卷积神经的农作物害虫图像识别方法与流程

本发明涉机器学习领域，特别涉及一种基于卷积神经的农作物害虫图像识别方法。

背景技术：

传统的病虫害诊断采用人工观测的方式,这一方式存在主观性、局限性、模糊性等不足。随着计算机图像处理以及人工智能技术的发展,人们开始利用计算机代替人来进行农作物的病虫害诊断,提出了在计算机上实现病虫害的识别。

目前有基于传统的图像识别技术对病虫害图像进行识别，该技术采用灰度变换、中值滤波、阀值分割、轮廓检测、病斑提取作为与处理数据，从预处理数据显式提取纹理特征、颜色特征和形状特征。传统的图像识别方法是基于图像的“点特征”或“线特征”进行的。对于一般图像的识别匹配效果较好,但是当光照条件较复杂、拍照角度变化大时,鲁棒性不好。基于卷积神经的图像识别方法克服了传统算法中对光照条件改变和拍照角度改变适应性不强的问题。

而且，上述传统的图像识别方法只提取图像的部分具有代表性的特征，比如sift和surf，具有一定的局限性，某些过程还需要人工选取；人工神经网络容易过拟合，参数很难调整，训练比较慢，并且在层数较少时效果并不比其他方法更优。

20世纪60年代，hubel和wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网(convolutionalneuralnetworks-简称cnn)。现在，cnn已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

技术实现要素：

为解决现有技术中的缺点和不足，本发明提出一种基于卷积神经的农作物害虫图像识别方法，将卷积神经与农作物害虫图像识别相结合，采用逐层初始化的训练方式，充分发挥深度学习自我学习的优势可以有效解决特征提取困难、训练难度大、参数很难调整的问题。

本发明的技术方案时这样实现的：

一种基于卷积神经的农作物害虫图像的方法，包括：农作物害虫图像数据库、图像预处理、卷积神经网络和模型；农作物害虫图像数据库的图像经过预处理输入到卷积神经网络，经过带标签图像训练后得到逐层计算后能够提取具有代表性的特征的模型，将要分类的图像经过预处理输入到训练好模型的卷积神经网络得到该图像属于各种类型的概率。

可选地，所述输入层，隐藏层和输出层，包括以下步骤：

步骤a，输入层输入经过预处理的三通道图像像素值。

步骤b，隐含层包括：卷积层、池化层、dropout层和全连接层,隐藏层首先使用前向传播，再食用反向传播进行训练；

步骤c，输出层即进行分类的层，分类器softmax接收全连接层输入，输出该图像所属各类别的概率。

可选地，隐藏层使用前向传播的步骤，具体包括：

步骤a，从样本集中取一个样本x,yp，将x输入网络；

步骤b，计算相应的实际输出op。

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的计算是(实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果)：

op＝fn(…(f2(f1(x*w1+b1)w2+b2)…)wn+bn)。

可选地，隐藏层使用反向传播，具体过程为：

步骤a，计算实际输出op与相应的理想输出yp的差；

步骤b，按极小化误差的方法反向传播调整权矩阵。

算法如下的：

卷积层的输出＝sigmoid(sum(卷积值)+偏移量)。

本发明的有益效果是：

1、充分发挥深度学习的自我学习优势，经过前向传播和反向传播训练得到能提取具有代表性特征的模型，当输入一副图像时，能够快速准确的提取特征，进行逐层抽象知道形成某一事物的概念，并用分类器进行分类；

2、利用深度学习网络的结构特征，采取逐层初始化的训练机制，大大降低训练难度；

3、由于深度学习网络将图像分割后提取每一部分的特征，然后再将特征进行组合，而非直接比较整幅图，从任何角度拍摄获取的图像，得到的局部特征都几乎相同，这就解决了拍摄角度的问题；而且可以识别位移、缩放及其他形式扭曲不变性的二维图形，这就解决了拍摄角度限制的问题。

4、卷积神经与农民关注的农作害虫防治结合，更方便农民治理害虫，易于被认可和传播，提高研究价值。

附图说明

图1是本发明所述卷积神经网络结构示意图；

图2是本发明所述卷积示意图；

图3是本发明所述dropout层示意图。

具体实施方式

下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实例仅仅是本发明一部分实例，而不是全部的实例。基于本发明中的实例，本领域普通技术人员在没有做出创造性劳动前提下所获的的所有其他实例，都属于本发明保护的范围。

如图1-3所示，本发明的基于卷积神经的农作物害虫图像识别方法，包括：农作物害虫图像数据库、图像预处理、卷积神经网络和模型；农作物害虫图像数据库的图像经过预处理输入到卷积神经网络，经过带标签图像训练后得到逐层计算后能够提取具有代表性的特征的模型，将要分类的图像经过预处理输入到训练好模型的卷积神经网络得到该图像属于各种类型的概率，即分类结果。

其中，深度学习网络分为：输入层、隐藏层和输出层，包括以下步骤：

步骤a，输入层输入经过预处理的三通道图像像素值。

步骤b，隐藏层设置为7层，首先使用前向传播，再使用反向传播修改模型参数来进行训练。

步骤c，输出层进行分类的层，分类器softmax接收全连接层输入，输出该图像所属各类别的概率。

隐藏层使用前向传播的步骤，具体包括：

步骤a，从样本集中取一个样本x,yp，将x输入网络；

步骤b，计算相应的实际输出op。

在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的计算是(实际上就是输入与每层的权值矩阵相点乘，得到最后的输出结果)：

op＝fn(…(f2(f1(x*w1+b1)w2+b2)…)wn+bn)

隐藏层使用反向传播，具体过程为：

步骤a，计算前向传播输出op与相应的理想输出yp的差；

步骤b，按极小化误差的方法反向传播调整权矩阵。

其中，上述步骤b中，调整权矩阵过程为：通过梯度下降法修改权值w和偏移值b使前向传播输出值op收敛。

算法如下的：

卷积层的输出＝sigmoid(sum(卷积值)+偏移量)；

图2为本发明中部分卷积神经网络的解析图，由图2可以看出，输入层为显层，输入经过预处理的图像像素值。

本发明充分发挥深度学习的自我学习优势，经过前向传播和反向传播训练得到能提取具有代表性特征的模型，当输入一副图像时，能够快速准确的提取特征，进行逐层抽象知道形成某一事物的概念，并用分类器进行分类；而且可以识别位移、缩放及其他形式扭曲不变性的二维图形，这就解决了拍摄角度限制的问题。

而且，由于深度学习网络将图像分割后提取每一部分的特征，然后再将特征进行组合，而非直接比较整幅图像，从任何角度拍摄获取的图像，得到的局部特征都几乎相同，这就解决了拍摄角度限制的问题。

并且，农作物害虫图像的识别更关注农作物的产量和质量，利于普遍推广，将两者结合具有很高的研究价值与应用前景。

以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明精神和原则之内，所作出的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。