一种基于自编码特征学习的冬虫夏草检测方法与流程

技术特征：

1.一种基于自编码特征学习的冬虫夏草检测方法，其特征在于包括以下步骤：(1)采集一系列包含冬虫夏草的图像；(2)提取图像中的冬虫夏草以及其他背景，并制作成大小相同的正负样本；(3)通过提取的样本图像训练自编码模型，获取自编码模型参数；(4)将样本通过自编码模型进行编码；(5)将获得的编码以及样本类别采用非线性支持向量机进行分类训练，获取分类模型参数；(6)采集待检测的冬虫夏草图像，将其在多个尺度下进行分块；(7)对每一块图像采用自编码模型进行编码，采用非线性支持向量机进行分类并记录位置；(8)剔除检测到的重合区域，并将所有非重合区域标注在待检测图像上。

2.根据权利要求1所述的基于自编码特征学习的冬虫夏草检测方法，其特征在于：具体步骤如下：

1.样本的制作

1)利用摄像机采集包含冬虫夏草的图片；

2)从每一幅图片中剪切出大小为m×n的样本图片，其中正样本含冬虫夏草，负样本不含冬虫夏草，正负样本比例为1:10；

3)将正负样本按照顺序编号，并分别归类存储；

2.分类模型的训练

1)特征自编码：特征的提取采用两层栈式自编码特征；模型中的α＝3mn，设定h,t层其特征节点数为γ＝β/2＝α/4，将所有的正负样本数据打乱顺序后，全部带入训练模型进行训练，得到自编码特征模型的参数W⁽¹⁾，W⁽²⁾，b⁽¹⁾，b⁽²⁾；

采用训练完成的特征自编码模型，将所有的训练样本带入此模型得到s层的自编码特征；

2)分类模型：将上一步得到的自编码特征带入两类别核支持向量机进行分类训练，其中，核采用非线性高斯核最终训练得到核支持向量机的模型参数；

3.虫草的检测

(1)采集一幅可能包含冬虫夏草的场景图像；

(2)在多尺度情况下进行，对原始的M×N图像采用高斯金字塔进行下采样，每一层的采样比率为上一层的3/4，采样后每一层图像大小为

(3)将每一层的图像分块为m×n的大小；

(4)带入自编码模型及支持向量机模型进行分类，如果该小块的类别为正，则记录高斯金字塔的尺度序号以及块序号为(i,c,d)作为标注位置；

(5)按照此方法进行所有5层尺度的计算，统计所有检测到的标注位置及大小，标记为

(6)通过计算矩形框之间的被包含关系，将所有的被包含的矩形框位置进行剔除，并根据计算结果，在原始的M×N的图像上绘制出相应的矩形框，即为冬虫夏草的位置。