[發明專利]基于深度受限玻爾茲曼機的害蟲圖像自動識別方法及系統

在審

• 申請號: 201410336226.9
• 申請日: 2014-07-15
• 公開（公告）號: CN104091181A
• 公開（公告）日: 2014-10-08
• 發明（設計）人: 王儒敬;李瑞;謝成軍;張潔;洪沛霖;宋良圖;董偉;周林立;郭書普;張立平;黃河;聶余滿
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 合肥天明專利事務所 34115
• 代理人: 奚華保

1.一種基于深度受限玻爾茲曼機的害蟲圖像自動識別方法，該方法包括下列順序的步驟：

(1)訓練過程：對訓練圖像集的數據進行預處理，對經預處理的訓練圖像分組構建訓練圖像立方體，采用受限玻爾茲曼機算法提取每組訓練圖像的特征，經過反饋調節，得到訓練后的訓練圖像集特征數據；

(2)測試過程：輸入待識別的測試圖像，對測試圖像進行預處理，采用受限玻爾茲曼機算法提取測試圖像特征，經過反饋調節，得到誤差較小的測試圖像的特征數據；

(3)識別害蟲種類，給出預防方法：求出測試圖像的特征數據與訓練圖像集特征數據的相似度，找出相似度最高的類別。

2.根據權利要求1所述的基于深度受限玻爾茲曼機的害蟲圖像自動識別方法，其特征在于：在訓練過程中，所述對訓練圖像集的數據進行預處理包括以下步驟：

(1)統一訓練集中的每幅訓練圖像的大小；

(2)將圖像灰度化，并將灰度化后的圖像進行灰度均衡化；

(3)使用高斯濾波算法進行去噪平滑處理。

3.根據權利要求1所述的基于深度受限玻爾茲曼機的害蟲圖像自動識別方法，其特征在于：在訓練過程中，所述對訓練圖像分組構建訓練圖像立方體包括以下步驟：

(1)將訓練圖像分組；

(2)構建訓練圖像立方體，以x軸坐標表示一個小組內不同樣本的編號，則x軸坐標為：1,2,3,4…100；以y軸坐標表示一個小組中特定一個樣本的維度；以z軸坐標表示分組的個數。

4.根據權利要求1所述的基于深度受限玻爾茲曼機的害蟲圖像自動識別方法，其特征在于：所述受限玻爾茲曼機算法表達式為RBM(W,b,c,v₀)，其中W為RBM層與層之間的鏈接權值矩陣，b為RBM隱藏層的偏置，c為RBM輸入層的編制，v₀是RBM訓練樣本集合中的一個樣本；

(1)計算能量函數E(v,h|θ)：

E(v,h|θ)=-Σi=1nbivi-Σj=1mcjhj-Σi=1nΣj=1mviWijhj]]>

其中，v表示可見層的輸入數據；θ表示模型參數；v_i表示第i個可見層的輸入數據；h表示隱含層；h_i表示第i個隱含層的貢獻；b_i、c_j分別表示第i層、j層的偏置量；W_ij表示可見單元與隱藏單元的連接權值，m、n分別表示隱含層、可見層的層數。

(2)計算得到v和h的概率分布

P(v,h|θ)=e-E(v,h|θ)Z(θ)]]>

其中是歸一化因子；E(v,h|θ)表示能量函數；v表示可見層的輸入數據；h表示隱含層；θ表示模型參數；

(3)對于所有隱藏層的神經節點i,計算層與層之間的映射運算：

sigm(-bi-ΣjWijv0j)]]>

其中，b_i表示第i可見層的偏置量；W_ij表示可見單元與隱藏單元的連接權值，v_0j表示第一層可見單位到j層隱含單元輸入的數據向量；

(4)對于所有可見層的神經節點j,計算層與層之間的映射運算：

sigm(-cj-ΣiWijh0i)]]>

其中，c_j表示第i隱含層的偏置量；W_ij表示可見單元與隱藏單元的連接權值，h_0i表示第一層隱含單位到第i層可見單元輸入的數據向量；

(5)對于所有隱藏層的神經節點i,計算層與層之間的映射運算：

sigm(-bi-ΣjWijv1j)]]>

b_i表示第i可見層的偏置量；W_ij表示可見單元與隱藏單元的連接權值，v_1j表示第二層可見單位到j層隱含單元輸入的數據向量；

(6)最后更新鏈接權值的偏置參數：

W＝W-ε(h₀v₀'-Q(h₁＝1|v₁)v₁')

b＝b-ε(h₀-Q(h₁＝1|v₁))

c＝c-ε(v₀-v₁)

其中，v₀表示第一層可見單元，訓練集中一個樣本特征向量；v'₀表示v₀的轉置；v₁表示第二層可見單元輸入的樣本的特征向量；v₁'表示v₁的轉置；h₀表示第一層隱含層貢獻；h₁表示第二隱含層貢獻；b，c表示偏置量；ε表示調節因子；W表示可見層與隱含層之前的連接權值。