[發明專利]一種基于對抗特征學習的水稻蚜蟲檢測方法

有效

• 申請號: 201710325110.9
• 申請日: 2017-05-10
• 公開（公告）號: CN107194418B
• 公開（公告）日: 2021-09-28
• 發明（設計）人: 謝成軍;王儒敬;張潔;李瑞;陳天嬌;陳紅波
• 申請（專利權）人: 中國科學院合肥物質科學研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66;G06K9/00;G06K9/46
• 代理公司: 合肥國和專利代理事務所(普通合伙) 34131
• 代理人: 張祥騫

1.一種基于對抗特征學習的水稻蚜蟲檢測方法，其特征在于,包括以下步驟：

11)水稻蚜蟲圖像的收集和預處理，收集若干幅水稻蚜蟲圖像作為訓練圖像，收集圖像的焦點集中在蚜蟲蟲體部分，將所有訓練圖像的大小歸一化為16×16像素，得到若干個蚜蟲圖像訓練樣本；

12)獲得水稻蚜蟲圖像檢測模型，對條件約束下的圖像判別網絡、圖像生成網絡進行構造與對抗訓練，根據訓練后的圖像判別器網絡提取蚜蟲對抗特征，并根據蚜蟲圖像對抗特征向量訓練蚜蟲檢測模型；

所述的獲得水稻蚜蟲圖像檢測模型包括以下步驟：

121)構造帶條件約束的圖像判別網絡模型D(x,l)，l:pl(l)表示條件約束分布；

圖像判別網絡模型以深度卷積神經網絡模型為基礎，設置網絡層數為5層，其中前3層為卷積層、第4層為全連接層、最后一層為輸出層，輸出層的節點數為1；其輸入是一幅圖像，大小為16×16像素，通過softmax分類器輸出圖像所屬的類別概率；

122)構造帶條件約束的圖像生成網絡模型G(z,l)，z:pz(z)表示高斯噪聲分布，l:pl(l)表示條件約束分布，設定為光照分布或蚜蟲姿態分布；

圖像生成網絡模型以深度卷積神經網絡模型為基礎，設置網絡層數為4層，其中前3層為反卷積層，最后一層為輸出層，輸出層的節點個數為16×16，其輸入是符合條件約束分布的多維隨機數；

123)條件約束下圖像判別網絡和圖像生成網絡的對抗訓練，其具體步驟如下：

1231)將圖像判別網絡模型D(x,l)和圖像生成網絡模型G(z,l)進行對抗訓練，其訓練模型如下：

，

其中：log()為對數函數，x,l:pdata(x,l)分別是若干個蚜蟲圖像訓練樣本以及帶有光照或蚜蟲姿態變換的蚜蟲訓練樣本；

x∈R^dx、l∈R^dl、dx、dl是訓練樣本的維數；

z:pz(z)表示高斯噪聲分布N(μ，σ^2)，其中μ、σ^2為分布的參數，分別為高斯分布的期望和方差；

l:pl(l)表示條件約束分布N(α，δ^2)，其中α、δ^2為分布的參數，設定為光照分布或蚜蟲姿態；

D(x,l)為圖像判別網絡模型；G(z,l)為圖像生成網絡模型；

1232)調整D(x,l)的參數；設有m個隨機抽取的蚜蟲圖像樣本與噪聲樣本分布，x_i為第i個蚜蟲圖像樣本，l_i為第i個蚜蟲圖像樣本對應的第i個噪聲分布；

在訓練的過程中，D(x_i,l_i)被顯示為一個真實的水稻蚜蟲圖像，通過調整其參數，讓其輸出值更低；

通過計算判別網絡輸出誤差來調整參數，

使得誤差達到閾值ε_D；

D(x_i,l_i)被顯示為一個從G(z_i,l_i)產出的蚜蟲圖像，通過調整其參數，來讓其輸出D(G(z_i,l_i),l_i)更大；

通過計算生成網絡輸出誤差來調整D(x,l)的參數，其公式如下：

使得誤差達到閾值ε_G；

124)水稻蚜蟲圖像的負樣本的收集和預處理，收集若干幅非水稻蚜蟲圖像作為訓練圖像，收集圖像的焦點集中在蚜蟲蟲體之外圖像區域，將所有訓練負樣本圖像的大小歸一化為16×16像素，得到若干個負樣本；

125)水稻蚜蟲圖像正負樣本對抗特征提取，

將蚜蟲圖像訓練樣本及其負樣本作為輸入，輸入到學習后的帶條件約束的圖像判別網絡模型D(x,l)，并將圖像判別網絡模型D(x,l)的深度卷積神經網絡的第4層作為水稻蚜蟲正負訓練樣本的對抗特征輸出；

126)收集蚜蟲圖像正負樣本圖像的對抗特征，組成對抗特征向量；

127)將對抗特征向量經過SVM分類器訓練，得到水稻蚜蟲圖像檢測模型；

13)待檢測水稻圖像的收集和預處理，獲取待測圖像并將檢測水稻圖像的大小歸一化為256×256像素，得到待檢測圖像；

14)蚜蟲在圖像中具體位置的標記，將待檢測圖像輸入訓練完成后的水稻蚜蟲圖像檢測模型，進行水稻蚜蟲的檢測，定位并標記出蚜蟲在圖像中具體位置。