[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

本發明涉及一種基于對抗特征學習的水稻蚜蟲檢測方法，與現有技術相比解決了水稻蚜蟲識別率低、魯棒性差的缺陷。本發明包括以下步驟：水稻蚜蟲圖像的收集和預處理；獲得水稻蚜蟲圖像檢測模型；待檢測水稻圖像的收集和預處理；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。本發明通過圖像判別網絡模型與圖像生成網絡模型之間的對抗訓練，提高了圖像判別網絡模型的識別能力，提高了水稻蚜蟲識別率。

技術領域

本發明涉及圖像檢測技術領域，具體來說是一種基于對抗特征學習的水稻蚜蟲檢測方法。

背景技術

水稻蚜蟲的檢測與自動計數一直是困擾農作物預測預報的問題，由于農田環境下，水稻圖像中的蚜蟲體態很小，并且重疊嚴重，加大了人工目測與計數的難度。現行的水稻蚜蟲檢測與計數工作主要是依靠少數植保專家和農技人員來完成的，但農田環境下水稻圖像背景復雜，且蚜蟲數量眾多，致使蚜蟲難以被人工辨識。

同時，由于水稻蚜蟲的圖像背景復雜，并配上光照、姿態等影響，使得傳統的自動檢測與計數方法效率低、魯棒性差，且只能存在于實驗階段。

因此，如何能夠提高水稻蚜蟲的檢測與自動計數的準確性已經成為急需解決的技術問題

發明內容

本發明的目的是為了解決現有技術中水稻蚜蟲識別率低、魯棒性差的缺陷，提供一種基于對抗特征學習的水稻蚜蟲檢測方法來解決上述問題。

為了實現上述目的，本發明的技術方案如下：

一種基于對抗特征學習的水稻蚜蟲檢測方法，包括以下步驟：

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；

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；

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；

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。

所述的獲得水稻蚜蟲圖像檢測模型包括以下步驟：

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；

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；

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：

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：