[發(fā)明專(zhuān)利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米制種果穗圖像初級(jí)分類(lèi)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810344463.8
• 申請(qǐng)日: 2018-04-17
• 公開(kāi)（公告）號(hào): CN108549910A
• 公開(kāi)（公告）日: 2018-09-18
• 發(fā)明（設(shè)計(jì)）人: 馬欽;崔雪蓮;朱德海;郭浩;劉哲;張秦川;楊玲
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)農(nóng)業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王瑩;吳歡燕

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的玉米制種果穗圖像初級(jí)分類(lèi)方法，其特征在于，包括：

S1、獲取玉米果穗原始訓(xùn)練樣本集和玉米果穗測(cè)試樣本集，所述玉米果穗原始訓(xùn)練樣本集和所述玉米果穗測(cè)試樣本集均包括正常玉米果穗的二維彩色圖像、帶苞葉玉米果穗的二維彩色圖像和其他玉米果穗的二維彩色圖像；

S2、通過(guò)AlexNet第一卷積神經(jīng)網(wǎng)絡(luò)，判別所述玉米果穗測(cè)試樣本集中每一測(cè)試樣本的所屬類(lèi)型，每一測(cè)試樣本的所屬類(lèi)型為正常玉米果穗、帶苞葉玉米果穗或其他玉米果穗；

S3、根據(jù)判別得到的每一玉米果穗測(cè)試樣本的所屬類(lèi)型以及每一測(cè)試樣本的實(shí)際所屬類(lèi)型，確定判別結(jié)果的準(zhǔn)確率；

S4、若所述判別結(jié)果的準(zhǔn)確率在預(yù)設(shè)范圍之外，根據(jù)擴(kuò)增玉米果穗訓(xùn)練樣本集，對(duì)所述AlexNet第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練，得到第二卷積神經(jīng)網(wǎng)絡(luò)，利用所述第二卷積神經(jīng)網(wǎng)絡(luò)重新判別所述玉米果穗測(cè)試樣本集中每一測(cè)試樣本的所屬類(lèi)型，所述擴(kuò)增玉米果穗訓(xùn)練樣本集通過(guò)增大所述玉米果穗原始訓(xùn)練樣本集中原始訓(xùn)練樣本的數(shù)量獲得。

2.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟S4之前還包括：

對(duì)所述玉米果穗原始訓(xùn)練樣本集中的原始訓(xùn)練樣本分別進(jìn)行平移、旋轉(zhuǎn)、鏡像、改變?cè)加?xùn)練樣本的亮度和模糊原始訓(xùn)練樣本，獲得所述擴(kuò)增玉米果穗訓(xùn)練樣本集。

3.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟S4之前還包括：

通過(guò)Dropout方法按照設(shè)定的概率值屏蔽掉所述AlexNet第一卷積神經(jīng)網(wǎng)絡(luò)的部分神經(jīng)元。

4.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟S4進(jìn)一步包括：

根據(jù)所述擴(kuò)增玉米果穗訓(xùn)練樣本集，通過(guò)隨機(jī)梯度下降算法對(duì)所述AlexNet第一卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化訓(xùn)練，得到所述第二卷積神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟S2之前還包括：

根據(jù)所述原始玉米果穗訓(xùn)練樣本集，對(duì)初始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，獲取所述AlexNet第一卷積神經(jīng)網(wǎng)絡(luò)。

6.根據(jù)權(quán)利要求5所述方法，其特征在于，所述初始卷積神經(jīng)網(wǎng)絡(luò)包括5個(gè)卷積層、3個(gè)最大池化層和3個(gè)全連接層，對(duì)于所述5個(gè)卷積層，卷積核的大小分別為11*11、5*5、3*3、3*3、3*3，卷積步長(zhǎng)分別為4、1、1、1、1。

7.根據(jù)權(quán)利要求5所述方法，其特征在于，通過(guò)Adam算法進(jìn)行動(dòng)態(tài)調(diào)整所述初始卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，以獲取所述AlexNet第一卷積神經(jīng)網(wǎng)絡(luò)。

8.根據(jù)權(quán)利要求1所述方法，其特征在于，步驟S1具體包括：

S11、提取所有玉米果穗的二維彩色圖像中的感興趣區(qū)域；

S12、對(duì)所述感興趣區(qū)域作預(yù)處理，得到預(yù)處理后的二維彩色圖像，所述預(yù)處理后的二維彩色圖像包含預(yù)處理后的感興趣區(qū)域；

S13、將所述預(yù)處理后的二維彩色圖像分為正常玉米果穗的二維彩色圖像、帶苞葉玉米果穗的二維彩色圖像和其他玉米果穗的二維彩色圖像，并按照4:1的預(yù)設(shè)比例分別隨機(jī)配比正常玉米果穗圖像、帶苞葉的玉米果穗圖像和其他玉米果穗圖像，以得到所述玉米果穗原始訓(xùn)練樣本集和所述玉米果穗測(cè)試樣本集。

9.根據(jù)權(quán)利要求8所述方法，其特征在于，步驟S11中具體包括：

S111、將采集到的二維彩色玉米果穗圖像由RGB顏色空間轉(zhuǎn)換到HSV顏色空間；

S112、針對(duì)色調(diào)通道進(jìn)行中值濾波去噪處理；

S113、利用玉米果穗圖像與背景顏色不同的特點(diǎn)，針對(duì)中值濾波后的色調(diào)通道的圖像進(jìn)行二值化處理；

S114、對(duì)二值圖像進(jìn)行形態(tài)學(xué)開(kāi)運(yùn)算處理，去除破碎的小塊；

S115、設(shè)定面積閾，排除檢測(cè)到的較小的連通區(qū)域；

S116、留存下來(lái)的檢測(cè)到的大塊區(qū)域即為玉米果穗?yún)^(qū)域。

10.根據(jù)權(quán)利要求8所述方法，其特征在于，步驟S12中具體包括：

通過(guò)逐樣本均值消減對(duì)所述二維彩色圖像的ROI區(qū)域進(jìn)行預(yù)處理，使所述二維彩色圖像歸一化。