[發(fā)明專利]基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011167562.7
• 申請(qǐng)日: 2020-10-28
• 公開(kāi)（公告）號(hào): CN112348065A
• 公開(kāi)（公告）日: 2021-02-09
• 發(fā)明（設(shè)計(jì)）人: 錢蓉;董偉;張立平;朱靜波;孔娟娟;張萌;李閏枚
• 申請(qǐng)（專利權(quán)）人: 安徽省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)經(jīng)濟(jì)與信息研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京盛詢知識(shí)產(chǎn)權(quán)代理有限公司 11901
• 代理人: 陳巍

1.基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，包括以下步驟：

采集帶有復(fù)雜背景的害蟲(chóng)細(xì)粒度圖像樣本并進(jìn)行樣本預(yù)處理，構(gòu)建害蟲(chóng)細(xì)粒度圖像數(shù)據(jù)集；

構(gòu)建害蟲(chóng)細(xì)粒度圖像分類模型，并采用端到端的方法對(duì)所述害蟲(chóng)細(xì)粒度圖像分類模型進(jìn)行訓(xùn)練；

將所述害蟲(chóng)細(xì)粒度數(shù)據(jù)集圖像輸入到訓(xùn)練后好的所述害蟲(chóng)細(xì)粒度圖像分類模型，進(jìn)行害蟲(chóng)細(xì)粒度圖像分類與識(shí)別。

2.根據(jù)權(quán)利要求1所述的基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，所述樣本預(yù)處理的方法為：采用去重軟件處理所有圖像樣本，去除重復(fù)數(shù)據(jù)，得到已優(yōu)化的圖像集；標(biāo)注所有圖像，給出每幅圖像的類別號(hào)；對(duì)所述圖像集進(jìn)行裁剪與標(biāo)注，進(jìn)而構(gòu)建害蟲(chóng)細(xì)粒度圖像數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，所述害蟲(chóng)細(xì)粒度圖像數(shù)據(jù)集包括訓(xùn)練集、測(cè)試集和驗(yàn)證集；

所述訓(xùn)練集用于對(duì)所述害蟲(chóng)圖像細(xì)粒度分類模型進(jìn)行訓(xùn)練；

所述測(cè)試集用于所述害蟲(chóng)細(xì)粒度圖像分類模型的參數(shù)調(diào)優(yōu)，驗(yàn)證所述害蟲(chóng)細(xì)粒度圖像分類模型是否過(guò)擬合；

所述驗(yàn)證集用于完成所述害蟲(chóng)細(xì)粒度圖像分類模型的識(shí)別準(zhǔn)確率和泛化能力驗(yàn)證。

4.根據(jù)權(quán)利要求1所述的基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，所述害蟲(chóng)細(xì)粒度圖像分類模型以卷積神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)網(wǎng)絡(luò)，包括卷積層、池化層、全連接層以及softmax層；

所述害蟲(chóng)細(xì)粒度圖像分類模型包括兩個(gè)分支網(wǎng)絡(luò)，每個(gè)分支網(wǎng)絡(luò)分別包含卷積層和池化層；

所述全連接層與所述兩個(gè)分支網(wǎng)絡(luò)分別連接。

5.根據(jù)權(quán)利要求1所述的基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，所述害蟲(chóng)細(xì)粒度圖像分類模型的訓(xùn)練過(guò)程為：將所述害蟲(chóng)細(xì)粒度圖像數(shù)據(jù)集輸入到所述害蟲(chóng)細(xì)粒度圖像分類模型中，獲取分類模型的預(yù)測(cè)值，如果所述預(yù)測(cè)值呈收斂趨勢(shì)，則結(jié)束訓(xùn)練。

6.根據(jù)權(quán)利要求5所述的基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，如果所述預(yù)測(cè)值呈現(xiàn)非收斂趨勢(shì)，計(jì)算預(yù)測(cè)值與真實(shí)值之間對(duì)應(yīng)測(cè)差值；根據(jù)差值對(duì)所述分類模型中的每層權(quán)重和偏差進(jìn)行更新；根據(jù)更新后的所述分類模型進(jìn)行重復(fù)訓(xùn)練，直到所述預(yù)測(cè)值呈現(xiàn)收斂趨勢(shì)則結(jié)束訓(xùn)練。

7.根據(jù)權(quán)利要求1所述的基于圖像卷積特征的復(fù)雜背景下害蟲(chóng)細(xì)粒度圖像識(shí)別方法，其特征在于，所述害蟲(chóng)細(xì)粒度圖像分類模型的分類方法為：構(gòu)建多分支的卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)所述多分支的卷積神經(jīng)網(wǎng)絡(luò)模型提取所述數(shù)據(jù)集中圖像相同區(qū)域的多種特征信息；將所述多種特征信息進(jìn)行外積處理和最大池化操作，完成特征融合，形成害蟲(chóng)圖像的描述子；采用softmax分類器對(duì)所述害蟲(chóng)圖像描述子進(jìn)行分類，獲得得分最高的圖像描述子，進(jìn)而完成細(xì)粒度圖像分類。