[发明专利]适用于训练深度卷积神经网络的图像数据库的构建方法

说明书

本发明公开了一种适用于训练深度卷积神经网络的图像数据库的构建方法，包括以下步骤：收集害虫RGB格式的原始图像，识别、标记害虫种类；对所述原始图像进行颜色衰减得到RGB图像和对应的HSV图像；根据RGB图像计算各颜色比例，根据HSV图像计算颜色相似性区域，计算RGB图像的显著性图；阈值化所述的显著性图得二值图像，将二值图像所指代区域作为初始区域，以GrabCut算法在该初始区域内分割害虫目标；根据分割区域裁剪原始图像并放缩至统一尺寸，存储构建数据库。解决了现有技术建立作物害虫数据库时采样困难、标记模糊、尺寸大小不一的问题，也解决了深度卷积神经网络模型训练过程中因为样本数量过少，姿态单一而引起的过拟合问题。

技术领域

本发明涉及精细农业技术领域，尤其涉及一种适用于训练深度卷积神经网络的图像数据库的构建方法。

背景技术

水稻是我国重要的粮食作物之一，在水稻整个生长期内，有许多病、虫等有害生物为害，特别是水稻害虫，每年所引起的损失相当惊人，直接危害水稻产量。目前，我国水稻害虫防治一直坚持“害虫综合治理(IPM)”的植保方针，以监测预报为基础，综合应用农业、生物、物理防治和化学防治等技术措施，有效控制害虫危害。

水稻害虫种类以及数量的调查，是害虫预测预报工作的一项基本而重要的任务。如果没有正确的调查数据，对害虫的发生种类、数量就不可能进行准确地预测，更不能保证害虫防治经济阈值的正确执行。因此，防治水稻害虫，提高水稻产量的前提是在水稻生长期内，可以正确地识别与计数水稻害虫，从而进一步掌握其发生动态，为实时、准确的预测预报提供理论依据。

传统方法中一般是通过有经验的农民和昆虫分类专家对害虫进行识别，但人工识别劳动强度大、效率低。因此，开发一些智能化无线害虫远程自动监测装置，将有助于提高昆虫识别与计数的准确率和效率，减少虫害带来的损失，进而促进精准农业的实施，提高昆虫知识的科普水平。

随着农业逐步走向数字化、精准化和自动化，国内外学者已将数字图像处理和模式识别技术应用到昆虫自动识别领域。目前，害虫图像分类模型针对某种害虫或者某种作物的所有害虫的样本数量过少，所覆盖姿态和角度范围不足，在建立模型时极容易出现过拟合现象，导致模型分类的泛化能力不足。所以农田害虫识别领域的研究需要一个样本数量足够多，覆盖姿态和种内变化范围足够广的数据库来减少农业中水稻大田信息化及智能化进程中大量样本采集和处理的时间。

当前图像识别的前沿领域为深度卷积神经网络模型，其要求大量的图像样本，且输入的图像需具有相等边长，而图像样本的尺寸变化范围大，害虫对象在图像中位置随机性强，故需要一种定位技术，来准确地获取害虫对象在图像中位置，进而准确裁剪，建立合适的数据库用于模型的训练。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种适用于训练深度卷积神经网络的图像数据库的构建方法，该方法能将水稻害虫对象从复杂的图像背景中定位、提取、放缩，建立适用于训练深度卷积神经网络的数据库。

为实现上述目的，本发明提供了如下技术方案：

适用于训练深度卷积神经网络的图像数据库的构建方法，包括以下步骤：

(1)收集害虫RGB格式的原始图像，识别、标记害虫种类；

(2)对所述原始图像进行颜色衰减得到RGB图像和对应的HSV图像；

(3)根据RGB图像计算各颜色比例，根据HSV图像计算颜色相似性区域，计算RGB图像的显著性图；

(4)阈值化所述的显著性图得二值图像，将二值图像所指代区域作为初始区域，以GrabCut算法在该初始区域内分割害虫目标；

(5)根据分割区域裁剪原始图像并放缩至统一尺寸，存储构建数据库。

所述的害虫为30种典型的水稻害虫。