[发明专利]基于深度特征与多核Boosting学习相结合的害虫图像识别方法有效
申请号: | 201710105763.6 | 申请日: | 2017-02-24 |
公开(公告)号: | CN107025431B | 公开(公告)日: | 2019-06-18 |
发明(设计)人: | 陈天娇;谢成军;余健;张洁;李瑞;陈红波;王儒敬;宋良图 | 申请(专利权)人: | 中国科学院合肥物质科学研究院 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/62 |
代理公司: | 合肥国和专利代理事务所(普通合伙) 34131 | 代理人: | 张祥骞 |
地址: | 230031 *** | 国省代码: | 安徽;34 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 基于 深度 特征 多核 boosting 学习 相结合 害虫 图像 识别 方法 | ||
本发明涉及基于深度特征与多核Boosting学习相结合的害虫图像识别方法,与现有技术相比解决了害虫图像识别率低的缺陷。本发明包括以下步骤:获取自然图像集;害虫图像的收集、标记和预处理;利用训练集的样本形成块级特征;利用多核Boosting学习的SVM训练多核分类框架;将测试集的样本形成块级特征后,输入训练完成后的多核分类框架中,进行害虫图像的自动识别。本发明利用了害虫图像的多层深度特征并与多核Boosting学习相结合进行害虫的图像识别,提高了害虫识别的准确率。
技术领域
本发明涉及图像识别技术领域,具体来说是基于深度特征与多核Boosting学习相结合的害虫图像识别方法。
背景技术
害虫一直是困扰农作物生长的基本问题,由于植物害虫症状最初很模糊,加大了人工目测的难度。害虫图像的识别由于其植物种类的多样性、不同种类植物害虫的多变性,使得传统的自动识别方法识别率不高、鲁棒性较差,且只能存在于实验阶段。因此,如何能够提高害虫图像识别的准确性已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中害虫图像识别率低的缺陷,提供一种基于深度特征与多核Boosting学习相结合的害虫图像识别方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种基于深度特征与多核Boosting学习相结合的害虫图像识别方法,包括以下步骤:
获取自然图像集,获取自然图像集并分割成自然图像块,使用无监督特征学习方法从未标记的自然图像块中训练学习字典;
害虫图像的收集、标记和预处理,对所有害虫图像均在照明均匀的条件下拍摄,并将拍摄聚焦在害虫症状上,将所有害虫图像归一化并缩放到大小为200×200像素,得到若干个样本;将每种害虫的样本随机分成训练集和测试集;
利用训练集的样本形成块级特征,将已标记的训练图像从不同尺度上提取图像块,将某尺度下的训练图像块集通过学习字典进行稀疏表示后,再通过空间对齐池化操作形成块级特征;
利用多核Boosting学习的SVM训练多核分类框架,将不同尺度下的块级特征通过基于多核Boosting学习的支持向量机训练多核分类框架;
将测试集的样本形成块级特征后,输入训练完成后的多核分类框架中,进行害虫图像的自动识别。
所述的获取自然图像包括以下步骤:
获取自然图像集Y,Y=[y1,y2,...yi,...],yi表示第i张自然图像;利用均匀网格从自然图像集中共提取出N个自然图像块xi,xi∈Rn,(i=1,2,...,N),其中每一张自然图像提取K块,并对自然图像块xi均做归一化处理;
应用奇异值分解算法训练学习字典,求解如下优化问题获得学习字典:
D=[d1,d2,...,dM]∈Rn×M表示学习字典,是自然图像块xi对应的稀疏编码,是自然图像块xi的稀疏表示向量。
所述的利用训练集的样本形成块级特征包括以下步骤:
将已标记的训练图像从不同尺度上提取图像块,从粗粒度水平、中粒度水平和细粒度水平不同尺度上分别对训练图像提取图像块;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国科学院合肥物质科学研究院,未经中国科学院合肥物质科学研究院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710105763.6/2.html,转载请声明来源钻瓜专利网。