[发明专利]水稻茎基部飞虱种类及其虫态的自动分类识别方法

权利要求书

1.一种水稻茎基部飞虱种类及其虫态的自动分类识别方法，其特征在于，包括以下步骤：

(1)采集水稻茎基部的彩色图像，从彩色图像上裁剪出飞虱子图像以及与飞虱形状相似的非飞虱子图像，按比例缩放到统一尺寸后构成第一训练集；

(2)提取第一训练集中子图像的方向梯度直方图特征，训练自适应提升级联分类器；

(3)利用训练好的自适应提升级联分类器对水稻茎基部的彩色图像中的飞虱进行检测，得到目标样本，通过人工对目标样本的飞虱种类及其虫态、非飞虱噪声进行识别标记，作为第二训练集；

(4)构建深度卷积神经网络模型并利用第二训练集对其进行训练；

(5)采集待测水稻茎基部的彩色图像，利用训练好的自适应提升级联分类器对彩色图像上的飞虱进行检测，得到目标图像；利用训练好的深度卷积神经网络模型对目标图像进行飞虱种类及其虫态、非飞虱噪声进行分类识别。

2.根据权利要求1所述的自动分类识别方法，其特征在于，第一训练集中飞虱子图像与非飞虱子图像的数量比为1∶2～3。

3.根据权利要求1所述的自动分类识别方法，其特征在于，所述的自适应提升级联分类器的层数为21层，最大虚警率为0.4～0.5。

4.根据权利要求1所述的自动分类识别方法，其特征在于，第二训练集中飞虱种类及其虫态图像与非飞虱噪声图像的数量比为1∶4～5。

5.根据权利要求1所述的自动分类识别方法，其特征在于，所述的深度卷积神经网络模型包括一个输入层、八个卷积层、三个池化层、二个全连接层和一个输出层；

三个池化层分别位于第二卷积层、第五卷积层和第八卷积层之后，二个全连接层位于第三池化层与输出层之间。

6.根据权利要求5所述的自动分类识别方法，其特征在于，在每层全连接层之后增加dropout层。

7.根据权利要求6所述的自动分类识别方法，其特征在于，所述dropout层的dropout率为0.5～0.6，正则化算法采取L2。

8.根据权利要求5所述的自动分类识别方法，其特征在于，八个卷积层滤波器个数为64～256，滤波器像素大小为3×3～11×11，卷积步长为1～4。

9.根据权利要求1或5所述的自动分类识别方法，其特征在于，利用第二训练集对深度卷积神经网络模型进行训练时，激励函数采用Relu，损失函数采用softmax_Loss，训练算法采用SGD。