[发明专利]基于KPCA算法与深度信念网络的苹果表面病变图像识别方法

说明书

本发明公开了一种基于KPCA算法与深度信念网络的苹果表面病变图像识别方法。首先采集苹果表面图片作为数据集，一部分作为训练集图像，另一部分作为测试集图像，利用KPCA算法对训练集图像预处理，通过构建一个深度信念网络，将预处理之后的训练集图像送入深度信念网络中进行训练，从而得到一个深度信念网络模型，最终用测试集图像对该模型进行测试，通过用一个Softmax分类器得出分类结果。本发明能够科学的分析出苹果在生长过程中的状况，进而对不佳的状况做出相应的补救措施，同时，在销售苹果时，也能将优良的苹果筛选出来，帮助果农获得更高的收益。

技术领域

本发明涉及苹果表面病变图像识别领域，特别是涉及一种基于KPCA算法与深度信念网络的苹果表面病变图像识别方法。

背景技术

我国的苹果大多数种植于北方，由于复杂多变的自然条件，使得苹果在生长过程中会出现各种状况，比如苹果出现斑迹、腐烂等情况，如果不能进行相应的补救措施，这样会导致生长出来的苹果质量下降，进而导致果农的收益降级。

传统的人工检测苹果生长质量时，比较费时费力，并且只能根据苹果的外观进行推测，这样无法得到科学有效的识别，进而无法对苹果生长过程中出现的状况作出及时的应对措施，会影响果农的收益。

发明内容

为了解决现有技术的不足，本发明提供了一种基于KPCA算法与深度信念网络的苹果表面病变图像识别方法，其利用对训练集图像预处理手段，其中用到了KPCA算法，通过非线性映射把输入空间投影到高维特征空间，然后在高维特征空间中进行主成分分析，进一步达到降维的目的，也达到对数据非线性特征提取的目的。

本发明为解决上述技术问题采用以下技术方案:

基于KPCA算法与深度信念网络的苹果表面病变图像识别方法，包括：

步骤1：采集训练集苹果表面图像，并对采集到的训练集苹果图像进行存储和读取；

步骤2：将步骤1采集的训练集苹果表面图像进行预处理；

步骤3：构建深度信念网络，用预处理后的训练集苹果表面图像对该深度信念网络进行训练，进而得到深度信念网络模型；

步骤4：采集测试集苹果表面图像，并对采集到的测试集苹果表面图像进行存储和读取；

步骤5：利用训练好的深度信念网络模型对测试集苹果表面图像进行测试；

步骤6：用Softmax分类器对步骤5中测试后的结果进行分类,同时输出分类结果。

作为本发明基于KPCA算法与深度信念网络的苹果表面病变图像识别方法的进一步优选方案，在步骤1中，训练集苹果表面图像包括有标签的图像和无标签的图像。

作为本发明基于KPCA算法与深度信念网络的苹果表面病变图像识别方法的进一步优选方案，在步骤2中，预处理，具体包括缩放、色彩抖动和KPCA方法处理。

作为本发明基于KPCA算法与深度信念网络的苹果表面病变图像识别方法的进一步优选方案，在步骤2中，所述的将将采集的训练集苹果表面图像进行预处理，其中用到了KPCA算法，该算法是核主成分分析,是主成分分析算法PCA的非线性扩展，通过非线性映射把输入空间投影到高维特征空间，然后在高维特征空间中进行主成分分析，进一步达到降维的目的，也达到对数据非线性特征提取的目的。

作为本发明基于KPCA算法与深度信念网络的苹果表面病变图像识别方法的进一步优选方案，在步骤3中，所述的构建深度信念网络，用预处理后的训练集对该网络进行训练，得到深度信念网络模型，具体包含如下步骤：

3.1构建一个包含三层限制波尔曼兹机和一层反向传播神经网络的深度信念网络，即由三层RBM网络和一层BP网络构成DBN网络；