[发明专利]一种基于卷积神经网络的玉米制种果穗图像初级分类方法

权利要求书

1.一种基于卷积神经网络的玉米制种果穗图像初级分类方法，其特征在于，包括：

S1、获取玉米果穗原始训练样本集和玉米果穗测试样本集，所述玉米果穗原始训练样本集和所述玉米果穗测试样本集均包括正常玉米果穗的二维彩色图像、带苞叶玉米果穗的二维彩色图像和其他玉米果穗的二维彩色图像；

S2、通过AlexNet第一卷积神经网络，判别所述玉米果穗测试样本集中每一测试样本的所属类型，每一测试样本的所属类型为正常玉米果穗、带苞叶玉米果穗或其他玉米果穗；

S3、根据判别得到的每一玉米果穗测试样本的所属类型以及每一测试样本的实际所属类型，确定判别结果的准确率；

S4、若所述判别结果的准确率在预设范围之外，根据扩增玉米果穗训练样本集，对所述AlexNet第一卷积神经网络进行优化训练，得到第二卷积神经网络，利用所述第二卷积神经网络重新判别所述玉米果穗测试样本集中每一测试样本的所属类型，所述扩增玉米果穗训练样本集通过增大所述玉米果穗原始训练样本集中原始训练样本的数量获得。

2.根据权利要求1所述方法，其特征在于，步骤S4之前还包括：

对所述玉米果穗原始训练样本集中的原始训练样本分别进行平移、旋转、镜像、改变原始训练样本的亮度和模糊原始训练样本，获得所述扩增玉米果穗训练样本集。

3.根据权利要求1所述方法，其特征在于，步骤S4之前还包括：

通过Dropout方法按照设定的概率值屏蔽掉所述AlexNet第一卷积神经网络的部分神经元。

4.根据权利要求1所述方法，其特征在于，步骤S4进一步包括：

根据所述扩增玉米果穗训练样本集，通过随机梯度下降算法对所述AlexNet第一卷积神经网络进行优化训练，得到所述第二卷积神经网络。

5.根据权利要求1所述方法，其特征在于，步骤S2之前还包括：

根据所述原始玉米果穗训练样本集，对初始卷积神经网络进行预训练，获取所述AlexNet第一卷积神经网络。

6.根据权利要求5所述方法，其特征在于，所述初始卷积神经网络包括5个卷积层、3个最大池化层和3个全连接层，对于所述5个卷积层，卷积核的大小分别为11*11、5*5、3*3、3*3、3*3，卷积步长分别为4、1、1、1、1。

7.根据权利要求5所述方法，其特征在于，通过Adam算法进行动态调整所述初始卷积神经网络的学习率，以获取所述AlexNet第一卷积神经网络。

8.根据权利要求1所述方法，其特征在于，步骤S1具体包括：

S11、提取所有玉米果穗的二维彩色图像中的感兴趣区域；

S12、对所述感兴趣区域作预处理，得到预处理后的二维彩色图像，所述预处理后的二维彩色图像包含预处理后的感兴趣区域；

S13、将所述预处理后的二维彩色图像分为正常玉米果穗的二维彩色图像、带苞叶玉米果穗的二维彩色图像和其他玉米果穗的二维彩色图像，并按照4:1的预设比例分别随机配比正常玉米果穗图像、带苞叶的玉米果穗图像和其他玉米果穗图像，以得到所述玉米果穗原始训练样本集和所述玉米果穗测试样本集。

9.根据权利要求8所述方法，其特征在于，步骤S11中具体包括：

S111、将采集到的二维彩色玉米果穗图像由RGB颜色空间转换到HSV颜色空间；

S112、针对色调通道进行中值滤波去噪处理；

S113、利用玉米果穗图像与背景颜色不同的特点，针对中值滤波后的色调通道的图像进行二值化处理；

S114、对二值图像进行形态学开运算处理，去除破碎的小块；

S115、设定面积阈，排除检测到的较小的连通区域；

S116、留存下来的检测到的大块区域即为玉米果穗区域。

10.根据权利要求8所述方法，其特征在于，步骤S12中具体包括：

通过逐样本均值消减对所述二维彩色图像的ROI区域进行预处理，使所述二维彩色图像归一化。