[发明专利]基于LBP特征与深度学习的金针菇菇头分选识别方法

权利要求书

1.一种基于LBP特征与深度学习的金针菇菇头分选识别方法，其特征在于：包括如下步骤：

步骤1、收集金针菇头部图片，并将所有的金针菇头部图片分为训练集和测试集；

步骤2、将所述训练集的金针菇头部图片进行变化，将变化前的金针菇头部图片和变化后的金针菇头部图片作为训练数据保存于训练集中；

步骤3、提取所述训练数据的LBP特征a，并对LBP特征a进行降维处理；所述步骤3具体为：

首先将收集到的彩色的金针菇头部图片转换为灰度的金针菇头部图片，设定每张金针菇头部图片的像素大小为m×m及子块的尺寸大小为n×n，m和n为正整数且m能被n整除；按照设定的子块尺寸大小对每张金针菇头部图片划分m²/n²个相同尺寸大小的子块，对于每个子块中的一个像素，采用的算子将相邻的p个子块的像素的灰度值与其进行比较，中的R为半径，P为采样点的个数，若周围子块的像素的灰度值大于该子块的像素的灰度值，则该子块的像素点的位置被标记为1，否则为0；这样，以R为半径的圆形邻域内，中心子块与周围p个子块的像素的灰度值比较后，产生p位二进制数，即得到该中心子块的窗口中心像素点的LBP值，如公式(4)所示：

其中，(x_c，y_c)是窗口中心像素点，i_c是中心子块的像素的灰度值，i_p是相邻子块的像素的灰度值，s是一个符号函数：

然后计算每个子块的直方图，然后对直方图进行归一化处理，最后将得到的每个子块的统计直方图进行连接成为一张金针菇头部图片的LBP特征a，最终得到2×n²×m/n维的LBP特征a，之后通过PCA进行降维处理后得到h维的LBP特征a；PCA的做法就是通过原来的变量做线性投影形成新的变量，通过公式(6)来计算特征的主成分：

y＝U^T(x_i-x) (6)

其中，y表示主成分特征，x表示训练样本的特征均值，x_i为需要降维的特征，U^T为协方差矩阵计算公式，如公式(7)所示：

步骤4、利用卷积神经网络提取所述训练数据中的深度特征b；所述步骤4具体为：

采用vgg-16模型，通过一系列的卷积池化操作，最后通过全连接层得到深度特征b；对于卷积层来说，每层卷积层的输出特征是通过将一组M₁×M₂的滤波器与前一层卷积层的输出特征进行卷积获得，卷积操作的输出公式表示如下：

其中，Y_j为第j层卷积层所得的输出特征，X_i表示卷积层的输入特征，W_j，i为M₁×M₂滤波器的权重矩阵，b_j为第j层的偏置，代表卷积操作，N为前一层卷积层所有或部分特征的个数；

对于池化层来说，通过对前一层的卷积层的每个特征图进行最大采样来获得相应的输出特征；对于全连接层，该全连接层中的每个神经元连接前面一层池化层中的所有神经元，从而得到一个深度特征b；

步骤5、将降维后的所述LBP特征a和深度特征b进行融合，得到融合特征c；

步骤6、将所述训练数据中所述融合特征c输入到分类器中进行分类得到训练好的模型，并得到最终的分类结果；所述步骤6具体为：

将所述融合特征c后接一个K维的全连接层，利用softmax分类器进行分类得到训练好的模型，并得到最终的分类结果，softmax函数的本质就是将一个K维的任意实数向量压缩成另一个K维的实数向量，其中实数向量中的每个元素取值都介于(0，1)之间，计算公式如下：

步骤7、将所述测试集中的金针菇头部图片输入到训练好的模型得出预测值，并将预测值与真实值进行比较算出模型的准确率。