[发明专利]一种基于多光谱巡检图像的杂草智能识别方法

摘要

一种基于多光谱巡检图像的杂草智能识别方法。本发明涉及深度学习图像识别领域，特别是涉及一种基于神经网络对巡检图像中杂草的识别方法。本发明以提高多光谱巡检图像中杂草的识别率为目标，以多光谱巡检图像中杂草的特征为基础，结合卷积神经网络方法，解决多光谱巡检图像中电力设备附近杂草识别问题。通过对多光谱巡检图像进行样本数据增广和图像分割，依据杂草和依附的电力设备的特征，在不丢失边缘信息的情况下，获得完整的区域分割结果。接着引入区域生成网络，提取出整幅图像的基础信息，然后再对图像提取固定个数的候选框的图像特征，和改进的图像分类网络连接在一起，得到最终的卷积神经网络模型对杂草进行智能识别。

主权项

1.一种基于多光谱巡检图像的杂草智能识别方法，包含对多光谱巡检图像的样本数据增广、图像分割和基于卷积神经网络模型的杂草识别，其特征在于：1)针对多光谱巡检图像中存在电气设备在中心位置这个特征，我们对图像进行随机上下左右翻转、随机变换对比度和尺度变换三种数据增广办法，并且引用基于数学形态学的IKONOS多光谱图像分割技术对多光谱巡检图像进行分割；2)卷积神经网络模型中的图像分类网络使用改进后的AlexNet网络，为了使得网络能够适应各种尺寸的图像，将最后一层pooling(池化)层改为roi_pooling(兴趣区域池化)层，使得不同尺寸的图像在到fc(全连接)层时连接为相同尺寸的特征向量；3)卷积神经网络模型中的区域生成网络中，候选区域的代价函数计算如下式所示：式中，p_i是分类网络对该区域为前景或后景的置信度，为前后景真实标签，若为1则表示该区域真实为前景，后项计入计算，否则为后景，后项不计入计算；t_i为标记图像区域位置和尺寸的四维向量，为真实物体方框的区域位置和尺寸；用来描述网络计算分类置信度和真实类别的误差，本方法用真实分类u对应的概率计算；如下式所示：表示候选区域检测误差，用于比较真实物体区域V与预测候选区域t^u间的平移缩放参数误差，如下式所示：式中，g为smooth L1损失函数，对异常值不敏感，如下式所示：