[发明专利]一种基于分级预测卷积神经网络的害虫图像分类方法

权利要求书

1.一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于,包括以下步骤：

11)对训练图像进行收集和预处理，收集若干幅图像作为训练图像，所有训练图像均进行大小归一化处理，将其处理为256×256像素，得到若干个训练样本；

12)对图像样本数据进行标注，对样本图片内容进行人工标注，标注出图像分割边界、类别和害虫种类，将图像分割成害虫、作物、背景三类，结合训练样本作为训练样本数据集合；

13)训练基于分级预测卷积神经网络的分类模型，训练基于分级预测卷积神经网络的分类模型，将训练样本作为输入，完成神经网络分类模型的训练；

14)对待测图像进行预处理，将待测的害虫图像按256×256像素进行归一化处理，得到新的待测图像；

15)基于分级模型自动进行害虫图像分类，将处理后的待测图像输入经过训练的分级预测卷积神经网络模型中，进行害虫图像种类的自动识别。

2.根据权利要求1所述的一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于，所述的训练基于分级预测卷积神经网络的分类模型包括以下步骤：

21)训练基于FCNN的图像分割网络模型；

设置层数为7层的全卷积网络层，输入训练样本，使用人工标注的病虫、作物、背景分割结果作为学习标注，利用深度学习框架Caffe进行网络模型的训练，输出为能够对害虫图像进行分割的全卷积神经网络模型；

22)训练基于CNN的图像分类模型，

设置层数为8层的卷积分类网络，将根据训练好的分割模型分割后获得的害虫、作物、背景三幅图像，加上未分割的整体图像，总共四幅图像作为输入，人工标注的害虫分类结果作为学习标注，利用深度学习框架Caffe进行网络模型的训练，输出图像分类模型。

3.根据权利要求1所述的一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于，所述的基于分级模型自动进行害虫图像分类包括以下步骤：

31)将待测图像输入到训练好FCNN分割模型中，获得图像中害虫、作物、背景的分割预测结果；

32)根据分割预测结果对原始图像进行分割，得到三幅新图像：害虫图像、作物图像、背景图像；

33)将待测图像和分割得到的害虫图像、作物图像、背景图像共四幅图像作为输入，输入到训练完成的基于CNN的分类模型中，预测得到可能性最大的分类作为分类结果输出。

4.根据权利要求2所述的一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于，所述的训练基于FCNN的图像分割网络模型包括以下步骤：

41)构建7层全卷积网络结构，每层卷积网络的大小如下：

第一层卷积核大小为11x11，特征图个数为96；第二层卷积核为5x5，特征图个数为256；第三、四、五层卷积核均为3x3，特征图个数分别为384、384、256；第六、七层卷积核均为1x1，特征图个数分别为512、3；

42)最后一个卷积层的输出大小为27x27x3，其中27x27是图像二维空间大小，3是分割类的数目，任意27X27位置上的3个目标值根据其每个位置感受野所属的害虫、作物还是背景来定，如果感受野中包括不止一个类别，使用占最多像素个数的那个类别来作为标注；

43)针对27X27的每个位置，在3个类别上进行softmax操作，最终损失函数为在27X27位置上的softmax损失之和L，其计算公式如下：

其中为位置(h,w)上的标注分割类别，M为分割类别的数目，等于3；

44)基于网络和目标函数的定义，输入训练样本数据，基于随机梯度下降算法进行模型训练优化。

5.根据权利要求2所述的一种基于分级预测卷积神经网络的害虫图像分类方法，其特征在于，所述的训练基于CNN的图像分类模型包括以下步骤：

51)构建4个5层的全卷积特征提取网络，分别对全图像、害虫图像、作物图像、背景图像进行卷积提取特征；

其卷积层的配置前四层一致，其卷积核大小分别为11、5、3、3，特征图个数分别为96、256、384、384；在最后一层卷积上，卷积核大小均为3，全图像特征图个数为256，害虫图像为96，作物图像48，背景图像12；

52)构建三层的全连接分类网络，使用特征提取的卷积网络输出作为输入，构建3层的分类网络，第一层和第二层的大小设置为4096，第三层分类层的大小是害虫种类的个数82；

53)针对最后一层的输出，进行82个值的softmax操作，学习目标损失函数定义如下：

其中f(k)为最优一层第k位置上的值，为输入图片标注害虫类别对应的位置，K为分割类别的数目，这里是82；

54)基于网络和目标函数的定义，输入训练样本数据，基于随机梯度下降算法进行模型训练优化。