[发明专利]一种基于对抗特征学习的水稻蚜虫检测方法

权利要求书

1.一种基于对抗特征学习的水稻蚜虫检测方法，其特征在于,包括以下步骤：

11)水稻蚜虫图像的收集和预处理，收集若干幅水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体部分，将所有训练图像的大小归一化为16×16像素，得到若干个蚜虫图像训练样本；

12)获得水稻蚜虫图像检测模型，对条件约束下的图像判别网络、图像生成网络进行构造与对抗训练，根据训练后的图像判别器网络提取蚜虫对抗特征，并根据蚜虫图像对抗特征向量训练蚜虫检测模型；

所述的获得水稻蚜虫图像检测模型包括以下步骤：

121)构造带条件约束的图像判别网络模型D(x,l)，l:pl(l)表示条件约束分布；

图像判别网络模型以深度卷积神经网络模型为基础，设置网络层数为5层，其中前3层为卷积层、第4层为全连接层、最后一层为输出层，输出层的节点数为1；其输入是一幅图像，大小为16×16像素，通过softmax分类器输出图像所属的类别概率；

122)构造带条件约束的图像生成网络模型G(z,l)，z:pz(z)表示高斯噪声分布，l:pl(l)表示条件约束分布，设定为光照分布或蚜虫姿态分布；

图像生成网络模型以深度卷积神经网络模型为基础，设置网络层数为4层，其中前3层为反卷积层，最后一层为输出层，输出层的节点个数为16×16，其输入是符合条件约束分布的多维随机数；

123)条件约束下图像判别网络和图像生成网络的对抗训练，其具体步骤如下：

1231)将图像判别网络模型D(x,l)和图像生成网络模型G(z,l)进行对抗训练，其训练模型如下：

，

其中：log()为对数函数，x,l:pdata(x,l)分别是若干个蚜虫图像训练样本以及带有光照或蚜虫姿态变换的蚜虫训练样本；

x∈R^dx、l∈R^dl、dx、dl是训练样本的维数；

z:pz(z)表示高斯噪声分布N(μ，σ^2)，其中μ、σ^2为分布的参数，分别为高斯分布的期望和方差；

l:pl(l)表示条件约束分布N(α，δ^2)，其中α、δ^2为分布的参数，设定为光照分布或蚜虫姿态；

D(x,l)为图像判别网络模型；G(z,l)为图像生成网络模型；

1232)调整D(x,l)的参数；设有m个随机抽取的蚜虫图像样本与噪声样本分布，x_i为第i个蚜虫图像样本，l_i为第i个蚜虫图像样本对应的第i个噪声分布；

在训练的过程中，D(x_i,l_i)被显示为一个真实的水稻蚜虫图像，通过调整其参数，让其输出值更低；

通过计算判别网络输出误差来调整参数，

使得误差达到阈值ε_D；

D(x_i,l_i)被显示为一个从G(z_i,l_i)产出的蚜虫图像，通过调整其参数，来让其输出D(G(z_i,l_i),l_i)更大；

通过计算生成网络输出误差来调整D(x,l)的参数，其公式如下：

使得误差达到阈值ε_G；

124)水稻蚜虫图像的负样本的收集和预处理，收集若干幅非水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体之外图像区域，将所有训练负样本图像的大小归一化为16×16像素，得到若干个负样本；

125)水稻蚜虫图像正负样本对抗特征提取，

将蚜虫图像训练样本及其负样本作为输入，输入到学习后的带条件约束的图像判别网络模型D(x,l)，并将图像判别网络模型D(x,l)的深度卷积神经网络的第4层作为水稻蚜虫正负训练样本的对抗特征输出；

126)收集蚜虫图像正负样本图像的对抗特征，组成对抗特征向量；

127)将对抗特征向量经过SVM分类器训练，得到水稻蚜虫图像检测模型；

13)待检测水稻图像的收集和预处理，获取待测图像并将检测水稻图像的大小归一化为256×256像素，得到待检测图像；

14)蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。