[发明专利]一种基于对抗特征学习的水稻蚜虫检测方法

说明书

本发明涉及一种基于对抗特征学习的水稻蚜虫检测方法，与现有技术相比解决了水稻蚜虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：水稻蚜虫图像的收集和预处理；获得水稻蚜虫图像检测模型；待检测水稻图像的收集和预处理；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。本发明通过图像判别网络模型与图像生成网络模型之间的对抗训练，提高了图像判别网络模型的识别能力，提高了水稻蚜虫识别率。

技术领域

本发明涉及图像检测技术领域，具体来说是一种基于对抗特征学习的水稻蚜虫检测方法。

背景技术

水稻蚜虫的检测与自动计数一直是困扰农作物预测预报的问题，由于农田环境下，水稻图像中的蚜虫体态很小，并且重叠严重，加大了人工目测与计数的难度。现行的水稻蚜虫检测与计数工作主要是依靠少数植保专家和农技人员来完成的，但农田环境下水稻图像背景复杂，且蚜虫数量众多，致使蚜虫难以被人工辨识。

同时，由于水稻蚜虫的图像背景复杂，并配上光照、姿态等影响，使得传统的自动检测与计数方法效率低、鲁棒性差，且只能存在于实验阶段。

因此，如何能够提高水稻蚜虫的检测与自动计数的准确性已经成为急需解决的技术问题

发明内容

本发明的目的是为了解决现有技术中水稻蚜虫识别率低、鲁棒性差的缺陷，提供一种基于对抗特征学习的水稻蚜虫检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于对抗特征学习的水稻蚜虫检测方法，包括以下步骤：

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；

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；

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；

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。

所述的获得水稻蚜虫图像检测模型包括以下步骤：

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；

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；

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：

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：