[发明专利]基于贝叶斯宽度残差神经网络的害虫图像识别方法

说明书

本发明公开一种基于贝叶斯宽度残差神经网络的害虫图像识别方法，该方法包括以下步骤：步骤一、对害虫图像识别训练数据集进行预处理，使用富边缘检测算法(Rich‑Edge)对该灰度图进行害虫边缘检测。步骤二、构建贝叶斯宽度残差神经网络(Bayesian Wide‑ResidualNetwork，BWResNet)。步骤三、将步骤一得到的害虫边缘图像输入到步骤二构建的BWResNet中。利用步骤一中得到的害虫边缘图像训练集得到BWResNet的总误差函数。步骤四、利用步骤三中得到的误差函数，对网络进行训练。在这里我们提出分块共轭(Block‑cg)算法对网络进行训练。步骤五、根据步骤四中优化后的网络更新超参数。步骤六、重复执行步骤四、五，得到最终的网络，将害虫图像验证集输入到网络后得到的分类准确率更高。

技术领域

本发明涉及使用通过贝叶斯方法、残差神经网络以及害虫图像识别。

背景技术

植物病虫害是三大自然界灾害之一，也是中国农业发展中面临的主要问题。害虫的种类繁多，外形相似度很高，通过人工肉眼很难做到高效准确的识别。随着计算机视觉技术和理论的快速发展，图像分类技术已经应用到许多方面。在农业方面，我们也可以使用图像分类技术对植物害虫进行分类，这种技术相比于传统的人工肉眼识别具有高效、快捷、准确率高等优点。

近年来，这种害虫图像识别的图像分类技术得到了广泛的研究和应用。研究方法主要涉及以下两个方面：首先，从图像底层特征中提取出抽象的高层表达；其次，根据提取到的特征对图像进行分类。最初识别整个图像的全局特征来做害虫分类，主要包括灰度直方图、几何不变量等方法。这些方法可以方便的提取特征，但只是适用于变化幅度较小的害虫姿态和简单背景的图片。局部特征提取的方法有效的避免了全局特征提取的弊端，并且提高了分类的准确性。其中最著名的方法“视觉词袋”(bag-of-words，BOW)提取尺度不变特征和方向梯度直方图等局部点。根据特征数量对特征进行重构，再通过分类器进行分类。这种局部特征的提取方法也存在一定的弊端，它忽略了害虫的相对空间信息。

随着深度学习的发展，卷积神经网络(convolutional neural network，CNN)在图像分类中展示出了较好的效果，CNN省去了对图像的复杂前期预处理，可以直接输入原始图像自主学习特征。残差网络(Residual Network，ResNet)是CNN的模型之一。其中的ResNet在ImageNet2015的比赛中，通过使用152层的网络取得了第一名。随着网络结构的加深，会导致两个问题：1)梯度消失和梯度爆炸，这会使训练很难收敛，可以通过标准初始化(normalized initialization)和中间归一化层(intermediate normalization layers)来解决。2)被称为degradation的退化现象。对适当的深度模型增加层数时，会造成模型准确率下降的情况，训练和测试的错误率都会升高，然后这种情况并不是过拟合引起的，在CIFAR-10和ImageNet中都会发生这种情况。然而残差网络能够有效地解决以上两个问题，并且提高准确性。ResNet的网络结构一般层数很深，很多的残差块只能提供少量的信息，只有很少数的残差块可以学习到我们需要的信息。