[发明专利]一种利用GPCNNs和ELM进行植物叶片疾病识别的方法

权利要求书

1.一种利用GPCNNs和ELM进行植物叶片疾病识别的方法，其特征在于，采集原始图像通过训练GPCNNs模型进行多尺度金字塔池特征提取，得到病害特征模型，再采用ELM对测试图像的植物叶片病害类型进行识别，其具体步骤为：

步骤1：对采集的原始图像进行处理，对所述原始图像进行归一化和固定图像大小处理；运用微失真增强算法提高所述原始图像的抗干扰能力，对所述原始图像运用微失真增强算法后进行变换处理得到若干新图像，与所述原始图像共同组成图像数据；

步骤2：输入所述图像数据训练一个GPCNNs模型来提取所述原始图像的多层特征，得到特征图像、特征图像映射和原始图像标签；

步骤3：选取步骤2中最后三层所述特征图像映射，通过多尺度融合操作提取金字塔汇集特征，并将所述金字塔汇集特征串联为列向量，用所述列向量训练由所述网络权重集表征的ELM分类器；

步骤4：采用所述ELM分类器对测试图像进行分类，完成植物叶片病害类型识别。

2.根据权利要求1所述的一种利用GPCNNs和ELM进行植物叶片疾病识别的方法，其特征在于，在所述步骤1中采用双线性插值算法对所述原始图像进行归一化；所述微失真增强算法包括方向干扰、光干扰、高斯噪声和PCA抖动；所述变换处理是通过调整锐度值、亮度值和对比度值，令所述原始图像的所有像素围绕所述原始图像的中心旋转，并相对于垂直轴和水平轴进行镜像变换，生成若干所述新图像。

3.根据权利要求1所述的一种利用GPCNNs和ELM进行植物叶片疾病识别的方法，其特征在于，步骤2的具体过程为：

步骤21：在所述输入层设定输入图像大小，并输入所述图像数据，按照所述输入图像大小变换后进行卷积计算；设定每个所述卷积层的卷积核和权重值(W，b)，其中W为权重，b为加性偏置；

步骤22：进行l层卷积计算l∈(1,2,...,L)，卷积计算公式为其中x^l-1为l-1层卷积输出，x^l为所述l层卷积输出，f(·)为非线性激活函数，公式为W^l为所述l层的权重，b^l为所述l层的加性偏置；

步骤23：进行池层运算，计算公式为x^l＝f(down(x^l-1)+b^l)；

其中，x^l-1是l-1层的所述卷积输出；down(·)为下采样算子；b^l为l层的加性偏置；

步骤24：是否进行完L次所述卷积计算和所述池层计算，如果否则进入步骤22；

步骤25：进行全局平均池层计算，计算公式为

其中，为最后一个所述池层中的具有m*n大小的第k个特征映射，m*n为前一个所述池层的输出大小，是所述全局平均池层的输出。

步骤26：输出层计算公式为y(k,b)＝f^L(k^Lh^L+b^L)，

其中，h^L为CNNs中的第L隐藏层的输出特征映射图，它可以是卷积层或者汇聚层；k^L为全局平均池层输出，b^L为第L层偏置项；f^L为Softmax分类器；k是输出结果个数，b是加性偏置。

4.根据权利要求1所述的一种利用GPCNNs和ELM进行植物叶片疾病识别的方法，其特征在于，步骤3的具体过程为：

步骤31：采用多尺度池提取多层次特征，首先，将输入所述图像数据分割成若干块；

步骤32：将分割后的所述若干块所述图像数据采用层次金字塔结构在所述全局平均池层进行聚类，聚类对象为步骤2中最后的三层所述卷积层或所述池层的输出图像，进行所述聚类时保留局部空间块的空间位置信息，输出三个具有多尺度特征的图像特征列向量，将所述图像特征列向量展开成列，并级联成图像融合特征向量。