[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

摘要

本发明涉及一种基于分级预测卷积神经网络的害虫图像分类方法，与现有技术相比解决了害虫图像分类正确率低的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；对图像样本数据进行标注；训练基于分级预测卷积神经网络的分类模型；对待测图像进行预处理；基于分级模型自动进行害虫图像分类。本发明采用了分级预测框架，先预测图像的分割结果然后再结合整体图像，共同进行最终的分类预测。

主权项

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；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：131)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；所述的训练基于FCNN的图像分割网络模型包括以下步骤：1311)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11×11，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3×3，特征图个数分别为384、384、256；第六、七层卷积核均为1×1，特征图个数分别为512、3；1312)最后一个卷积层的输出大小为27×27×3，其中27×27是图像二维空间大小，3是分割类的数目，任意27×27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；1313)针对27×27的每个位置，在3个类别上进行softmax操作，最终损失函数为在27×27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；1314)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；132)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；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。