本发明涉及一种基于并行卷积神经网络的害虫图像识别方法，与现有技术相比解决了害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：对训练图像进行收集和预处理；构造并训练并行卷积神经网络模型；对待测图像进行收集和预处理；将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。本发明通过构造的并行卷积神经网络在样本数量不充裕的情况下使得网络训练更充分，并使得分类能力更强的特征发挥的作用更大。
1.一种基于并行卷积神经网络的害虫图像识别方法，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，对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)构造并训练并行卷积神经网络模型，构造并行卷积神经网络模型，将训练样本作为输入，对并行卷积神经网络模型进行训练；所述的构造并训练并行卷积神经网络模型以下步骤：
121)初始化卷积神经网络的初始滤波器，利用主成分分析初始化卷积神经网络的初始滤波器；
122)构造并行卷积神经网络模型，设置网络模块数为11层，利用Caffe框架进行网络模型的训练，输入为归一化后的训练样本；
123)根据不同特征对应的误差率计算不同特征的权重；所述的根据不同特征对应的误差率计算不同特征的权重，包括以下步骤：
1231)将图像转换到B-Y颜色通道IB-Y、R-G颜色通道IR-G和亮度通道IIntensity：其中，r、g、b分别为三个颜色通道的分量，min()为最小值函数，max()为最大值函数；
1232)利用卷积神经网络训练三个通道的特征向量t，获取每个特征的误差率ei；
1233)计算三个特征的融合权重，其计算公式如下：其中，wi是第i个特征的权重，0≤wi≤1， ei是第i个特征的误差率，C为特征j个数，e为第j个特征的误差率；
124)对三个特征向量进行加权融合，其计算公式如下：i i
其中，T为融合后的特征向量，C为特征个数，w 为第i个特征的权重，t为第i个特征向量；
125)利用融合后的特征向量T来训练SVM分类器，利用训练后的SVM分类器对融合后的特征进行分类；
13)对待测图像进行收集和预处理，利用采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本；
14)将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。
2.根据权利要求1所述的一种基于并行卷积神经网络的害虫图像识别方法，其特征在于，所述的初始化卷积神经网络的初始滤波器包括以下步骤：
21)将训练样本转化为训练向量集X＝[X1,…,Xi,…,XN]，其中N表示样本集数量；
设定滤波器大小为k1×k2，在训练样本图像中取若干个k1×k2大小的图像块，将训练样本中单幅图像的图像块数据表示为Xi＝[x1,x2,…xn]，n为图像块的个数；
其中，n为单幅样本图像块的个数，N为样本个数，X为训练数据，XT为X的转置矩阵；
23)计算协方差矩阵的特征值和特征向量，取前k个特征值对应的特征向量，大小为k1k2×1，得到图像的主成分表示，将主成分表示作为初始滤波器参数。
一种基于并行卷积神经网络的害虫图像识别方法
技术领域
[0001] 本发明涉及图像处理技术领域，具体来说是一种基于并行卷积神经网络的害虫图像识别方法。
背景技术
[0002] 害虫是农作物生长中的大敌，在农作物整个生长期内都有发生，可造成农作物大量减产。由于害虫种类繁多，每一位植保专家只能识别部分害虫。当今在模式识别领域，基于无监督的深度学习理论成为众多学者研究的热点，在人脸识别、物体识别领域被广泛应用，并取得了较好的效果。然而，无监督的深度学习理论应用在害虫图像自动识别方法及系统则出现识别率低、鲁棒性差的缺陷，这也是由于害虫样本的多样性、特征复杂度所导致的。
[0003] 因此，针对害虫样本数少的情况下如何提高害虫识别的鲁棒性、识别率已经成为急需解决的技术问题。
发明内容
[0004] 本发明的目的是为了解决现有技术中害虫图像样本数量少导致害虫识别率低、鲁棒性差的缺陷，提供一种基于并行卷积神经网络的害虫图像识别方法来解决上述问题。
[0005] 为了实现上述目的，本发明的技术方案如下：
[0006] 一种基于并行卷积神经网络的害虫图像识别方法，包括以下步骤：
[0007] 对训练图像进行收集和预处理，对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；
[0008] 构造并训练并行卷积神经网络模型，构造并行卷积神经网络模型，将训练样本作为输入，对并行卷积神经网络模型进行训练；
[0009] 对待测图像进行收集和预处理，利用采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本；
[0010] 将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。
[0011] 所述的构造并训练并行卷积神经网络模型以下步骤：
[0012] 初始化卷积神经网络的初始滤波器，利用主成分分析初始化卷积神经网络的初始滤波器；
[0013] 构造并行卷积神经网络模型，设置网络模块数为11层，利用Caffe框架进行网络模型的训练，输入为归一化后的训练样本；
[0014] 根据不同特征对应的误差率计算不同特征的权重；
[0015] 对三个特征向量进行加权融合，其计算公式如下：
[0016]
[0017] 其中，T为融合后的特征向量，C为特征个数，wi为第i个特征的权重，ti为第i个特征向量；
[0018] 利用融合后的特征向量T来训练SVM分类器，利用训练后的SVM分类器对融合后的特征进行分类。
[0019] 所述的初始化卷积神经网络的初始滤波器包括以下步骤：
[0020] 将训练样本转化为训练向量集X＝[X1,…,Xi,…,XN]，其中N表示样本集数量；
[0021] 设定滤波器大小为k1×k2，在训练样本图像中取若干个k1×k2大小的图像块，将训练样本中单幅图像的图像块数据表示为Xi＝[x1,x2,…xn]，n为图像块的个数；
[0022] 对Xi进行去均值得到 则训练数据可表示为
[0023] 计算协方差矩阵C，其计算公式如下：
[0024]
[0025] 其中，n为单幅样本图像块的个数，N为样本个数，X为训练数据，XT为X的转置矩阵；
[0026] 计算协方差矩阵的特征值和特征向量，取前k个特征值对应的特征向量，大小为k1k2×1，得到图像的主成分表示，将主成分表示作为初始滤波器参数。
[0027] 所述的根据不同特征对应的误差率计算不同特征的权重，包括以下步骤：
[0028] 将图像转换到B-Y颜色通道IB-Y、R-G颜色通道IR-G和亮度通道IIntensity：
[0029]
[0030]
[0031]
[0032] 其中，r、g、b分别为三个颜色通道的分量，min()为最小值函数，max()为最大值函数；
[0033] 利用卷积神经网络训练三个通道的特征向量t，获取每个特征的误差率ei；
[0034] 计算三个特征的融合权重，其计算公式如下：
[0035]
[0036] 其中，wi是第i个特征的权重，0≤wi≤1， ei是第i个特征的误差率，C为特征个数，ej为第j个特征的误差率。
[0037] 有益效果
[0038] 本发明的一种基于并行卷积神经网络的害虫图像识别方法，与现有技术相比通过构造的并行卷积神经网络在样本数量不充裕的情况下使得网络训练更充分，并使得分类能力更强的特征发挥的作用更大，由此提高了害虫识别的准确率，增强了害虫识别的鲁棒性，达到了实际应用水平。
附图说明
[0039] 图1为本发明的方法顺序图。
具体实施方式
[0040] 为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
[0041] 如图1所示，本发明所述的一种基于并行卷积神经网络的害虫图像识别方法，包括以下步骤：
[0042] 第一步，对训练图像进行收集和预处理。对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，得到多个训练样本。
[0043] 第二步，构造并训练并行卷积神经网络模型。构造并行卷积神经网络模型，将训练样本作为输入，对并行卷积神经网络模型进行训练，在并行卷积神经网络模型内设置SVM，SVM对融合后的特征进行分类训练。其具体包括以下步骤：
[0044] (1)初始化卷积神经网络的初始滤波器，利用主成分分析(Principal Component Analysis,PCA)初始化卷积神经网络的初始滤波器。
[0045] A、将训练样本转化为训练向量集X＝[X1,…,Xi,…,XN]，其中N表示样本集数量。
[0046] 设定滤波器大小为k1×k2，在训练样本图像中取若干个k1×k2大小的图像块，将训练样本中单幅图像的图像块数据表示为Xi＝[x1,x2,…xn]，n为图像块的个数。
[0047] 对Xi进行去均值得到 则训练数据可表示为
[0048] B、计算协方差矩阵C，其计算公式如下：
[0049]
[0050] 其中，n为单幅样本图像块的个数，N为样本个数，X为训练数据，XT为X的转置矩阵。
[0051] C、计算协方差矩阵的特征值和特征向量。取前k个特征值对应的特征向量，大小为k1k2×1，得到图像的主成分表示，将主成分表示作为初始滤波器参数。这些主成分能最大限度的表示训练数据的特征，并作为初始滤波器参数。
[0052] (2)构造并行卷积神经网络模型。设置网络模块数为11层，利用Caffe框架进行网络模型的训练，输入为归一化后的训练样本。
[0053] (3)根据不同特征对应的误差率计算不同特征的权重，从而使得误差率较小的特征在分类时发挥较大的作用。其具体步骤如下：
[0054] A、将图像转换到B-Y颜色通道IB-Y、R-G颜色通道IR-G和亮度通道IIntensity：
[0055]
[0056]
[0057]
[0058] 其中，r、g、b分别为三个颜色通道的分量，min()为最小值函数，max()为最大值函数。
[0059] B、利用卷积神经网络训练三个通道的特征向量t，获取每个特征的误差率ei。
[0060] C、计算三个特征的融合权重，其计算公式如下：
[0061]
[0062] 其中，wi是第i个特征的权重，0≤wi≤1， ei是第i个特征的误差率，C为特征个数，用于对特征进行加权融合，ej为第j个特征的误差率。
[0063] (4)对三个特征向量进行加权融合，其计算公式如下：
[0064]
[0065] 其中，T为融合后的特征向量，C为特征个数，wi为第i个特征的权重，ti为第i个特征向量。
[0066] (5)利用融合后的特征向量T来训练SVM分类器，利用训练后的SVM分类器对融合后的特征进行分类。在此，SVM分类器加入并行卷积神经网络模型，作为分类使用。
[0067] 在并行卷积神经网络模型的训练过程中，本发明利用PCA初始化网络的初始滤波器参数，使得网络训练更加充分，并通过B-Y颜色通道IB-Y、R-G颜色通道IR-G和亮度通道IIntensity所得到的特征向量进行融合处理，从而使得在少数量样本的情况下，也能实现较高的识别率。
[0068] 第三步，对待测图像进行收集和预处理。利用采集设备拍摄待测的害虫图像，对待测的害虫图像按256×256像素进行归一化处理，得到测试样本。
[0069] 第四步，将测试样本输入经过训练后的并行卷积神经网络模型，进行害虫图像的自动识别。
[0070] 以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
