本發(fā)明涉及圖像識(shí)別技術(shù)領(lǐng)域，具體來(lái)說(shuō)是一種基于深度堆疊網(wǎng)絡(luò)的雜草圖像識(shí)別方法。

背景技術(shù)：

雜草是農(nóng)作物生長(zhǎng)中的大敵，在農(nóng)作物整個(gè)生長(zhǎng)期內(nèi)都有發(fā)生，可造成農(nóng)作物大量減產(chǎn)?，F(xiàn)行的雜草分類、識(shí)別工作主要是依靠少數(shù)植保專家和農(nóng)技人員來(lái)完成的。但雜草種類繁多，每一位植保專家窮其所能也只能識(shí)別部分雜草。越來(lái)越多的跡象表明，對(duì)雜草識(shí)別需求的增多與植保專家相對(duì)較少的矛盾已日益加劇。當(dāng)今在模式識(shí)別領(lǐng)域，深度學(xué)習(xí)理論成為眾多學(xué)者研究的熱點(diǎn)，在人臉識(shí)別、物體識(shí)別領(lǐng)域被廣泛應(yīng)用，并取得了較好的效果。然而在農(nóng)業(yè)領(lǐng)域深度學(xué)習(xí)還沒(méi)有得到廣泛應(yīng)用，尤其是在環(huán)境惡劣的、種類數(shù)量龐大的雜草識(shí)別上。由于雜草樣本種類數(shù)量多、樣本量巨大的特殊性，在深度學(xué)習(xí)方法中常用的卷積神經(jīng)網(wǎng)絡(luò)方法在訓(xùn)練過(guò)程需要不斷地調(diào)整梯度參數(shù)，嚴(yán)重影響了訓(xùn)練效率與識(shí)別效率。因此，如何有效實(shí)現(xiàn)雜草的自動(dòng)識(shí)別已經(jīng)成為急需解決的技術(shù)問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中雜草識(shí)別率低、效率低下的缺陷，提供一種基于深度堆疊網(wǎng)絡(luò)的雜草圖像識(shí)別方法來(lái)解決上述問(wèn)題。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：

一種基于深度堆疊網(wǎng)絡(luò)的雜草圖像識(shí)別方法，包括以下步驟：

對(duì)訓(xùn)練圖像進(jìn)行收集和預(yù)處理，收集各類雜草圖像，每類雜草圖像的收集數(shù)量大于100幅，將其作為訓(xùn)練圖像，對(duì)所有訓(xùn)練圖像進(jìn)行大小歸一化處理，將其處理為256×256像素，得到若干個(gè)訓(xùn)練樣本；

構(gòu)造并訓(xùn)練深度堆疊網(wǎng)絡(luò)模型，構(gòu)造深度堆疊網(wǎng)絡(luò)結(jié)構(gòu)模塊，將訓(xùn)練樣本像素值作為輸入，對(duì)深度堆疊網(wǎng)絡(luò)結(jié)構(gòu)模塊進(jìn)行訓(xùn)練，得到訓(xùn)練后的深度堆疊網(wǎng)絡(luò)模型；

對(duì)待測(cè)圖像進(jìn)行收集和預(yù)處理，利用采集設(shè)備拍攝待測(cè)的雜草圖像，進(jìn)行各類待測(cè)雜草圖像的收集，每類待測(cè)雜草圖像的收集數(shù)量大于30幅，并對(duì)待測(cè)的雜草圖像按256×256像素進(jìn)行歸一化處理，得到測(cè)試樣本；

將測(cè)試樣本輸入經(jīng)過(guò)訓(xùn)練后的深度堆疊網(wǎng)絡(luò)模型，進(jìn)行雜草圖像的自動(dòng)識(shí)別。

所述的構(gòu)造并訓(xùn)練深度堆疊網(wǎng)絡(luò)模型包括以下步驟：

構(gòu)造深度堆疊網(wǎng)絡(luò)模型結(jié)構(gòu)模塊，設(shè)置網(wǎng)絡(luò)模塊數(shù)為120層，每一層網(wǎng)絡(luò)模塊均為三個(gè)子層集合成的特殊神經(jīng)網(wǎng)絡(luò)，三個(gè)子層分別為線性輸入單元的線性子層、包含非線性單元的非線性子層和包含線性輸出的輸出子層；

訓(xùn)練深度堆疊網(wǎng)絡(luò)模型結(jié)構(gòu)模塊，其具體步驟如下：

采用受限玻爾茲曼機(jī)計(jì)算權(quán)值方法計(jì)算權(quán)值矩陣w，

計(jì)算每層網(wǎng)絡(luò)模塊中線性子層與非線性子層的權(quán)值矩陣w，

計(jì)算權(quán)值矩陣u，

計(jì)算每層網(wǎng)絡(luò)模塊中非線性子層與輸出子層之間的權(quán)值矩陣u；

通過(guò)每層的w與u串聯(lián)每個(gè)模塊層，來(lái)訓(xùn)練深度堆疊網(wǎng)絡(luò)，其公式如下：

yi＝u^tδ(w^txi)＝gi(u,w)

xi＝[x1i,…,xji,…,xdi]^t表示關(guān)于第i個(gè)模塊的函數(shù)，yi表示第i個(gè)模塊的輸出，δ(·)為sigmoid函數(shù)，g()為表示u與w存在關(guān)系的函數(shù)。

所述的采用受限玻爾茲曼機(jī)計(jì)算權(quán)值方法計(jì)算權(quán)值矩陣w包括以下步驟：

隨機(jī)初始化受限玻爾茲曼機(jī)的模型參數(shù)θ＝{w,a,b}，

其中，w表示輸入層權(quán)值矩陣，a表示輸入層偏置，b表示第一個(gè)隱含層偏置，并設(shè)定三個(gè)參數(shù)的學(xué)習(xí)率λw＝λa＝λb＝0.1；

對(duì)輸入層的輸入進(jìn)行正向傳播，計(jì)算出第一個(gè)隱含層的輸出

其中，為第0層第i個(gè)節(jié)點(diǎn)的輸入；

對(duì)第一個(gè)隱含層的輸出進(jìn)行反向傳播，得到為l層第i個(gè)節(jié)點(diǎn)的輸入；

對(duì)進(jìn)行正向傳播，得到為l層第j個(gè)節(jié)點(diǎn)的輸出；

結(jié)合各參數(shù)對(duì)應(yīng)的學(xué)習(xí)率，更新模型參數(shù)θ＝{w,a,b}，各參數(shù)的變化量為：

其中e[·]表示求取數(shù)學(xué)期望；

改變輸入層的輸入重復(fù)32步驟至35步驟，直至收斂得到w。

所述的計(jì)算權(quán)值矩陣u包括以下步驟：

將訓(xùn)練樣本轉(zhuǎn)化為訓(xùn)練向量集x＝[x1,…,xi,…,xn]，其中n表示樣本集數(shù)量；xi＝[x1i,…,xji,…,xdi]^t表示關(guān)于第i個(gè)模塊的函數(shù)，d表示輸入向量的維數(shù)；

由于第i個(gè)模塊的輸出為：yi＝u^thi，

其中hi＝σ(w^txi)是第i個(gè)樣本的隱層向量，由此得到u為一個(gè)l×c的上層權(quán)值矩陣，w為一個(gè)d×l的下層權(quán)值矩陣，σ(·)為一個(gè)sigmoid函數(shù)，l表示隱層單元的數(shù)量，c表示輸入向量的維數(shù)；

計(jì)算極小化方差：

其中：t＝[t1,…,ti,…,tn]表示n個(gè)樣本的標(biāo)簽，e表示極小化的方差，y表示整個(gè)網(wǎng)絡(luò)的輸出矩陣，yi表示第i個(gè)模塊的輸出，ti表示第i樣本的訓(xùn)練標(biāo)簽；

計(jì)算極小化方差對(duì)u的偏導(dǎo)：

讓其偏導(dǎo)置為0，可得到：

u＝(hh^t)^-1ht^t，

其中h＝[h1,…,hi,…,hn]。u表示權(quán)值矩陣，h表示所有隱含層的激勵(lì)矩陣，t表示所有樣本的標(biāo)簽。

有益效果

本發(fā)明的一種基于深度堆疊網(wǎng)絡(luò)的雜草圖像識(shí)別方法，與現(xiàn)有技術(shù)相比構(gòu)造的深度堆疊網(wǎng)絡(luò)不但具有很強(qiáng)的特征表達(dá)與分類能力，還減少了訓(xùn)練時(shí)間與識(shí)別時(shí)間，增強(qiáng)了雜草識(shí)別的魯棒性。本發(fā)明提高了雜草識(shí)別的準(zhǔn)確率，增強(qiáng)了雜草識(shí)別訓(xùn)練效率，達(dá)到了實(shí)際應(yīng)用水平。

附圖說(shuō)明

圖1為本發(fā)明的方法順序圖。

具體實(shí)施方式

為使對(duì)本發(fā)明的結(jié)構(gòu)特征及所達(dá)成的功效有更進(jìn)一步的了解與認(rèn)識(shí)，用以較佳的實(shí)施例及附圖配合詳細(xì)的說(shuō)明，說(shuō)明如下：

如圖1所示，本發(fā)明所述的一種基于深度堆疊網(wǎng)絡(luò)的雜草圖像識(shí)別方法，包括以下步驟：

第一步，對(duì)訓(xùn)練圖像進(jìn)行收集和預(yù)處理。收集各類雜草圖像，每類雜草圖像的收集數(shù)量大于100幅，將其作為訓(xùn)練圖像，對(duì)所有訓(xùn)練圖像進(jìn)行大小歸一化處理，將其處理為256×256像素，得到若干個(gè)訓(xùn)練樣本。

第二步，構(gòu)造并訓(xùn)練深度堆疊網(wǎng)絡(luò)模型。構(gòu)造深度堆疊網(wǎng)絡(luò)結(jié)構(gòu)模塊，將訓(xùn)練樣本像素值作為輸入，對(duì)深度堆疊網(wǎng)絡(luò)結(jié)構(gòu)模塊進(jìn)行訓(xùn)練，得到訓(xùn)練后的深度堆疊網(wǎng)絡(luò)模型。其具體步驟如下：

(1)構(gòu)造深度堆疊網(wǎng)絡(luò)模型結(jié)構(gòu)模塊。設(shè)置網(wǎng)絡(luò)模塊數(shù)為120層，每一層網(wǎng)絡(luò)模塊均為三個(gè)子層集合成的特殊神經(jīng)網(wǎng)絡(luò)，三個(gè)子層分別為線性輸入單元的線性子層、包含非線性單元的非線性子層和包含線性輸出的輸出子層。

(2)訓(xùn)練深度堆疊網(wǎng)絡(luò)模型結(jié)構(gòu)模塊，其具體步驟如下：

a、采用受限玻爾茲曼機(jī)計(jì)算權(quán)值方法計(jì)算權(quán)值矩陣w，

計(jì)算每層網(wǎng)絡(luò)模塊中線性子層與非線性子層的權(quán)值矩陣w。

a、隨機(jī)初始化受限玻爾茲曼機(jī)的模型參數(shù)θ＝{w,a,b}，

其中，w表示輸入層權(quán)值矩陣，a表示輸入層偏置，b表示第一個(gè)隱含層偏置，并設(shè)定三個(gè)參數(shù)的學(xué)習(xí)率λw＝λa＝λb＝0.1；

b、對(duì)輸入層的輸入進(jìn)行正向傳播，計(jì)算出第一個(gè)隱含層的輸出

其中，為第0層第i個(gè)節(jié)點(diǎn)的輸入；

c、對(duì)第一個(gè)隱含層的輸出進(jìn)行反向傳播，得到為l層第i個(gè)節(jié)點(diǎn)的輸入；

d、對(duì)進(jìn)行正向傳播，得到為l層第j個(gè)節(jié)點(diǎn)的輸出；

e、結(jié)合各參數(shù)對(duì)應(yīng)的學(xué)習(xí)率，更新模型參數(shù)θ＝{w,a,b}，各參數(shù)的變化量為：

其中e[·]表示求取數(shù)學(xué)期望；

f、改變輸入層的輸入重復(fù)b至e步驟，直至收斂得到w。

b、計(jì)算權(quán)值矩陣u，

計(jì)算每層網(wǎng)絡(luò)模塊中非線性子層與輸出子層之間的權(quán)值矩陣u。

a、將訓(xùn)練樣本轉(zhuǎn)化為訓(xùn)練向量集x＝[x1,…,xi,…,xn]，其中n表示樣本集數(shù)量；

xi＝[x1i,…,xji,…,xdi]^t表示關(guān)于第i個(gè)模塊的函數(shù)，d表示輸入向量的維數(shù)；

b、由于第i個(gè)模塊的輸出為：yi＝u^thi，

其中hi＝σ(w^txi)是第i個(gè)樣本的隱層向量，由此得到u為一個(gè)l×c的上層權(quán)值矩陣，w為一個(gè)d×l的下層權(quán)值矩陣，σ(·)為一個(gè)sigmoid函數(shù)，l表示隱層單元的數(shù)量，c表示輸入向量的維數(shù)；

c、計(jì)算極小化方差：

其中：t＝[t1,…,ti,…,tn]表示n個(gè)樣本的標(biāo)簽，e表示極小化的方差，y表示整個(gè)網(wǎng)絡(luò)的輸出矩陣，yi表示第i個(gè)模塊的輸出，ti表示第i樣本的訓(xùn)練標(biāo)簽；

d、計(jì)算極小化方差對(duì)u的偏導(dǎo)：

讓其偏導(dǎo)置為0，可得到：

u＝(hh^t)^-1ht^t，

其中h＝[h1,…,hi,…,hn]。u表示權(quán)值矩陣，h表示所有隱含層的激勵(lì)矩陣，t表示所有樣本的標(biāo)簽。

c、通過(guò)每層的w與u串聯(lián)每個(gè)模塊層，來(lái)訓(xùn)練深度堆疊網(wǎng)絡(luò)，其公式如下：

yi＝u^tδ(w^txi)＝gi(u,w)

xi＝[x1i,…,xji,…,xdi]^t表示關(guān)于第i個(gè)模塊的函數(shù)，yi表示第i個(gè)模塊的輸出，δ(·)為sigmoid函數(shù)，g()為表示u與w存在關(guān)系的函數(shù)。

第三步，對(duì)待測(cè)圖像進(jìn)行收集和預(yù)處理。利用采集設(shè)備拍攝待測(cè)的雜草圖像，進(jìn)行各類待測(cè)雜草圖像的收集，每類待測(cè)雜草圖像的收集數(shù)量大于30幅，并對(duì)待測(cè)的雜草圖像按256×256像素進(jìn)行歸一化處理，得到測(cè)試樣本；

第四步，將測(cè)試樣本輸入經(jīng)過(guò)訓(xùn)練后的深度堆疊網(wǎng)絡(luò)模型，進(jìn)行雜草圖像的自動(dòng)識(shí)別。

以上顯示和描述了本發(fā)明的基本原理、主要特征和本發(fā)明的優(yōu)點(diǎn)。本行業(yè)的技術(shù)人員應(yīng)該了解，本發(fā)明不受上述實(shí)施例的限制，上述實(shí)施例和說(shuō)明書(shū)中描述的只是本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下本發(fā)明還會(huì)有各種變化和改進(jìn)，這些變化和改進(jìn)都落入要求保護(hù)的本發(fā)明的范圍內(nèi)。本發(fā)明要求的保護(hù)范圍由所附的權(quán)利要求書(shū)及其等同物界定。