[发明专利]一种高精度农作物病虫害图像的识别方法

说明书

本发明涉及一种高精度农作物病虫害图像的识别方法，具体是先对图像进行细化的特征提取，把这些提取到的特征构成一个特征集，再将该特征集里面的特征构造不同的图形，接着通过多维度神经节点依次对每个图形进行覆盖并把在该多维度神经节点覆盖范围里面的特征从特征集里面剥离出去，然后依前述过程逐一对特征空间集里面构造的每个图形进行覆盖，直到将特征集里面的所有特征剥离空为止，此时根据得出的最终覆盖范围来推导出图像识别的不连续落差覆盖率即识别的精确度。本发明构思合理，提高了识别的维度，能在大量异构数据集中很好的提取图像的特征并进行分类识别，不存在随着图像数据量的增大而降低了识别精度的问题，显著提高了图像识别精确度。

技术领域

本发明涉及图像识别技术领域，尤其涉及一种高精度的农作物病虫害图像识别的方法。

背景技术

计算机视觉技术，在上世纪五十年代主要是用于对二维图像进行识别和分析，到了六十年代，科学家们开始利用计算机视觉技术来研究三维图像的识别。一直到上世纪八十年代，有更多学者提出了很多计算机视觉方面的新的理论和研究方法，这也为计算机视觉技术在农业方面的应用和研究奠定了基础。在早期人们并不会把计算机视觉技术很好地应用到智慧农业方面，尤其是农作物病虫害的识别方面。早期的农业病虫害识别主要是靠着人工记录和拍照技术，这样严重的影响了农作物病虫害的及时处理。

在农业应用方面，早期的图像模式识别技术主要是应用在了农作物质量监控，农作物生长环境的控制，农作物分类等方面。但是在智慧农业中的农作物病虫害的识别和分类相关的技术和相关的科学研究都很少。在此基础之上，国外的一些科学家较早的开始对计算机视觉技术在农作物病虫害方面的识别和分类进行了研究和实验，而国内由于早期技术的不成熟，所以这方面的研究和应用都开始的比较晚，现在主要还是靠农业专家到现场对农作物的生长情况，以及农作物病虫害的情况进行监测和记录，对病虫害的智能识别技术的应用并不广泛。

病虫害的智能识别里面最主要的就是要对各个图像的特征进行提取，传统的病虫害图像识别主要是利用卷积神经网络模式来进行分类识别。利用卷积神经网络体系结构的分层以及神经网络结构的学习特性，对采集到的图像特征进行分类识别，同时利用softmax函数(也称为多项式逻辑回归)把图像进行分类。但是在图像数据特别大的情况，利用softmax函数进行分类的方法的预测性能较低。要通过卷积神经网络模式获得更高的图像识别精度，我们就需要更多卷积神经网络里面的学习参数以及模式里面的训练数据量，这样不仅增加了识别的复杂度而且增加了图像数据分类的复杂性。除此之外，在图像像素和大小不变的情况下，如果卷积神经网络的结构的深度不断加大，图像识别的精度并不能随着结构深度的变大而提高。

现在主要主要有基于卷积神经网络(CNN)的图像特征提取方法和仿生模式(BPR)识别方法。

基于卷积神经网络的图像特征提取方法主要分为了卷积神经网络的正向传播和反向传播，两者到使用了具有交替作用的卷积层和一个卷积神经网络的体系结构，在这个体系结构中有一个输出层，这个输出层里面每一个字符类都用一个单独的节点表示，通过卷积神经网络的训练之后，只是把各大连接层里面的参数保留了，以便用这个参数去提取里面的特征向量，然后将这些特征向量用一个分类器进行分类识别。基于卷积神经网络的图像特征提取方法主要是运用了神经网络的学习特点，同时需要把它分成很多层，每一层对应的训练方法不同，但是需要把图像数据进行集中从而归一化，这样就导致了如果有不同尺寸的图像就不能一起进行训练，只能分开来，还有就是卷积神经网络只有学习过能但是不具有记忆这个功能，它虽然对普通二维图像处理使用，但是对于视频或者自然语言的处理能力并不理想。