[发明专利]基于深度学习的图像识别方法及在水稻病害识别上的应用

权利要求书

1.基于深度学习的图像识别方法，其特征在于：包括：

(11)获取包含目标对象的图像训练集，所述训练集中的图像携带标注数据；

(12)采用图像扩增和图像对比度调整对训练集图像进行数据增强处理；

(13)获取训练完成的深度学习网络，所述训练完成的深度学习网络通过图像训练集和构造的待训练深度学习网络经过训练获得，所述待训练深度学习网络的构造和训练基于辅助模型实现；

(14)获取待进行识别的图像，预处理后输入训练完成的深度学习网络，获取图像中目标对象的识别结果。

2.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于：所述辅助模型的选择方法为辅助模型的任务领域和图像训练集的训练任务领域相同且辅助模型的数据集与图像训练集的相似度满足第二预设阈值区间。

3.根据权利要求2所述的基于深度学习的图像识别方法，其特征在于：所述辅助模型的数据集与图像训练集的相似度采用最大均值差异算法MMD获取。

4.根据权利要求3所述的基于深度学习的图像识别方法，其特征在于：所述辅助模型的类型采用深度卷积网络。

5.根据权利要求4所述的基于深度学习的图像识别方法，其特征在于：待训练深度学习网络的构造和训练基于辅助模型实现的方法为：

(41)获取辅助模型的隐藏层和隐藏层权重参数；

(42)将辅助模型的卷积层和池化层及其对应层的权重参数迁移到待训练深度学习网络；

(43)在待训练深度学习网络中的池化层加入一层空间金字塔池化层，将所有空间金字塔池化层输出融合后连接到全连接层，所述全连接层采用3层；

(44)固定待训练深度学习网络的卷积层和池化层的权重参数，将图像训练集输入待训练深度学习网络进行全连接层的权重参数训练；

(45)当网络模型的输出值和输入值对应的标注数据的差异性小于第一预设值时，取消对网络参数的固定，进行全网络层权重参数的微调；

(46)当网络模型的输出值和输入值对应的标注数据的差异性小于第二预设值时或迭代次数达到最大预设值，停止训练过程。

6.根据权利要求5所述的基于深度学习的图像识别方法，其特征在于：所述全连接层采用3层，每层全连接层采用了L2正则化和Dropout方法。

7.根据权利要求4所述的基于深度学习的图像识别方法，其特征在于：所述网络模型的输出值和输入值对应的标注数据的差异性采用交叉熵函数度量，在训练过程中，每次输出根据交叉熵数值进行反向传播调整各层的权重参数，调整方法采用adam算法。

8.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于：所述图像扩增方法包括：

改变图像训练集中的图像的视角，先将图像随机从旋转角度为0，90，180，270选择一种，然后对输入图像随机选择翻转反向为沿x轴或沿y轴翻转；

改变图像的大小，先将图像随机从高度和宽度裁剪0.1-0.4，然后将整体图像进行随机大小缩放0.2。

9.根据权利要求1所述的基于深度学习的图像识别方法，其特征在于：所述图像对比度调整采用将原始图像的像素值分布非线性转换到第一预设阈值区间的均匀分布，非线性变换公式：

式中，G_out为变换后每个像素点的像素值，G_in为原始像素值，G_exmin和G_exmax为为第一预设阈值区间的下限和上限，G_min和G_max分别是RGB颜色空间平均最小像素值和最大像素值，其计算公式如下：

G_min＝(G_min＝(R_min+G_min+B_min)/3，G_max＝(R_max+G_max+B_max)/3。

10.如权利要求1-8任意一项所述的基于深度学习的图像识别方法在水稻病害识别上的应用，其特征在于：所述图像训练集的图像包括不同种类的病害图像、同一种类病害不同生长时期图像和不同水稻区域的同一种类病害图像。