[发明专利]一种用于病虫害图像分类的细粒度识别方法

说明书

本发明涉及一种用于农业病虫害图像分类的细粒度识别方法，针对种类多样且类间类内差异大的农业害虫图像，设计了一种细粒度分类模型。模型主要由目标定位模块OPM和多特征融合模块MFFM组成，OPM通过U型网络结构整合图像浅层细节信息和深层空间信息，初步划定显著区域并输出空间语义特征。MFFM通过对空间语义特征和抽象语义特征进行双线性池化操作获取融合特征，增加细节特征，弱化背景信息。图像经过OPM和MFFM处理后，通过目标区域裁剪和掩膜等方式进行辅助训练，即可根据最终获取特征进行分类。针对背景复杂，特征相似的害虫图像，在提高分类准确率的前提下降低成本。

技术领域

本发明涉及一种图像分类方法，特别是一种用于大规模农业病虫害图像分类的显著性检测方法，在数据集类间类内差异大，数据分布不均衡的情况下，根据人类视觉神经系统识别物体的过程，利用卷积神经网络设计了一种害虫分类模型，模型包括目标定位模块OPM(Objectpositioning module)和多特征融合模块MFFM(Multi-feature fusionmodule)两部分，图像首先被输入到目标定位模块OPM中处理，输出目标显著区域和深层空间语义特征。之后将图像和深层语义特征输入到多特征融合模块MFFM中，进行多特征融合并获取分类判别特征。最后通过数据增强的方式进行模型辅助训练，输入线性分类器进行分类，有效提高模型分类准确率。

背景技术

在农业生产活动中，由于害虫种类繁多，数量巨大，会严重影响农作物的产量和质量，这就需要高效准确地识别害虫类别并采取对应的消杀措施。目前农业害虫分类的工作主要依靠人工完成，具有劳动成本高，检测效率低，分类误差大等缺点，因此开发基于深度学习的农业病虫害分类识别模型非常重要。

近年来，将机器学习与图像处理相结合进行害虫分类识别已经成为病虫害防治领域重要的研究内容。在病虫害图像分类研究初期，模型的分类方法很大程度上依赖于人工制作的特征标签，例如使用SIFT和Haar算子来提取不同种类害虫的纹理、颜色和形状等特征，之后输入到支持向量机中进行打分判别；针对害虫位置和大小的变化设计鲁棒性更好的特征提取模型；基于图像视觉显著性模型来获取害虫特征，进行害虫分类。引入深度学习后，害虫分类模型主要依靠更大的卷积网络深度来挖掘更多有价值的深层语义特征。此外模型能够自动学习关键特征，而不是简单的依靠浅层特征信息进行分类识别，这极大的提高了分类的准确率。例如采用随机子空间分类器为病虫害数据集建立分类模型，基于深度残差网络改进害虫分类模型等方案。总的来说，现阶段病虫害分类的方法主要分为两类：通过改进传统的图像特征提取方式，结合支持向量机进行害虫分类；基于卷积神经网络对害虫进行端到端的图像分类。但是，由于实际环境中采集病虫害数据的复杂性，对大规模多类别害虫数据集进行分类仍有许多难题需要解决：(1)粗糙的图像数据和复杂的背景干扰；(2)同类害虫在不同阶段具有不同形态特征且不同的害虫间具有极大的相似性；(3)数据集种类规模增加且数据分布不平衡；(4)错误的人工标签标注。这都导致了不同害虫图像通过模型提取到的特征，在特征空间中的分布存在极大相似性，对病虫害分类造成了极大的干扰。

发明内容

本发明所要解决的问题是实际农业生产活动中采集到的害虫数据集规模大，种类多，背景复杂，类间类内差异大且数据分布不平衡导致害虫分类准确率低的问题。针对常见的农业害虫图像，同一种类不同时期害虫差异大，同一物种不同亚种类间相似性大等特点，设计了一种细粒度分类模型。模型主要由目标定位模块OPM和多特征融合模块MFFM组成，OPM通过U型网络结构整合图像浅层细节信息和深层空间信息，初步划定显著区域并输出空间语义特征。MFFM通过对空间语义特征和抽象语义特征进行双线性池化操作获取融合特征，增加细节特征，弱化背景信息。图像经过OPM和MFFM处理后，通过目标区域裁剪和掩膜等方式进行辅助训练，即可根据最终获取特征进行分类。针对背景复杂，特征相似的害虫图像，在提高分类准确率的前提下降低成本。