[发明专利]一种棉株和杂草的图像分类识别检测方法

说明书

本发明属于图像处理及计算机视觉领域，公开了一种棉株和杂草的图像分类识别检测方法，该方法基于抗噪卷积神经网络的，包括步骤：获取待分类图像；噪声映射层，检测各种类型的噪声，并为每个图像生成噪声图，以指示有噪声和未被破坏的图像；根据噪点自适应调整图层大小，以提高网络对噪声的鲁棒性；基于噪声图的数据增强，用来为卷积神经网络生成额外的数据；噪声自适应卷积层，识别提取图像区域特征；噪声自适应池化层，对特征图进行下采样，减少数据维度，使学习速度提高；全连接层，实现最终的分类与预测；输出图像分类结果。本发明可以准确识别分类出棉株和杂草，为下一步棉株机械打顶做准备。

技术领域

本发明属于图像处理、机器视觉领域，具体涉及一种棉株和杂草的图像分类识别检测方法。

背景技术

棉花是我国经济作物的重要组成部分，也是我国纺织业的主要原料。棉花生长过程中需要打顶，即当棉花长到一定高度或时期时，切断棉花的顶芯，以增加棉花产量。目前棉花打顶主要靠人工完成，劳动强度大，效率低。因此，在当前劳动力短缺、人工成本高的情况下，快速、准确、高效地实现棉花自动打顶具有重要的现实意义和广阔的发展前景，因此高速准确分类识别棉花叶片和杂草是自动打顶的前提和基础。

机器视觉系统是通过机器视觉产品（即图像摄取装置，分CMOS和CCD两种）将被摄取目标转换成图像信号，传送给专用的图像处理系统，得到被摄目标的形态信息，根据像素分布和亮度、颜色等信息，转变成数字化信号，图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

图像分类用于各种应用，如安全、教育和宣传系统，近年来，已经进行了许多研究来设计从图像中提取基本特征的自动化系统。卷积神经网络是一种有效的图像分类方法，它利用卷积、池化和全连接层进行学习，该网络是一种多层神经网络，由具有可训练权重和偏差的神经元组成。噪声图像是卷积神经网络训练中的破坏性因素，降低了网络的分类性能，从图像中去除噪声是图像处理中的一个重要问题，通常作为预处理步骤，各种类型的噪声，如脉冲噪声、图像样本丢失、图像传输中的数据包丢失、图像损坏和篡改，都会影响图像质量，使图像不适合进行图像处理，脉冲噪声是图像采集、记录和传输过程中最常见的噪声类型之一，被脉冲噪声破坏的像素的强度比其未被破坏的相邻像素的强度高或低得多，当图像的某些部分丢失、损坏或被不需要的物体部分遮挡时，就会出现图像样本丢失。数字图像可能被恶意篡改，导致图像质量下降，恢复被篡改的图像是一个昂贵的过程，被噪声污染的图像影响卷积神经网络的性能。噪声图像往往在预处理阶段进行恢复，导致卷积神经网络分类性能的提高，然而，由于噪声密度高，噪声图像在预处理步骤中可能无法完全恢复，从而对卷积神经网络的学习和验证产生负面影响，此外，噪声去除的预处理是一个昂贵且耗时的过程，提出一种噪声鲁棒的卷积神经网络用于噪声图像的分类，它不需要进行去噪预处理，在所提出的方法中，对各种类型的诸如脉冲噪声、丢失图像样本、图像传输中的分组丢失、损坏图像和篡改图像的噪声，通过增加噪声映射层和自适应调整大小层，改进了基本卷积神经网络的结构，使其对噪声具有鲁棒性，并考虑了噪声图像在不同组成部分中的分类。

发明内容

针对棉株精确识别问题，本发明利用机器视觉技术，基于抗噪卷积神经网络对棉株和杂草的图像进行分类精确识别，为后续的棉花打顶机械研究提供准备。

本发明为实现上述目的，所采用的技术方案如下。

一种棉株和杂草的图像分类识别检测方法，包括以下步骤：

步骤1，获取待分类图像；

步骤2，噪声映射层，检测各种类型的噪声，并为每个图像生成噪声图，以指示有噪声和未被破坏的图像；

步骤3，根据噪点自适应调整图层大小，以提高网络对噪声的鲁棒性；基于噪声图的数据增强，用来为卷积神经网络生成额外的数据；

步骤4，噪声自适应卷积层，识别提取图像区域特征；

步骤5，噪声自适应池化层，对特征图进行下采样，减少数据维度，使学习速度提高；

步骤6，全连接层，实现最终的分类与预测；