CN107194418A - 一种基于对抗特征学习的水稻蚜虫检测方法 - Google Patents
一种基于对抗特征学习的水稻蚜虫检测方法 Download PDFInfo
- Publication number
- CN107194418A CN107194418A CN201710325110.9A CN201710325110A CN107194418A CN 107194418 A CN107194418 A CN 107194418A CN 201710325110 A CN201710325110 A CN 201710325110A CN 107194418 A CN107194418 A CN 107194418A
- Authority
- CN
- China
- Prior art keywords
- image
- mrow
- aphid
- aphids
- rice field
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于对抗特征学习的水稻蚜虫检测方法，与现有技术相比解决了水稻蚜虫识别率低、鲁棒性差的缺陷。本发明包括以下步骤：水稻蚜虫图像的收集和预处理；获得水稻蚜虫图像检测模型；待检测水稻图像的收集和预处理；蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。本发明通过图像判别网络模型与图像生成网络模型之间的对抗训练，提高了图像判别网络模型的识别能力，提高了水稻蚜虫识别率。
Description
技术领域
本发明涉及图像检测技术领域，具体来说是一种基于对抗特征学习的水稻蚜虫检测方法。
背景技术
水稻蚜虫的检测与自动计数一直是困扰农作物预测预报的问题，由于农田环境下，水稻图像中的蚜虫体态很小，并且重叠严重，加大了人工目测与计数的难度。现行的水稻蚜虫检测与计数工作主要是依靠少数植保专家和农技人员来完成的，但农田环境下水稻图像背景复杂，且蚜虫数量众多，致使蚜虫难以被人工辨识。
同时，由于水稻蚜虫的图像背景复杂，并配上光照、姿态等影响，使得传统的自动检测与计数方法效率低、鲁棒性差，且只能存在于实验阶段。
因此，如何能够提高水稻蚜虫的检测与自动计数的准确性已经成为急需解决的技术问题
发明内容
本发明的目的是为了解决现有技术中水稻蚜虫识别率低、鲁棒性差的缺陷，提供一种基于对抗特征学习的水稻蚜虫检测方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于对抗特征学习的水稻蚜虫检测方法，包括以下步骤：
水稻蚜虫图像的收集和预处理，收集若干幅水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体部分，将所有训练图像的大小归一化为16×16像素，得到若干个蚜虫图像训练样本；
获得水稻蚜虫图像检测模型，对条件约束下的图像判别网络、图像生成网络进行构造与对抗训练，根据训练后的图像判别器网络提取蚜虫对抗特征，并根据蚜虫图像对抗特征向量训练蚜虫检测模型；
待检测水稻图像的收集和预处理，获取待测图像并将检测水稻图像的大小归一化为256×256像素，得到待检测图像；
蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。
所述的获得水稻蚜虫图像检测模型包括以下步骤：
构造带条件约束的图像判别网络模型D(x，l)，l～pl(l)表示条件约束分布；
图像判别网络模型以深度卷积神经网络模型为基础，设置网络层数为5层，其中前3层为卷积层、第4层为全连接层、最后一层为输出层，输出层的节点数为1；其输入是一幅图像，大小为16×16像素，通过softmax分类器输出图像所属的类别概率；
构造带条件约束的图像生成网络模型G(z，l)，z～pz(z)表示高斯噪声分布，l～pl(l)表示条件约束分布，设定为光照分布或蚜虫姿态分布；
图像生成网络模型以深度卷积神经网络模型为基础，设置网络层数为4层，其中前3层为反卷积层，最后一层为输出层，输出层的节点个数为16×16，其输入是符合条件约束分布的多维随机数；
条件约束下图像判别网络和图像生成网络的对抗训练，其具体步骤如下：
将图像判别网络模型D(x，l)和图像生成网络模型G(z，l)进行对抗训练，其训练模型如下：
其中：log()为对数函数，x，l～pdata(x，l)分别是若干个蚜虫图像训练样本以及带有光照或蚜虫姿态变换的蚜虫训练样本；x∈Rdx、l∈Rdl、dx、dl是训练样本的维数；
z～pz(z)表示高斯噪声分布N(μ，σ^2)，其中μ、σ^2为分布的参数，分别为高斯分布的期望和方差；
l～pl(l)表示条件约束分布N(α，δ^2)，其中α、δ^2为分布的参数，设定为光照分布或蚜虫姿态；
D(x，l)为图像判别网络模型；G(z，l)为图像生成网络模型；
调整z(x，l)的参数；设有m个随机抽取的蚜虫图像样本与噪声样本分布，xi为第i个蚜虫图像样本，li为第i个蚜虫图像样本对应的第i个噪声分布；
在训练的过程中，D(xi,li)被显示为一个真实的水稻蚜虫图像，通过调整其参数，让其输出值更低；
通过计算判别网络输出误差来调整参数，
使得误差达到阈值εD；
D(xi,li)被显示为一个从G(zi,li)产出的蚜虫图像，通过调整其参数，来让其输出D(G(zi,li),li)更大；
通过计算生成网络输出误差来调整D(x,l)的参数，其公式如下：
使得误差达到阈值εG；
水稻蚜虫图像的负样本的收集和预处理，收集若干幅非水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体之外图像区域，将所有训练负样本图像的大小归一化为16×16像素，得到若干个负样本；
水稻蚜虫图像正负样本对抗特征提取，
将蚜虫图像训练样本及其负样本作为输入，输入到学习后的带条件约束的图像判别网络模型D(x,l)，并将图像判别网络模型D(x,l)的深度卷积神经网络的第4层作为水稻蚜虫正负训练样本的对抗特征输出；
收集蚜虫图像正负样本图像的对抗特征，组成对抗特征向量；
将对抗特征向量经过SVM分类器训练，得到水稻蚜虫图像检测模型。
所述的蚜虫在图像中具体位置的标记包括以下步骤：
针对待检测的水稻图像，大小为256×256像素；
以16×16像素大小为图像块模板，逐行和逐列对待检测的水稻图像进行扫描，将从待检测的水稻图像中所取得每一个16×16的图像块作为输入，输入到学习后的带条件约束的图像判别网络模型D(x,l)，得到该图像块样本的对抗特征；
将该图像块样本的对抗特征输入到水稻蚜虫图像检测模型，如果预测值小于0.5则判断为该图像为蚜虫，否则不是蚜虫，并记录该图像块在整个待检测的水稻图像中位置。
还包括蚜虫数量的统计，其统计方法如下：
设针对检测后的水稻图像，包含有N个16×16图像块大小的检测结果，每个检测结果在原始图像中区域记为R1、R2...、RN，蚜虫个数计算公式如下：
其中，表示最终水稻蚜虫个数，α是阈值，设为0.5，若两个蚜虫图像区域在检测后的水稻图像中位置重叠大于0.5，则视为同一个蚜虫，计数不增加，否则蚜虫个数增加1。
有益效果
本发明的一种基于对抗特征学习的水稻蚜虫检测方法，与现有技术相比通过图像判别网络模型与图像生成网络模型之间的对抗训练，提高了图像判别网络模型的识别能力，提高了水稻蚜虫识别率。通过图像生成网络模型的设定，不仅增加了大量水稻蚜虫的训练样本，解决了蚜虫种类复杂、采集样本困难的问题，还通过其自身训练，带动图像判别网络模型的再训练，从而提高图像判别网络模型的识别能力，实现蚜虫的准确识别和精确计数。
附图说明
图1为本发明的方法顺序图。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于对抗特征学习的水稻蚜虫检测方法，包括以下步骤：
第一步，水稻蚜虫图像的收集和预处理。收集若干幅水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体部分，将所有训练图像的大小归一化为16×16像素，得到若干个蚜虫图像训练样本。由于不同种类的蚜虫区别特征不大，为针对蚜虫多样性，在此将训练图像的大小归一化为16×16像素，使其分化为多个小窗口的精细检测分析。
第二步，获得水稻蚜虫图像检测模型。对条件约束下的图像判别网络、图像生成网络进行构造与对抗训练，根据训练后的图像判别器网络提取蚜虫对抗特征，并根据蚜虫图像对抗特征向量训练蚜虫检测模型。其具体步骤如下：
(1)构造带条件约束的图像判别网络模型D(x,l)，l～pl(l)表示条件约束分布。图像判别网络模型D(x,l)用于对图像类别进行判定，其输出图像的类别概率。图像判别网络模型以深度卷积神经网络模型为基础，设置网络层数为5层，其中前3层为卷积层、第4层为全连接层、最后一层为输出层，输出层的节点数为1；其输入是一幅图像，大小为16×16像素，通过softmax分类器输出图像所属的类别概率。
(2)构造带条件约束的图像生成网络模型G(z,l)，z～pz(z)表示高斯噪声分布，l～pl(l)表示条件约束分布，设定为光照分布或蚜虫姿态分布。
图像生成网络模型以深度卷积神经网络模型为基础，设置网络层数为4层，其中前3层为反卷积层，最后一层为输出层，输出层的节点个数为16×16，其输入是符合条件约束分布的多维随机数。
由于蚜虫的多样性，且分布在水稻中难以采集，因此蚜虫的数据样本数量非常少，若使用传统的使用蚜虫的数据样本进行图像判别网络模型D(x,l)的训练，其无法起到训练模型的目的。特别是在识别检测过程中，在田间采集到的待检测水稻图像中，也发现蚜虫在水稻图像中的体态非常小，且重叠严重，与背景图像极易重合，植保专家依靠肉眼都很难分辨。针对蚜虫数据样本少、采样图像也难以分辨的特性，在此构造图像生成网络模型G(z,l)。图像生成网络模型G(z,l)用于生成虚拟的水稻蚜虫图像，并结合图像判别网络模型D(x,l)进行共同训练，以使得通过图像生成网络模型训练图像判别网络模型更强大，图像判别网络模型以拥有更强的识别能力，从而提高识别率、增加鲁棒性。
(3)条件约束下图像判别网络和图像生成网络的对抗训练，通过图像生成网络不断训练图像判别网络，其具体步骤如下：
A、将图像判别网络模型D(x,l)和图像生成网络模型G(z,l)进行对抗训练，其训练模型如下：
其中：log()为对数函数，x，l～pdata(x，l)分别是若干个蚜虫图像训练样本以及带有光照或蚜虫姿态变换的蚜虫训练样本；x∈Rdx、l∈Rdl、dx、dl是训练样本的维数；
z～pz(z)表示高斯噪声分布N(μ，σ^2)，其中μ、σ^2为分布的参数，分别为高斯分布的期望和方差；
l～pl(l)表示条件约束分布N(α，δ^2)，其中α、δ^2为分布的参数，设定为光照分布或蚜虫姿态，将实际环境中的光照分布、蚜虫姿态变换均考虑入训练参数中；
D(x,l)为图像判别网络模型；G(z,l)为图像生成网络模型。
B、调整D(x,l)的参数。
设有m个随机抽取的蚜虫图像样本与噪声样本分布，xi为第i个蚜虫图像样本，li为第i个蚜虫图像样本对应的第i个噪声分布；
在训练的过程中，D(xi,li)被显示为一个真实的水稻蚜虫图像，通过调整其参数，让其输出值更低。由于图像判别网络模型是使用真实的少量蚜虫图像样本，也就是说D(xi,li)被显示为一个真实的水稻蚜虫图像，在两个模型的对抗训练过程中，就需要尽可能的将真实样本最小化。同时在后续步骤中，由于G(zi,li)产出的蚜虫图像是个虚拟样本，就需要尽可能的将虚拟样本最大化，以增加训练的难度，才能达到好的训练效果。
通过计算判别网络输出误差来调整参数，
使得误差达到阈值εD；
D(xi,li)被显示为一个从G(zi,li)产出的蚜虫图像，通过调整其参数，来让其输出D(G(zi,li),li)更大，
通过计算生成网络输出误差来调整D(x,l)的参数，其公式如下：
使得误差达到阈值εG。
(4)水稻蚜虫图像的负样本的收集和预处理。收集若干幅非水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体之外图像区域，将所有训练负样本图像的大小归一化为16×16像素，得到若干个负样本。
(5)水稻蚜虫图像正负样本对抗特征提取。
将蚜虫图像训练样本及其负样本作为输入，输入到学习后的带条件约束的图像判别网络模型D(x,l)，并将图像判别网络模型D(x,l)的深度卷积神经网络的第4层作为水稻蚜虫正负训练样本的对抗特征输出，此时的图像判别网络模型D(x,l)为经过与图像生成网络模型进行对抗训练后的模型，在其第4层输出的特征为对抗特征，从而组成对抗特征向量。
(6)收集蚜虫图像正负样本图像的对抗特征，组成对抗特征向量。
(7)将对抗特征向量经过SVM分类器训练，得到水稻蚜虫图像检测模型，用以识别检测出实际样本中的蚜虫。
在此，蚜虫正负样本的对抗特征进行SVM分类器训练学习后为一个二类分类器，包含是和否两种状态，正样本表示(x，1)，负样本表示(x，-1)，这里x表示的是蚜虫或者非蚜虫所提取的对抗特征。前面的对抗学习达到最终平衡后只能区分这个蚜虫图像是原始人工采集的还是计算机生成的，现要检测蚜虫区域，但还存在很多非蚜虫区域，因此在此把对抗网络的前一层作为特征提取作用。现对抗网络的第5层输出的值，代表的是原始的还是计算机生成的标签，目前所使用的对抗网络一共是5层，第四层可以用作图像的特征，可以训练进行图像分类(网络最后一层起分类的作用，以使辨别器得知是原始图像还是计算机生成的图像，svm进行训练后，速度快、稳定性更好)。
第三步，待检测水稻图像的收集和预处理。获取待测图像并将检测水稻图像的大小归一化为256×256像素，得到待检测图像。
第四步，蚜虫在图像中具体位置的标记。将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。在此，水稻蚜虫图像检测模型除了利用SVM分类器以外，其他传统分类学习模型都可以利用，由于好的特征已经通过前面对抗学习提取到了SVM分类器仅是分类，训练后只有两个状态，然后逐行、逐列扫描一幅待检测的图像，在这个图像上取很多小的图像块，每个进行对抗特征提取后输入训练好的SVM分类器模型，如果是蚜虫则计数，否则不记数。
其包括以下步骤：
(1)针对待检测的水稻图像，大小为256×256像素；
以16×16像素大小为图像块模板，逐行和逐列对待检测的水稻图像进行扫描，将从待检测的水稻图像中所取得每一个16×16的图像块作为输入。
输入到学习后的带条件约束的图像判别网络模型D(x,l)，得到该图像块样本的对抗特征，得出待检测图像的对抗特征。
(2)将该图像块样本的对抗特征输入到水稻蚜虫图像检测模型，如果预测值小于0.5则判断为该图像为蚜虫，否则不是蚜虫，并记录该图像块在整个待检测的水稻图像中位置。
第五步，由于检测是针对每一个16×16的图像块作为输入的，对一幅图像已经形成了图像分割，因此能够实现针对一个图像中多个蚜虫进行计数统计。针对多个16×16图像块大小的检测结果即可统计出蚜虫数量，在此还提供一种利用检测结果进行计数的统计方法，统计方法如下：
设针对检测后的水稻图像，包含有N个16×16图像块大小的检测结果，每个检测结果在原始图像中区域记为R1、R2...、RN，蚜虫个数计算公式如下：
其中，表示最终水稻蚜虫个数，α是阈值，设为0.5。若两个蚜虫图像区域在检测后的水稻图像中位置重叠大于0.5，则视为同一个蚜虫，计数不增加，否则蚜虫个数增加1。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (4)
1.一种基于对抗特征学习的水稻蚜虫检测方法，其特征在于,包括以下步骤：
11)水稻蚜虫图像的收集和预处理，收集若干幅水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体部分，将所有训练图像的大小归一化为16×16像素，得到若干个蚜虫图像训练样本；
12)获得水稻蚜虫图像检测模型，对条件约束下的图像判别网络、图像生成网络进行构造与对抗训练，根据训练后的图像判别器网络提取蚜虫对抗特征，并根据蚜虫图像对抗特征向量训练蚜虫检测模型；
13)待检测水稻图像的收集和预处理，获取待测图像并将检测水稻图像的大小归一化为256×256像素，得到待检测图像；
14)蚜虫在图像中具体位置的标记，将待检测图像输入训练完成后的水稻蚜虫图像检测模型，进行水稻蚜虫的检测，定位并标记出蚜虫在图像中具体位置。
2.根据权利要求1所述的一种基于对抗特征学习的水稻蚜虫检测方法，其特征在于，所述的获得水稻蚜虫图像检测模型包括以下步骤：
21)构造带条件约束的图像判别网络模型D(x,l)，l～pl(l)表示条件约束分布；
图像判别网络模型以深度卷积神经网络模型为基础，设置网络层数为5层，其中前3层为卷积层、第4层为全连接层、最后一层为输出层，输出层的节点数为1；其输入是一幅图像，大小为16×16像素，通过softmax分类器输出图像所属的类别概率；
22)构造带条件约束的图像生成网络模型G(z,l)，z～pz(z)表示高斯噪声分布，l～pl(l)表示条件约束分布，设定为光照分布或蚜虫姿态分布；
图像生成网络模型以深度卷积神经网络模型为基础，设置网络层数为4层，其中前3层为反卷积层，最后一层为输出层，输出层的节点个数为16×16，其输入是符合条件约束分布的多维随机数；
23)条件约束下图像判别网络和图像生成网络的对抗训练，其具体步骤如下：
231)将图像判别网络模型D(x,l)和图像生成网络模型G(z,l)进行对抗训练，其训练模型如下：
<mrow>
<munder>
<mi>min</mi>
<mi>G</mi>
</munder>
<munder>
<mi>max</mi>
<mi>D</mi>
</munder>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>D</mi>
<mo>,</mo>
<mi>G</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
<mo>~</mo>
<mi>p</mi>
<mi>d</mi>
<mi>a</mi>
<mi>t</mi>
<mi>a</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mi>log</mi>
<mi> </mi>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>z</mi>
<mo>~</mo>
<mi>p</mi>
<mi>z</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>l</mi>
<mo>~</mo>
<mi>p</mi>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mrow>
<mo>&lsqb;</mo>
<mrow>
<mi>log</mi>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>G</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>z</mi>
<mo>,</mo>
<mi>l</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>l</mi>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>,</mo>
</mrow>
其中：log()为对数函数，x,l～pdata(x,l)分别是若干个蚜虫图像训练样本以及带有光照或蚜虫姿态变换的蚜虫训练样本；x∈Rdx、l∈Rdl、dx、dl是训练样本的维数；
z～pz(z)表示高斯噪声分布N(μ，σ^2)，其中μ、σ^2为分布的参数，分别为高斯分布的期望和方差；
l～pl(l)表示条件约束分布N(α，δ^2)，其中α、δ^2为分布的参数，设定为光照分布或蚜虫姿态；
D(x,l)为图像判别网络模型；G(z,l)为图像生成网络模型；
232)调整D(x,l)的参数；设有m个随机抽取的蚜虫图像样本与噪声样本分布，xi为第i个蚜虫图像样本，li为第i个蚜虫图像样本对应的第i个噪声分布；
在训练的过程中，D(xi,li)被显示为一个真实的水稻蚜虫图像，通过调整其参数，让其输出值更低；
通过计算判别网络输出误差来调整参数，
使得误差达到阈值εD；
D(xi,li)被显示为一个从G(zi,li)产出的蚜虫图像，通过调整其参数，来让其输出D(G(zi,li),li)更大；
通过计算生成网络输出误差来调整D(x,l)的参数，其公式如下：
使得误差达到阈值εG；
24)水稻蚜虫图像的负样本的收集和预处理，收集若干幅非水稻蚜虫图像作为训练图像，收集图像的焦点集中在蚜虫虫体之外图像区域，将所有训练负样本图像的大小归一化为16×16像素，得到若干个负样本；
25)水稻蚜虫图像正负样本对抗特征提取，
将蚜虫图像训练样本及其负样本作为输入，输入到学习后的带条件约束的图像判别网络模型D(x,l)，并将图像判别网络模型D(x,l)的深度卷积神经网络的第4层作为水稻蚜虫正负训练样本的对抗特征输出；
26)收集蚜虫图像正负样本图像的对抗特征，组成对抗特征向量；
27)将对抗特征向量经过SVM分类器训练，得到水稻蚜虫图像检测模型。
3.根据权利要求1所述的一种基于对抗特征学习的水稻蚜虫检测方法，其特征在于，所述的蚜虫在图像中具体位置的标记包括以下步骤：
31)针对待检测的水稻图像，大小为256×256像素；
以16×16像素大小为图像块模板，逐行和逐列对待检测的水稻图像进行扫描，将从待检测的水稻图像中所取得每一个16×16的图像块作为输入，输入到学习后的带条件约束的图像判别网络模型D(x,l)，得到该图像块样本的对抗特征；
32)将该图像块样本的对抗特征输入到水稻蚜虫图像检测模型，如果预测值小于0.5则判断为该图像为蚜虫，否则不是蚜虫，并记录该图像块在整个待检测的水稻图像中位置。
4.根据权利要求1所述的一种基于对抗特征学习的水稻蚜虫检测方法，其特征在于，还包括蚜虫数量的统计，其统计方法如下：
设针对检测后的水稻图像，包含有N个16×16图像块大小的检测结果，每个检测结果在原始图像中区域记为R1、R2...、RN，蚜虫个数计算公式如下：
<mrow>
<msub>
<mi>M</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&cup;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&le;</mo>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
<mfrac>
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&cap;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>&cup;</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>></mo>
<mi>&alpha;</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，表示最终水稻蚜虫个数，α是阈值，设为0.5，若两个蚜虫图像区域在检测后的水稻图像中位置重叠大于0.5，则视为同一个蚜虫，计数不增加，否则蚜虫个数增加1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710325110.9A CN107194418B (zh) | 2017-05-10 | 2017-05-10 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710325110.9A CN107194418B (zh) | 2017-05-10 | 2017-05-10 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107194418A true CN107194418A (zh) | 2017-09-22 |
| CN107194418B CN107194418B (zh) | 2021-09-28 |
Family
ID=59873909
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710325110.9A Active CN107194418B (zh) | 2017-05-10 | 2017-05-10 | 一种基于对抗特征学习的水稻蚜虫检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107194418B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767384A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
| CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
| CN108021894A (zh) * | 2017-12-07 | 2018-05-11 | 中国科学院合肥物质科学研究院 | 一种基于深度策略学习的小麦病害检测方法 |
| CN108764085A (zh) * | 2018-05-17 | 2018-11-06 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
| CN108876759A (zh) * | 2017-11-30 | 2018-11-23 | 北京旷视科技有限公司 | 图像探测方法、装置、系统和存储介质 |
| CN109409266A (zh) * | 2018-10-15 | 2019-03-01 | 常州市第二人民医院 | 一种安全事件识别上报系统及安全事件识别上报方法 |
| CN109800730A (zh) * | 2019-01-30 | 2019-05-24 | 北京字节跳动网络技术有限公司 | 用于生成头像生成模型的方法和装置 |
| CN110163829A (zh) * | 2019-04-19 | 2019-08-23 | 北京沃东天骏信息技术有限公司 | 图像生成方法、装置和计算机可读存储介质 |
| CN110428006A (zh) * | 2019-08-01 | 2019-11-08 | 中国科学院自动化研究所 | 计算机生成图像的检测方法、系统、装置 |
| WO2020047738A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 多尺度特征融合网络结合定位模型的害虫自动计数方法 |
| CN112042449A (zh) * | 2020-09-17 | 2020-12-08 | 山西农业大学 | 一种基于中华通草蛉控制苹果园蚜虫的方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103034872A (zh) * | 2012-12-26 | 2013-04-10 | 四川农业大学 | 基于颜色和模糊聚类算法的农田害虫识别方法 |
| US20130260345A1 (en) * | 2009-01-07 | 2013-10-03 | Sri International | Food recognition using visual analysis and speech recognition |
| CN104077580A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于深信度网络的害虫图像自动识别方法 |
| CN104850836A (zh) * | 2015-05-15 | 2015-08-19 | 浙江大学 | 基于深度卷积神经网络的害虫图像自动识别方法 |
| CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
| US9443189B1 (en) * | 2012-01-23 | 2016-09-13 | Hrl Laboratories, Llc | Bio-inspired method and apparatus for feature detection with spiking dynamics |
| CN106022237A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种端到端的卷积神经网络的行人检测方法 |
| CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
| CN106529589A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 采用降噪堆叠自动编码器网络的视觉目标检测方法 |
| CN106570440A (zh) * | 2015-10-09 | 2017-04-19 | 株式会社日立制作所 | 基于图像分析的人数统计方法和人数统计装置 |
-
2017
- 2017-05-10 CN CN201710325110.9A patent/CN107194418B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130260345A1 (en) * | 2009-01-07 | 2013-10-03 | Sri International | Food recognition using visual analysis and speech recognition |
| US9443189B1 (en) * | 2012-01-23 | 2016-09-13 | Hrl Laboratories, Llc | Bio-inspired method and apparatus for feature detection with spiking dynamics |
| CN103034872A (zh) * | 2012-12-26 | 2013-04-10 | 四川农业大学 | 基于颜色和模糊聚类算法的农田害虫识别方法 |
| CN104077580A (zh) * | 2014-07-15 | 2014-10-01 | 中国科学院合肥物质科学研究院 | 一种基于深信度网络的害虫图像自动识别方法 |
| CN104850836A (zh) * | 2015-05-15 | 2015-08-19 | 浙江大学 | 基于深度卷积神经网络的害虫图像自动识别方法 |
| CN106570440A (zh) * | 2015-10-09 | 2017-04-19 | 株式会社日立制作所 | 基于图像分析的人数统计方法和人数统计装置 |
| CN105678231A (zh) * | 2015-12-30 | 2016-06-15 | 中通服公众信息产业股份有限公司 | 一种基于稀疏编码和神经网络的行人图片检测方法 |
| CN106022237A (zh) * | 2016-05-13 | 2016-10-12 | 电子科技大学 | 一种端到端的卷积神经网络的行人检测方法 |
| CN106296692A (zh) * | 2016-08-11 | 2017-01-04 | 深圳市未来媒体技术研究院 | 基于对抗网络的图像显著性检测方法 |
| CN106529589A (zh) * | 2016-11-03 | 2017-03-22 | 温州大学 | 采用降噪堆叠自动编码器网络的视觉目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| JON GAUTHIER: "Conditional generative adversarial nets for convolutional face generation", 《CS231N.STANFORD.EDU》 * |
| SIMON KOHL 等: "Adversarial Networks for the Detection of Aggressive Prostate Cancer", 《ARXIV:1702.08014V1》 * |
| 胡越浪: "基于神经网络的水稻纹枯病图像检测", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767384A (zh) * | 2017-11-03 | 2018-03-06 | 电子科技大学 | 一种基于对抗训练的图像语义分割方法 |
| CN108876759A (zh) * | 2017-11-30 | 2018-11-23 | 北京旷视科技有限公司 | 图像探测方法、装置、系统和存储介质 |
| CN108876759B (zh) * | 2017-11-30 | 2021-01-26 | 北京旷视科技有限公司 | 图像探测方法、装置、系统和存储介质 |
| CN108021894A (zh) * | 2017-12-07 | 2018-05-11 | 中国科学院合肥物质科学研究院 | 一种基于深度策略学习的小麦病害检测方法 |
| CN108021894B (zh) * | 2017-12-07 | 2020-06-05 | 中国科学院合肥物质科学研究院 | 一种基于深度策略学习的小麦病害检测方法 |
| CN107991876A (zh) * | 2017-12-14 | 2018-05-04 | 南京航空航天大学 | 基于生成式对抗网络的航空发动机状态监测数据生成方法 |
| CN108764085A (zh) * | 2018-05-17 | 2018-11-06 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
| CN108764085B (zh) * | 2018-05-17 | 2022-02-25 | 上海交通大学 | 基于生成对抗网络的人群计数方法 |
| WO2020047738A1 (zh) * | 2018-09-04 | 2020-03-12 | 安徽中科智能感知大数据产业技术研究院有限责任公司 | 多尺度特征融合网络结合定位模型的害虫自动计数方法 |
| CN109409266A (zh) * | 2018-10-15 | 2019-03-01 | 常州市第二人民医院 | 一种安全事件识别上报系统及安全事件识别上报方法 |
| CN109800730A (zh) * | 2019-01-30 | 2019-05-24 | 北京字节跳动网络技术有限公司 | 用于生成头像生成模型的方法和装置 |
| CN110163829A (zh) * | 2019-04-19 | 2019-08-23 | 北京沃东天骏信息技术有限公司 | 图像生成方法、装置和计算机可读存储介质 |
| CN110428006A (zh) * | 2019-08-01 | 2019-11-08 | 中国科学院自动化研究所 | 计算机生成图像的检测方法、系统、装置 |
| CN112042449A (zh) * | 2020-09-17 | 2020-12-08 | 山西农业大学 | 一种基于中华通草蛉控制苹果园蚜虫的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107194418B (zh) | 2021-09-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107194418A (zh) | 一种基于对抗特征学习的水稻蚜虫检测方法 | |
| CN105512640B (zh) | 一种基于视频序列的人流量统计方法 | |
| CN104156734B (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
| CN106897738B (zh) | 一种基于半监督学习的行人检测方法 | |
| CN103632168B (zh) | 一种机器学习中的分类器集成方法 | |
| CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
| CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN105300693B (zh) | 一种基于迁移学习的轴承故障诊断方法 | |
| CN104484681B (zh) | 基于空间信息和集成学习的高光谱遥感影像分类方法 | |
| CN108229338A (zh) | 一种基于深度卷积特征的视频行为识别方法 | |
| CN102842032B (zh) | 基于多模式组合策略的移动互联网色情图像识别方法 | |
| CN107330453A (zh) | 基于分步识别和融合关键部位检测的色情图像识别方法 | |
| CN107563355A (zh) | 基于生成对抗网络的高光谱异常检测方法 | |
| CN103544483B (zh) | 一种基于局部稀疏表示的联合目标追踪方法及其系统 | |
| CN107247956A (zh) | 一种基于网格判断的快速目标检测方法 | |
| CN107134144A (zh) | 一种用于交通监控的车辆检测方法 | |
| CN107239762A (zh) | 一种基于视觉的公交车内乘客人数统计方法 | |
| CN104063713B (zh) | 一种基于随机蕨分类器的半自主在线学习方法 | |
| CN107506793A (zh) | 基于弱标注图像的服装识别方法及系统 | |
| CN104361351B (zh) | 一种基于区域统计相似度的合成孔径雷达图像分类方法 | |
| CN105513066B (zh) | 一种基于种子点选取与超像素融合的通用物体检测方法 | |
| CN107766890A (zh) | 一种细粒度识别中判别性图块学习的改进方法 | |
| CN110348437A (zh) | 一种基于弱监督学习与遮挡感知的目标检测方法 | |
| CN106600595A (zh) | 一种基于人工智能算法的人体特征尺寸自动测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |