基于增量学习的农作物病害识别方法技术

本发明专利技术提供一种基于增量学习的农作物病害识别方法，在新数据到达时在原有学习结果的基础上继续学习，具有渐进学习的能力，即在有效保留已有知识的情况下，能从分批获得的新样本中获取新知识，逐步提高性能；首先，收集病害样本库，利用负相关集成神经网络为主要技术手段对样本库病害图像模拟增量学习，从而确定负相关学习系统的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器，利用初始阶段的样本训练此分类器；增量学习阶段，当专家将新的样本数据加入样本库时，基于负相关学习的集成神经网络分类器只对新加入的样本数据进行训练并更新分类器，从而达到增量学习的目的；最后，将病害图片的诊断结果及防治措施反馈给用户,从而准确的识别诊断病虫害，达到农作物综合防治的目的。

【技术实现步骤摘要】

本专利技术涉及模式识别和机器学习领域，尤其涉及一种基于增量学习的农作物病害识别方法。
技术介绍
传统的农作物病害识别方法，通常是从病害样本数据库中提取的特征向量使用神经网络进行训练得到一个分类器，当用户上传病害图像时，根据训练得到分类器对病害种类进行识别。为了得到较高的分类精度，要求训练样本集越完备越好，但在实际应用中，完整的样本集很难获得，由于对问题理解的局限性和实际应用中的复杂性，很难精确、完整地定义训练样本集，使得一次性获得和保存所有数据的代价会随着时间增长变得越来越高；许多实际问题也不允许等到获得所有数据后再进行学习，当新样本加入时，为了得到更精确的学习结果，需要将以前训练集中的数据和新的训练集中的数据合并以后进行训练。这样操作复杂,每次都需要重新训练神经网络也需要消耗大量的时间和内存容量。特别地，如果训练数据特别大，内存容量可能无法满足训练神经网络的需求。
技术实现思路
本专利技术的目的在于提供一种识别效率高、识别种类多的基于增量学习的病害识别方法，该方法具有病害同类之间变化鲁棒性强、不同类之间相似性敏感的特点。为实现上述目的专利技术采用如下方案：基于增量学习的农作物病害识别方法，包括以下步骤：步骤1收集原始病害图像进行图像预处理；步骤1-1收集病害原始图像，标记其种类；步骤1-2对病害图像进行灰度变换，把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量，转换公式如下：Gray＝0.299*R+0.587*G+0.114*B步骤1-3对病害图像进行图像增强，先使用中值滤波进行去噪，接着对去噪后的图像进行直方图均衡化；步骤1-4对病害图像进行分割，采用阈值分割，将病害图像中病斑与叶片背景进行分离，获得只含有病斑的图像；步骤1-5对病害图像进行轮廓提取；步骤1-6对病害图像进行病害提取，将轮廓图像与原图叠加进行与运算，得到去除了叶片背景的病斑图像；步骤2对经过预处理的病害图像进行特征提取，包括颜色特征、纹理特征以及形态特征，把提取的三方面的特征作为识别分类的特征向量，构建样本数据库；步骤3利用负相关集成神经网络对样本库病害图像进行演化计算模拟增量学习过程，确定负相关学习系统的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器；步骤3-1对于病害样本训练集合D，D＝{(x(1),d(1)),…,(x(N),d(N))本文档来自技高网...

【技术保护点】
基于增量学习的农作物病害识别方法，其特征在于包括以下步骤：步骤1收集原始病害图像进行图像预处理；步骤1‑1收集病害原始图像，标记其种类；步骤1‑2对病害图像进行灰度变换，把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量，转换公式如下：Gray＝0.299*R+0.587*G+0.114*B步骤1‑3对病害图像进行图像增强，先使用中值滤波进行去噪，接着对去噪后的图像进行直方图均衡化；步骤1‑4对病害图像进行分割，采用阈值分割，将病害图像中病斑与叶片背景进行分离，获得只含有病斑的图像；步骤1‑5对病害图像进行轮廓提取；步骤1‑6对病害图像进行病害提取，将轮廓图像与原图叠加进行与运算，得到去除了叶片背景的病斑图像；步骤2对经过预处理的病害图像进行特征提取，包括颜色特征、纹理特征以及形态特征，把提取的三方面的特征作为识别分类的特征向量，构建样本数据库；步骤3利用负相关集成神经网络对样本库病害图像进行演化计算模拟增量学习过程，确定负相关学习系统的初始参数，并用此初始参数初始化一个基于负相关学习的集成神经网络分类器；步骤3‑1对于病害样本训练集合D，D＝{(x(1),d(1)),…,(x(N),d(N))}x,d分别表示样本输入和输出，N为训练样本数；步骤3‑2该系统由M个个体神经网络集成而成，采用平均输出作为集成系统的输出：F(n)=1MΣi=1mFi(n)---(1)]]>其中Fi(n)是第n个训练样本作为输入时个体神经网络i的输出，F(n)是第n个训练样本作为输入时集成系统的输出；负相关学习在每个个体网络的误差函数中引入了一个相关惩罚项，使得个体网络的误差与其它网络的误差呈负相关性，进而使得所有网络能够在训练集D上同时并且交互地进行训练，该误差函数定义如下：Ei=1NΣn=1NEi(n)=1NΣn=1N12(Fi(n)-d(n))2+1NΣn=1Nλpi(n)---(2)]]>Ei(n)是第n个训练样本作为输入时个体网络i的误差函数；公式(2)中第一项是个体网络i的经验风险函数，第二项中pi(n)为相关性惩罚函数；通过最小化pi，使得每个个体网络的误差和其余网络的误差呈负相关性；通过调节λ，0≤λ≤1来控制惩罚力度；相关性惩罚函数pi(n)定义如下:pi(n)=(Fi(n)-F(n))Σj≠i(Fj(n)-F(n))---(3)]]>第n个训练样本作为输入时，Ei(n)关于网络i的输出的偏导为:∂Ei(n)∂Fi(n)=Fi(n)-d(n)+λ∂pi(n)∂Fi(n)=Fi(n)-d(n)+λΣj≠i(Fj(n)-F(n))=Fi(n)-d(n)-λ(Fi(n)-F(n))=(1-λ)(Fi(n)-d(n))+λ(F(n)-d(n))---(4)]]>这里假定F(n)相对于Fi(n)是个常量,采用BP算法以顺序模式更新权值，即对于每个输入训练样本，所有个体网络的权值更新是通过公式(4)同时进行的，所有样本训练一遍，称为一个epoch；训练过程中，所有的个体网络通过误差公式中的惩罚项相互作用；个体网络i的权值不仅要使Fi(n)与d(n)的差异最小，还要使F(n)与d(n)的差异最小；步骤3‑2通过演化学习模拟增量学习过程，获得一组最优的负相关集成神经网络的负相关惩罚因子强度、子网络数、子网络隐节点、子网络学习系数、学习误差及初始权重等参数；该方法包括以下步骤：(1)将初始训练样本集S随机分成m个子集{S0,S1,…Sm}，初始迭代次数k＝0；(2)初始化N个负相关神经网络集成作为初始群体，每一个个体对应一个神经网络集成，每个网络集成的初始参数在取值范围内随机产生，设训练批次I＝0；(3)新加入一批样本SI，用SI，0<I<m通过负相关学习方法训练每一个网络集成，直到在SI上错误率小于学习误差；(4)如果I大于分批样本数m，则转向下一步，否则I＝I+1返回步骤(3)；(5)在确认集上测试每个负相关网络集成的分类正确率，作为每个个体的适应度；(6)删除N/2个适应度较差的个体，对于剩余的适应度较高的个体，每个个体随机选择另一个个体，通过交叉、变异产生一个后代；(7)得到新一代群体，并用对应的参数重新初始化群体；(8)如果k大于最大迭代次数，则转向下一步，否则k＝k+l，I＝0转向步骤(3)；(9)选择适应度最高的个体的参数作为负相关神经网络集成增量学习算法的参数；所采用的交叉策略是，后代个体的参数从父代个体的参数所确定区间内随机选择，公式如下所示：x′ij＝xi+(xj‑xi)·rand...

【技术特征摘要】
1.基于增量学习的农作物病害识别方法，其特征在于包括以下步骤：步骤1收集原始病害图像进行图像预处理；步骤1-1收集病害原始图像，标记其种类；步骤1-2对病害图像进行灰度变换，把彩色病害图像转换成灰度图像,提取每一个像素的R、G、B分量，转换公式如下：Gray＝0.299*R+0.587*G+0.114*B步骤1-3对病害图像进行图像增强，先使用中值滤波进行去噪，接着对去噪后的图像进行直方图均衡化；步骤1-4对病害图像进行分割，采用阈值分割，将病害图像中病斑与叶片背景进行分离，获得只含有病斑的图像；步骤1-5...

【专利技术属性】
技术研发人员：胡晓辉，杜永文，王军，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：甘肃;62