一种基于深度学习网络的苹果病变图像识别方法技术

本发明专利技术公开了一种基于深度学习网络的苹果病变图像识别方法，使不同成长状态的苹果图像经过深度学习模型之后得到科学的图像识别结果，其核心内容包括应用深度学习多隐层神经网络对苹果图像经过逐层训练，然后将训练的结果输入到SVM多分类器中进行分类，得到科学的结果，以分析苹果的成长状况，得出苹果应该预防何种因素，从而取得改善管理苹果的方法。本发明专利技术可以科学的对苹果管理过程中出现的问题进行分析，并且农民可以根据得到的结果得知自家苹果在成长过程中出现的问题，从而改善管理苹果的方法，在未来得到更好的收成。

【技术实现步骤摘要】

本专利技术本专利技术涉及人工神经网络领域，尤其涉及一种基于深度学习网络的苹果病变图像识别方法。
技术介绍
种植果树的农民每年的苹果的生长状况通常都无法科学预知，在出现各种病虫害，腐烂病以及伤疤的时候大都认为是天灾人祸，不能及时对苹果的状况进行处理，有可能会导致苹果减产，收成不好而影响果农的收入。例如，随即抽取上千个苹果，会包括腐烂，病虫害，碰伤以及完好无损的状况，当遇到这些状况时由于数据不能及时得到科学化的处理，会使苹果产生的状况无法得到及时的处理，不能及时处理果树本身存在的问题，施肥，打农药的问题，有可能影响第二年的收成。
技术实现思路
本专利技术所要解决的技术问题是针对
技术介绍
的不足提供了一种基于深度学习网络的苹果病变图像识别方法。本专利技术为解决上述技术问题采用以下技术方案：一种基于深度学习网络的苹果病变图像识别方法，具体包括如下步骤：步骤1，采集苹果样本图像集，所述苹果样本图像集包括无标签图像集以及有标签图像集；步骤2，对步骤1采集的苹果样本图像进行初步的预处理，所述预处理包括裁剪，压缩以及图片灰度化；步骤3，将步骤2初步预处理后的苹果样本图像输入到深度学习网络中；步骤4，多隐藏层首先进行自下向上的非监督学习，然后使用自顶向下的监督学习对深度学习网络的参数进行优化；步骤5，将单输出层输出的特征输入到最大池化和子采样层，对数据进行最大池化，并进行子采样；步骤6，将最大池化和子采样层输出的特征输入到SVM分类器中进行分类，从而将苹果进行分类。作为本专利技术一种基于深度学习网络的苹果病变图像识别方法的进一步优选方案，在步骤3中，所述的深度学习网络包括单输入层、多隐藏层和单输出层。作为本专利技术一种基于深度学习网络的苹果病变图像识别方法的进一步优选方案，在步骤4中，所述的多隐藏层所使用的非监督学习方法采用自动编码器进行自学习，以及提取出无标签训练数据的基本图像特征集，具体包含如下子步骤：4.1将图像输入到编码器中，产生相应的特征向量；4.2解码器通过特征向量重构出输入的数据，并且计算重构产生的误差；4.3将编码器和解码器看作是有参数的函数，通过训练获得一组参数使得其平均重构误差最小；4.4逐层训练，将第n-1层的输出作为第n层的输入，再训练第n层，由此得到各层的参数；作为本专利技术一种基于深度学习网络的苹果病变图像识别方法的进一步优选方案，在步骤6中，SVM分类器的具体分类方法如下：步骤6.1，SVM分类器通过使分类间距最大化来求解最优的分类面；步骤6.1，SVM通过引入核函数，通过非线性变换变换到高维特征空间；步骤6.1，SVM隐层节点数由支持向量所确定，通过凸二次规划的优化问题，可以同时得到隐含层节点数和权值向量；步骤6.1，SVM算法是为二值分类问题设计的，当处理多类问题时就要构造适合的多类分类器，由于苹果样本分为虫咬，碰伤，腐烂，完好四个类，因此选用一对多法来进行多分类。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术利用深度学习网络非监督学习对图像进行识别，能够准确提取特征，得到最优参数，进行逐层训练减轻了网络训练的难度，提高了分类的准确性；2、本专利技术采用自编码技术使深度学习网络可以在无监督的条件下进行自学习，解决了带有标签的图像数量较少的问题，不必将每个采集的图像都带上标签，节省了人力物力；3、本专利技术运用SVM多分类模型进行分类，有利于实现图像数据的不同类型的识别，而不再拘泥于二值分类，能够解决多分类问题；4、本专利技术通过智能识别苹果图像，将苹果的成长状况进行统计，得到苹果成长的基本走势，科学的预测使得果农可以更有效的处理苹果管理中出现的问题，早发现，早防御，提高产量以及收入。附图说明图1为一种基于深度学习网络的苹果病变图像识别方法的流程图；图2为本专利技术深度学习网络的解析图；图3为自编码器基本结构图。具体实施方式下面结合附图对本专利技术的技术方案做进一步的详细说明：下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术的一种基于深度学习网络的苹果病变图像识别方法，包括以下模块：样本图像采集模块，样本图像集处理模块，无监督学习模块，有监督学习模块，分类器训练模块，图像识别模块。主要思想就是将苹果图像数据库的图像输入到深度学习网络中，逐层计算后输出具有代表性的特征，用SVM多分类模型对其进行分类，得出结果。本专利技术具体步骤如下：步骤1，获得无标签苹果样本图像集和有标签样本图像集作为深度学习网络中的无标签训练数据集和有标签训练数据集。本步骤进一步包括以下子步骤：步骤1.1，采集无标签苹果图像集。无标签苹果图像集包括未经分类标记的目标图像。虫咬苹果500份，腐烂苹果500份，碰伤苹果500份，完好苹果1000份。采集以上数量的苹果图片作为无标签训练图像集。步骤1.2，采集有标签苹果图像集。有标签苹果图像集包括经分类标记的目标图像。虫咬苹果100份，腐烂苹果100份，碰伤苹果100份，完好苹果200份。采集以上数量的苹果图片作为有标签训练图像集。步骤2，对采集的原始苹果图像进行初步的预处理，包括裁剪，压缩以及图片灰度。步骤3，将初步预处理后的数据输入到深度学习网络中。本步骤的深度学习网络包括单输入层、多隐藏层和单输出层。步骤4，隐层首先进行自下向上的非监督学习，然后使用自顶向下的监督学习对深度学习网络的参数进行优化，得到最好的性能和最少的误差。本步骤进一步包括以下子步骤：步骤4.1，将图像输入到编码器中，产生相应的特征向量，或称作编码。步骤4.2，解码器模块通过特征向量重构出输入的数据，并且计算重构产生的误差。步骤4.3，将编码器和解码器看作是有参数的函数，通过训练获得一组参数使得其平均重构误差最小。步骤4.4，逐层训练，将第n-1层的输出作为第n层的输入，再训练第n层，由此得到各层的参数。自编码器是一种将目标值设置为输入值的无监督学习算法，目的是降维和特征提取；直接将输入映射成特征的方法；每一层都包含一个编码器和一个解码器；假设数据集为{x1,x2,x3,....,x(T)本文档来自技高网...

【技术保护点】
一种基于深度学习网络的苹果病变图像识别方法，其特征在于，具体包括如下步骤：步骤1，采集苹果样本图像集，所述苹果样本图像集包括无标签图像集以及有标签图像集；步骤2，对步骤1采集的苹果样本图像进行初步的预处理，所述预处理包括裁剪，压缩以及图片灰度化；步骤3，将步骤2初步预处理后的苹果样本图像输入到深度学习网络中；步骤4，多隐藏层首先进行自下向上的非监督学习，然后使用自顶向下的监督学习对深度学习网络的参数进行优化；步骤5，将单输出层输出的特征输入到最大池化和子采样层，对数据进行最大池化，并进行子采样；步骤6，将最大池化和子采样层输出的特征输入到SVM分类器中进行分类，从而将苹果进行分类。

【技术特征摘要】
1.一种基于深度学习网络的苹果病变图像识别方法，其特征在于，具体包括如下步骤：步骤1，采集苹果样本图像集，所述苹果样本图像集包括无标签图像集以及有标签图像集；步骤2，对步骤1采集的苹果样本图像进行初步的预处理，所述预处理包括裁剪，压缩以及图片灰度化；步骤3，将步骤2初步预处理后的苹果样本图像输入到深度学习网络中；步骤4，多隐藏层首先进行自下向上的非监督学习，然后使用自顶向下的监督学习对深度学习网络的参数进行优化；步骤5，将单输出层输出的特征输入到最大池化和子采样层，对数据进行最大池化，并进行子采样；步骤6，将最大池化和子采样层输出的特征输入到SVM分类器中进行分类，从而将苹果进行分类。2.根据权利要求1所述的一种基于深度学习网络的苹果病变图像识别方法，其特征在于：在步骤3中，所述的深度学习网络包括单输入层、多隐藏层和单输出层。3.根据权利要求1所述的一种基于深度学习网络的苹果病变图像识别方法，其特征在于：在步骤4中，所述的多隐藏层所使用的非监督学习方法采用自动编码器进行...

【专利技术属性】
技术研发人员：胡晓飞，曲之琳，高友文，朱春，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32